ElevenLabs 公开 Cue:字符级 forced alignment,驱动 Scribe 并开放 API

2026.10.28 · 收录日 2026.10.28 · 产品 · 模型发布 · 官方发布

Cue 把每个字符精确落到音频时间轴;单次通过处理任意时长,29 语基准优于所测开源对齐器。

ElevenLabs 研究博客公开 Cue:强制对齐(forced alignment)模型,把转写中的每个字符放到音频时间轴上,服务字幕同步、配音对口型与点击跳转。单次通过处理任意长度录音;在 29 语真实录音基准上优于所测开源对齐器;约半秒对齐一小时音频(单 GPU)。已驱动 ElevenLabs Speech-to-Text(Scribe),并可通过 Forced Alignment API 单独调用。

  • Cue:字符级 forced alignment,把转写对齐到音频时间轴。
  • 任意时长单次通过;约 0.5 秒对齐 1 小时音频(单 GPU)。
  • 29 语真实录音基准上,精度高于官方所测全部开源对齐器。
  • 已驱动 Scribe STT;另提供 Forced Alignment API。
  • 博客发布日 2026-10-28(UTC 12:00)→ 卡日 20:00 北京时间。

为什么值得看

对齐层决定字幕与配音是否「对得上嘴」,Cue 把精度和长音频能力做成可调用 API。

适合谁关注

做字幕、配音、播客转写与语音产品的团队。

原始来源

查看收录日 2026.10.28 全部卡片 · 全部卡片归档