ElevenLabs Cue

一次处理即可完成字符级音频对齐，无需分块处理

ElevenLabs Cue 是一款强制对齐模型，可将转写文本逐字定位到音频时间轴，无需分段，并能一次处理任意长度的录音。它已集成至 Scribe 转写功能，也可通过 Forced Alignment API 单独调用；官方数据显示，整段录音的平均时间误差为 179 毫秒，对齐一小时音频约需半秒。