ElevenLabs 详解 Cue 强制对齐模型：如何精确定位每个词的时间点

ElevenLabs 公布强制对齐模型 Cue，可将音频中每个字符定位到精确时间轴，在 29 种语言的基准测试中准确率超过其测试的所有对齐工具。Cue 单次处理任意长度录音，在生产 GPU 上对齐 1 小时音频约需 0.5 秒，平均时间误差 179 毫秒，而开源工具为 283 毫秒至 6000 毫秒以上。