Eleven v4 ist da: Was sich für Vertonungen ändert
ElevenLabs hat Eleven v4 und v4 Turbo am 28. September 2026 veröffentlicht. Was der Start verspricht und was Marketer und Gründer zuerst testen sollten.
ElevenLabs hat am 28. September 2026 zwei neue Modelle für Text-to-Speech veröffentlicht: Eleven v4 und den schnelleren Ableger Eleven v4 Turbo. Laut dem Launch-Beitrag des Unternehmens zielt v4 auf ausdrucksstärkere Sprache, Turbo auf niedrige Latenz, etwa für Live-Agenten.
Wenn Sie Voiceovers, Anzeigen oder Produktvideos produzieren, finden Sie hier, was neu ist und was wir zuerst testen würden.
Was hat ElevenLabs angekündigt?
Basierend auf dem Launch-Beitrag des Unternehmens und dem Changelog-Eintrag vom 28. September 2026:
- Zwei Modelle. Eleven v4 für ausdrucksstarke Erzählung und Eleven v4 Turbo für Tempo.
- Latenz. Berichte zum Start nennen eine mediane Inferenzlatenz von rund 100 Millisekunden für Turbo und eine mediane Zeit bis zur ersten Sprachausgabe von rund 150 Millisekunden. Beides sind Herstellerangaben, gemessen auf dem eigenen Setup.
- Sprachen. Beide Modelle decken rund 90 Sprachen ab, gegenüber 70 in der Vorversion.
- Ausdruckskontrolle. Die Modelle erfassen Tonfall, Tempo und Kontext und akzeptieren Audio-Tags im Skript, etwa [laughing] oder [whispering]. SSML-Pausen-Tags sind in v4 zugunsten dieser natürlichen Hinweise abgeschaltet.
- Stimmklonen. Eine Stimme lässt sich laut Berichten zum Start aus rund 10 Sekunden Audio klonen. Ältere Instant- und Professional-Klone müssen für v4 neu trainiert werden.
- Wo es läuft. Verfügbar in ElevenAgents, ElevenCreative und über die API.
Der Launch-Beitrag enthält außerdem Rangfolge-Behauptungen. Das sind Aussagen des Unternehmens. Behandeln Sie sie als Marketing, bis Sie das Modell mit Ihrem eigenen Skript gehört haben.
Warum ist das für Marketer wichtig?
Zwei Dinge fallen auf.
Erstens die Audio-Tags. Eine Anweisung wie „laughing“ oder ein Stimmungshinweis im Skript bedeutet weniger Wiederholungen und weniger Schnitt. Bei kurzen Anzeigen kann das den Unterschied machen zwischen einer Stimme, die vorgelesen klingt, und einer, die spricht.
Zweitens die kurze Klon-Probe. Zehn Sekunden senken die Hürde, eine Markenstimme zu erstellen. Sie erhöhen aber auch die Anforderungen an die Einwilligung. Klonen Sie nur Stimmen, für deren Nutzung Sie eine schriftliche Erlaubnis haben, und bewahren Sie diese Erlaubnis auf.
Was sollten Sie zuerst testen?
Wir würden einen Test von 30 Minuten machen, bevor Sie einen Workflow ändern.
- Nehmen Sie ein echtes 30-Sekunden-Skript, mit Ihrem Produktnamen und allen Zahlen.
- Erzeugen Sie es mit v4 und mit Ihrer aktuellen Stimme.
- Setzen Sie zwei oder drei Audio-Tags dort, wo ein Mensch pausieren oder lächeln würde.
- Rendern Sie es in Ihren zwei wichtigsten Sprachen und lassen Sie eine Muttersprachlerin oder einen Muttersprachler zuhören.
- Vergleichen Sie Kosten und Durchlaufzeit, nicht nur den Klang.
Wenn die Aussprache Ihres Markennamens in einer Sprache nicht stimmt, korrigieren Sie sie über ein Aussprachewörterbuch oder eine andere Schreibweise, bevor Sie das Modell beurteilen.
Was sollten Sie als Nächstes beobachten?
Preise, Ratenlimits und die reale Qualität in weniger verbreiteten Sprachen sind die offenen Fragen. Unser Ratgeber zur Wahl eines KI-Tools für Video, Stimme oder Bild behandelt die Rechte- und Kostenprüfungen, die Sie vor einer Entscheidung machen sollten. Der Hub für KI-Bilder, Video und Medien verfolgt neue Veröffentlichungen in diesem Bereich.
FAQ
Was ist Eleven v4?
Es ist das Text-to-Speech-Modell von ElevenLabs, veröffentlicht am 28. September 2026. Es ist für ausdrucksstärkere Sprache gebaut und nimmt Audio-Tags im Skript an.
Was ist der Unterschied zwischen v4 und v4 Turbo?
Turbo ist die Version mit niedriger Latenz für Echtzeit-Einsatz, mit einer medianen Inferenzlatenz, die das Unternehmen auf rund 100 ms angibt. v4 ist das ausdrucksstarke Modell für Erzählung und Content.
Kann ich eine Stimme mit 10 Sekunden Audio klonen?
ElevenLabs sagt, dass ein Klon inzwischen ab etwa 10 Sekunden funktioniert. Sie brauchen trotzdem die Erlaubnis der Person, deren Stimme es ist.
