ElevenLabs が文字起こしの時刻を合わせるAI「Cue」発表　API でも利用可

何が発表されたか

ElevenLabs は2026年10月28日、強制アライメントのモデル Cue を発表した。強制アライメント（forced alignment）は、音声とその文字起こしを受け取り、各語が話された時刻を合わせる処理である。Cue は音声の中のすべての文字を、時間軸の上に置く。

発表は、字幕が1秒遅れて出ることや、文字起こしで違う語が強調されることを、使う人が困るずれとして挙げている。ElevenLabs の文字起こしで語をクリックすると、再生がその位置に移る。この時刻を決めているのが、アライメントのモデルである。

Cue は ElevenLabs の音声認識モデル Scribe の各モデルで動いている。Scribe が音声を文字に起こし、Cue が時刻を決める。Scribe へのリクエストはすべて Cue を通る。字幕、吹き替え、音楽の歌詞の時刻合わせにも同じモデルが使われる。

性能の数字はすべて ElevenLabs の発表による。

• 速さ：1時間の音声を、ElevenLabs の本番環境の GPU（AI の計算に使う処理装置）で約0.5秒で処理する。次に速かった Qwen3-ForcedAligner は2秒近くかかった。
• 長い録音：長さに関係なく1回で処理する。録音全体での時刻のずれは平均179ミリ秒（1ミリ秒は1,000分の1秒）だった。比べたオープンソースのツールは、283ミリ秒から6,000ミリ秒超だった。
• 言語：実際の録音を使ったベンチマーク（性能を測る試験）の29言語すべてで、試したほかのアライナー（時刻を合わせるモデル）より正確だった。

このベンチマークは、ElevenLabs が実際のリクエストをもとに作ったものだ。歌の時刻合わせも試している。公開データセットにある英語、フランス語、スペイン語、ドイツ語の歌の一部では、92.7%の語を正解の位置から0.3秒以内に置いた。次に良かったツールは82.0%だった。

Cue は ElevenLabs のこれまでのアライナーより小さいモデルだという。

年表で見ると

TRAIL の年表で、ElevenLabs の前回のモデル更新は、2026年10月20日の Eleven Realtime の公開だった。Cue はその8日後になる。直近12件のモデル更新では、間隔の中央値は24日、最小は2日、最大は113日だ。

ElevenLabs の出来事は2026年10月に入ってから10月29日までで11件ある。9月は10件、7月と8月は0件だった。

Cue が支える Scribe は、2025年2月26日に公開された。その後、2026年1月9日に Scribe v2、9月22日に医療音声向けの Scribe v2 Medical が出ている。

TRAIL の年表では、今回の8日という間隔は、中央値の24日より短い。出来事の数は7月と8月が0件で、9月は10件、10月は29日までで11件に増えている。

同じカテゴリで比べると

音声AIの比較表に並ぶ Suno の直近のモデル更新は、2026年9月9日の v6 の公開だ。2026年10月29日から数えて50日前になる。Suno はその後、2026年10月1日に Speech（ベータ）を公開した。

誰が、いくらで使えるか

Cue は ElevenLabs の Speech to Text（音声を文字にする機能）のすべての文字起こしで、すでに使われている。単体で使うときは Forced Alignment API を呼び出す。

Forced Alignment API の料金は、発表に書かれていない。ElevenLabs の料金プランは、Free（月$0）から Business（月$990）まであり、ほかに要問い合わせの Enterprise がある。TRAIL が2026年10月24日に確認した料金である。どのプランで API を使えるかは、発表からは分からない。

まだ分からないこと

• Forced Alignment API の料金と、使えるプラン。
• 日本語に対応するか。発表は対応言語の一覧を示していない。
• 日本語の音声での時刻のずれの大きさ。