新聞 
幣種資訊 
關於我們 
ElevenLabs於28日推出語音對齊模型Cue，可將既有逐字稿與錄音內容對應至字元層級。
ElevenLabs在官方公告中表示，Cue支援逾90種語言。這項模型可用於語音辨識模型Scribe的轉錄請求，也以獨立的強制對齊API提供。
強制對齊是將既有逐字稿與錄音比對，找出各段內容的發話時間；這與聆聽語音後建立新逐字稿的轉錄工作不同。
Scribe將語音轉成文字後，Cue會為每個字元與單字標示開始及結束時間。公司列出的應用情境包括調整字幕、配音與歌詞的時間點。
使用獨立API時，須一併輸入音訊檔案與既有逐字稿。API會回傳字元及單字層級的開始、結束時間，以及對齊損失值。
API文件將「loss」說明為整份逐字稿的平均對齊損失／信心分數，並未表示這項指標可驗證逐字稿內容是否正確。
逾90種語言是公司公布的支援範圍。另一項公開比較評估則以實際使用請求為基礎製作錄音資料，涵蓋29種語言。
ElevenLabs的內部評估顯示，Cue在全部錄音中的平均時間誤差為179毫秒；參與比較的開源工具誤差介於283毫秒至超過6000毫秒。
公司表示，在含有背景噪音的英文錄音中，Cue的平均誤差為57毫秒；相同條件下，對照工具的誤差介於65至920毫秒。
公司以單字層級標準評估字元層級模型Cue，並表示難以建立完整的正確答案基準。公告未提供評估樣本的規模與組成、具體GPU規格或處理負載條件。
公司表示，Cue在正式環境GPU上約0.5秒即可完成1小時音訊的對齊；這項處理時間同樣是在公司自有環境中測得。
公司所稱「不受長度限制、一次完成處理」仍有API輸入條件。API文件規定檔案大小須低於1GB，且不支援說話者分離；文件未列出音訊長度上限。
語音處理中的轉錄、時間對齊與說話者辨識是不同功能。TokenPost先前報導Google轉錄模型的韓語支援與說話者辨識範圍指出，Gemini 3.5 Transcribe支援逾85種語言，最多可辨識8名說話者；辨識3名以上說話者則仍列為實驗功能。
留言 0