Cue（キュー）は、ElevenLabsが2026年10月28日に発表した強制アラインメントモデルで、音声ファイルとその書き起こしテキストを突き合わせ、各文字・各単語が音声のどの時点で発話されたかをタイムスタンプとして割り当てるものです。
室谷代表取締役Cueは、ElevenLabsが2026年10月28日に発表した強制アラインメントモデルで、音声とテキストを文字単位で同期させ、字幕や吹き替えのタイミングを精密に合わせられるのがポイントなんですよね。
テキトー教師DotAI 認定講師地味に見えて、実は動画・音声プロダクトの品質を根底から左右する発表です。単に「新しいモデルが出た」という話じゃないんですよ。
室谷代表取締役公式ブログによると、CueはすでにElevenLabsのすべてのSpeech to Text、つまりScribe経由の文字起こしを裏で支えているんですよね。単体でもForced Alignment APIとして使えると。
テキトー教師DotAI 認定講師そこが実務目線で大きいところです。既存の文字起こしの精度が上がる話と、APIとして自分たちのパイプラインに組み込める話が同時に進んでいる。
まずは何がすごいのかを整理しましょう。
まずは何がすごいのかを整理しましょう。
ElevenLabs Cueとは？何がすごいのか
まとめ
ElevenLabs Cueの要点
- テレビ映画でセリフと字幕がズレて物語に集中できない感覚が例示されている
- 映像や音声モデルを使うソフトでも同じ問題（1秒遅れの字幕、誤った単語をハイライトする書き起こし）が起きる
- Cueはその「壊れている」と感じる体験を直すモデル
- 研究担当Danila Kozlov氏によれば、人間は単語レベルならメディアを合わせるのは得意だが、文字レベル・サブミリ秒の精度は一気に難しくなる
- Cueはその文字レベルの精度を狙う
- AIアラインメント（AIの価値観を人間に合わせる話）とは名前が同じだけで全く別物。純粋にテキストと音の位置合わせ
- 字幕・吹き替え・歌詞タイミング・文字起こし同期の4つの用途に効く
室谷代表取締役ブログの書き出しが象徴的で、テレビ映画でセリフと字幕がズレて物語に集中できなくなる、あの感覚を例に出しているんですよ。映像や音声モデルを使うソフトでも同じ問題が起きる、と。
テキトー教師DotAI 認定講師1秒遅れて出る字幕、誤った単語をハイライトする書き起こし。あれは「壊れている」と感じる体験なんですよね。
Cueはまさにそこを直しにきたモデルです。
Cueはまさにそこを直しにきたモデルです。
室谷代表取締役研究を担当したDanila Kozlov氏の言葉も面白くて、人間は単語レベルならメディアを合わせるのは得意だけど、文字レベル、サブミリ秒の精度となると一気に難しくなる、と。Cueはその文字レベルの精度を狙っているわけです。
テキトー教師DotAI 認定講師ここで混同しやすいのが「AIアラインメント」との違いです。AIの価値観を人間に合わせる話ではなく、純粋にテキストと音の位置合わせ。
名前が同じだけで全く別物なんですよ。
名前が同じだけで全く別物なんですよ。
室谷代表取締役だからこそ、字幕・吹き替え・歌詞タイミング・文字起こし同期という4つの用途に効いてくる。このあたりは後半でじっくり話しましょう。
強制アラインメントとは？字幕や文字起こしの「ズレ」をなくす仕組み
強制アラインメントの処理の流れ
- 01音声を文字起こしScribeが音声をテキストに変換する
- 02テキストと音声を突き合わせCueが書き起こしテキストと音声を照合する
- 03タイムスタンプを付与各文字・各単語にタイムスタンプが付く
- 04正しい位置に着地字幕・吹き替え・歌詞・クリックジャンプが正しい位置に合う
テキトー教師DotAI 認定講師まず仕組みを構造化しておきます。強制アラインメントは、映像と書き起こしテキストを渡されて「各単語を発話された瞬間に合わせる」作業のことです。
室谷代表取締役ブログでも「動画と書き起こしを渡されて、各単語を話された瞬間に合わせる、それが強制アラインメントだ」と説明されています。ElevenLabsの書き起こしで単語をクリックすると再生位置が飛ぶ、あれもアライナーがやっている仕事なんですよね。
テキトー教師DotAI 認定講師役割を整理するとこうです。
- 音声をScribeが文字起こしする
- そのテキストと音声をCueが突き合わせる
- 各文字・各単語にタイムスタンプが付く
- 字幕・吹き替え・歌詞・クリックジャンプが正しい位置に着地する
室谷代表取締役CueはSpeech to Textパイプラインの最終工程に組み込まれている、と。Scribeが文字起こしをして、アライナーがタイミングを決める。
すべてのScribeリクエストがCueを通るわけです。
すべてのScribeリクエストがCueを通るわけです。
テキトー教師DotAI 認定講師だからこそ、精度・速度・同時処理能力の3つが全部要求される。ここが従来との差になってくるんですよ。
Cueでできること——字幕・吹き替え・歌詞タイミング・文字起こし同期
Cueでできること
字幕
映像に字幕を合わせるユースケースが公式ドキュメントに記載
吹き替え
公式ブログでCueが吹き替えを支えると紹介
歌詞タイミング
歌にも対応。言葉が伸びたり濁ったりする難しさがあるとブログに記載。カラオケのタイミングをリリース当日に用意できる可能性
文字起こし同期
ナレーション音声と原稿テキストから読み上げ位置を文字単位で持てる。電子書籍のオーディオブック録音にタイミングを付ける用途
Forced Alignment API
単体ではForced Alignment APIとして提供されると公式ブログに記載
室谷代表取締役公式ブログでは、Cueが字幕、吹き替え、音楽の歌詞タイミングを支え、単体ではForced Alignment APIとして提供されると書かれています。
テキトー教師DotAI 認定講師ドキュメントのユースケースも具体的で、映像に字幕を合わせる、電子書籍のオーディオブック録音にタイミングを付ける、という2つが挙げられています。
室谷代表取締役オーディオブックの例は実務で効きますよね。ナレーション音声と原稿テキストがあれば、読み上げ位置を文字単位で持てる。
MYUUUでも音声コンテンツを扱うので、これは刺さる話なんですよ。
MYUUUでも音声コンテンツを扱うので、これは刺さる話なんですよ。
テキトー教師DotAI 認定講師講座でも「字幕がズレる」「クリックしても違う単語に飛ぶ」という相談はよく出ます。原因はアライナー側だった、というケースが少なくない。
室谷代表取締役歌詞タイミングも面白いところで、Cueは歌にも対応しているんですよね。歌は言葉が伸びたり濁ったりするので難しい、とブログにも書かれています。
テキトー教師DotAI 認定講師音楽まで守備範囲に入っているのは、字幕や吹き替えとは別の広がりを感じます。カラオケのタイミングをリリース当日に用意できる可能性がある、とブログも触れていますね。
室谷代表取締役音声編集で単語単位に切り貼りする、リップシンクに使う、といった用途も、文字単位のタイムスタンプがあって初めて成立する話です。
Cueの精度と速度：従来のオープンソース製アライナーと何が違うのか
テキトー教師DotAI 認定講師ここが発表の核心です。数字を整理しましょう。
まず前提として、従来のオープンソースのアライナーの多くは約30秒の短いクリップ向けに作られていて、長いファイルは分割が必要でした。
まず前提として、従来のオープンソースのアライナーの多くは約30秒の短いクリップ向けに作られていて、長いファイルは分割が必要でした。
室谷代表取締役分割すると継ぎ目で誤差が積み上がるんですよね。Cueは任意の長さの録音を1パスで処理する。
ここがまず違う。
ここがまず違う。
テキトー教師DotAI 認定講師精度の数字はこうです。
- 実録音での平均誤差：Cueは179ms、オープンソースは283ms〜6,000ms超
- 背景ノイズなどがある英語録音：Cueは平均57ms、他は65ms〜920ms
- 速度：1時間の音声を1GPUで約0.5秒、次に速いQwen3-ForcedAlignerは約2秒、最も遅いものは1分超
- 言語：単一モデルで90以上のベンチマーク言語をカバー、ベンチマーク29言語すべてでテストした全オープンソースアライナーより高精度
室谷代表取締役29言語すべてで上回った、というのが強いんですよね。しかもMMS-FAだけが29言語すべてを扱える他のツールで、単語の境界を捉える速度はCueの方が概して速かった、と。
テキトー教師DotAI 認定講師歌の数字も見逃せません。JamendoLyrics MultiLangデータセットの一部楽曲を英語・仏語・西語・独語で1パス処理し、単語の92.7%を0.3秒以内に配置。
次点は82.0%でした。平均開始誤差は0.82秒で、最も近い競合の約半分。
22曲中19曲以上で他の全ツールより高精度だったと報告されています。
次点は82.0%でした。平均開始誤差は0.82秒で、最も近い競合の約半分。
22曲中19曲以上で他の全ツールより高精度だったと報告されています。
室谷代表取締役ここで注意したいのが、Cueは文字レベルで動くのに、ベンチマークは単語レベルのラベルで採点しているという点。Kozlov氏も「文字レベルのシステムを単語レベルのベンチマークで測るので、Cueの潜在能力を必ずしも示していない」と話しているんですよ。
つまり数字は控えめに出ている可能性がある。
つまり数字は控えめに出ている可能性がある。
テキトー教師DotAI 認定講師モデルは以前のElevenLabsのアライナーより小さくなった、というのも興味深い。大きくすれば賢くなるという流れに逆らっている。
室谷代表取締役あと運用の話で印象的なのが、Cueを出した直後に顧客から「ジョージア語などリソースの少ない言語の精度が期待より低い」と連絡が入り、調査して新しいバージョンを学習してリリースするまで24時間以内だった、というエピソード。研究と顧客対応が近いからできる芸当ですよね。
テキトー教師DotAI 認定講師Cueの使い方・始め方——Forced Alignment APIとScribeでの利用
室谷代表取締役使い方は2ルートです。ひとつはScribeの文字起こしを通す形。
これはすでに全リクエストにCueが使われているので、意識しなくても恩恵を受けている。
これはすでに全リクエストにCueが使われているので、意識しなくても恩恵を受けている。
テキトー教師DotAI 認定講師もうひとつがForced Alignment API。公式ドキュメントのエンドポイントはPOST /v1/forced-alignmentで、multipart形式でfileとtextを渡す形ですね。
室谷代表取締役レスポンスはcharactersとwords、そしてloss。charactersは各文字のtext・start・end、wordsはtext・start・end・lossを持つ。
全体の平均的なアラインメント損失、つまり信頼度スコアも返ってくるわけです。
全体の平均的なアラインメント損失、つまり信頼度スコアも返ってくるわけです。
テキトー教師DotAI 認定講師仕様の数字を整理するとこうです。
- 入力テキストはプレーンな文字列のみ（JSONなどで包まない）
- 話者分離（ダイアライゼーション）は非対応。分離済みテキストを渡すと予期しない結果になる
- 最大ファイルサイズ：3GB（APIリファレンスでは1GB未満との記載）
- 最大音声長：10時間
- 最大テキスト長：675,000文字
- 主要な音声フォーマットに対応
室谷代表取締役ファイルサイズの記載がドキュメントで3GB、APIリファレンスで1GB未満と食い違っているので、実装時は厳しい側で見ておくのが安全なんですよね。ここは現時点で統一された記載になっていません。
テキトー教師DotAI 認定講師あと見落としがちなのが、話者分離が非対応という点。会議音声のように複数話者が混ざる素材は、そのままでは期待どおりにいかないので注意が必要です。
室谷代表取締役API連携の実装パターンは、CursorとChatGPT（OpenAI API）連携完全ガイド【2026年最新】：APIキー設定・料金・Slack連携まで徹底解説で扱っているようなAPIキー管理の考え方がそのまま流用できます。
テキトー教師DotAI 認定講師認証はxi-api-keyヘッダーですね。ドキュメントには開発者向けの統合ガイドとAPIリファレンスへの導線も用意されています。
Cueの料金と日本語対応——日本から使えるのか
室谷代表取締役料金はSpeech to Text APIと同じレート、とドキュメントに明記されています。Cue単体の特別な価格表があるわけではないんですよね。
テキトー教師DotAI 認定講師ここは大事で、既存の文字起こしの課金体系の中で強制アラインメントも扱えるという理解になります。個別の金額は公式の料金ページで確認が必要です。
室谷代表取締役日本語対応も気になるところですが、Forced Alignmentのドキュメントには多言語v2モデルが29言語に対応し、その中に日本語が含まれていると書かれています。
テキトー教師DotAI 認定講師29言語には英語（米・英・豪・加）、日本語、中国語、ドイツ語、ヒンディー語、フランス語、韓国語、ポルトガル語、イタリア語、スペイン語、インドネシア語、オランダ語、トルコ語、フィリピン語、ポーランド語、スウェーデン語、ブルガリア語、ルーマニア語、アラビア語、チェコ語、ギリシャ語、フィンランド語、クロアチア語、マレー語、スロバキア語、デンマーク語、タミル語、ウクライナ語・ロシア語が並びます。
室谷代表取締役日本語の音声とテキストを渡して文字単位のタイムスタンプが取れる、という建て付けです。ただし29言語のベンチマークで最高精度だったという話と、日本語個別の誤差数値が公開されているかは別の話なので、そこは現時点では明らかにされていません。
テキトー教師DotAI 認定講師日本から使えるかという点では、ElevenLabsのサイト自体が日本語表示に対応していて、APIもグローバルに提供されています。国内からの利用を妨げる記載は見当たりません。
室谷代表取締役テキトー教師DotAI 認定講師なお、Cueは2026年1月発表の音声認識モデルScribe v2の基盤技術として位置づけられています。Scribe v2側では単語レベルの正確なタイムスタンプや話者分離、エンティティ検出などがうたわれていて、Cueはそのタイミング精度を担う層という整理ですね。
よくある質問
室谷代表取締役ここまでの話を、よく聞かれる形で整理しておきます。
テキトー教師DotAI 認定講師まず「Cueとは何か」。ElevenLabsが2026年10月28日に発表した強制アラインメントモデルで、音声とテキストを突き合わせて各文字・各単語のタイムスタンプを付けるものです。
室谷代表取締役「AIアラインメントと関係あるのか」。関係ありません。
こちらはテキストと音の位置合わせを指す用語で、AIの価値観を人間に合わせる話とは別物です。
こちらはテキストと音の位置合わせを指す用語で、AIの価値観を人間に合わせる話とは別物です。
テキトー教師DotAI 認定講師「どうやって使うのか」。Scribeの文字起こし経由で自動的に使われるほか、Forced Alignment APIのPOST /v1/forced-alignmentでfileとtextを渡して単体利用できます。
室谷代表取締役「料金は」。Speech to Text APIと同じレートです。
個別の金額は公式の料金ページで確認してください。
個別の金額は公式の料金ページで確認してください。
テキトー教師DotAI 認定講師「日本語は対応しているのか」。多言語v2モデルの29言語に日本語が含まれています。
室谷代表取締役「話者分離はできるのか」。非対応です。
分離済みのテキストを渡すと予期しない結果になると明記されています。
分離済みのテキストを渡すと予期しない結果になると明記されています。
テキトー教師DotAI 認定講師「長い音声は扱えるのか」。最大10時間、テキストは675,000文字まで。
ファイルサイズはドキュメントで3GB、APIリファレンスで1GB未満と記載が分かれているので、実装では余裕を見ておくのが無難です。
ファイルサイズはドキュメントで3GB、APIリファレンスで1GB未満と記載が分かれているので、実装では余裕を見ておくのが無難です。
室谷代表取締役「従来のオープンソースと何が違うのか」。任意の長さを1パスで処理し、29言語のベンチマークすべてでテストした全オープンソースアライナーより高精度。
実録音の平均誤差は179msで、1時間の音声を約0.5秒で整列します。
実録音の平均誤差は179msで、1時間の音声を約0.5秒で整列します。
テキトー教師DotAI 認定講師まとめると、Cueは「地味だが全製品の体験を底上げする層」の発表です。字幕や吹き替え、文字起こしの同期精度を上げたいなら、まずForced Alignment APIのドキュメントを確認するところから始めるのがよさそうです。
室谷代表取締役音声とテキストの同期は、派手じゃないけどプロダクトの信頼に直結するんですよね。ここを1パスで高精度に処理できるモデルが出てきた意味は、現場で使うほど実感できると思います。
