ElevenLabs 研究团队发布强制对齐模型 Cue，能将每个字符精确放到音频时间轴上，精度高于其测试过的所有开源对齐器，覆盖基准测试全部 29 种语言。Cue 单模型可一次处理任意长度的录音，在单张 GPU 上约半秒对齐一小时音频，已用于 ElevenLabs 全部 Speech to Text 转写，并可通过 Forced Alignment API 单独使用。