Wir stellen vor: Eleven v4, unser emotionalstes Modell

Eine Textzeile kann sich je nachdem, wie sie gesprochen wird, stark verändern. „Ich brauche Sie, um ruhig zu bleiben“ sollte anders klingen, je nachdem, wer es sagt – ob ein Arzt es einem verängstigten Patienten sanft vermittelt oder eine Figur in einem Spiel es ihrem Trupp vor dem Sprung in die Schlacht zuruft.

Heute veröffentlichen wir Eleven v4, unser bisher emotionalstes Text-to-Speech-Modell, und seine Variante mit geringer Latenz, Eleven v4 Turbo.

Von Artificial Analysis auf Platz 1 eingestuft¹, und in Blindvergleichen von rund 75 % der Zuhörer gegenüber konkurrierenden Modellen bevorzugt², wurde Eleven v4 entwickelt, um Tonfall, Tempo, Emotion, Charakter und Kontext zu interpretieren. Es erzeugt Sprache, die dramatisch, einfühlsam, dringlich, komisch oder dialogorientiert klingen kann, und bewahrt dabei die Identität des Sprechers. Natürlichere Dynamiken zwischen mehreren Sprechern lassen Gespräche reaktionsfähig wirken, statt wie zusammengesetzte einzelne Zeilen. Sprecher reagieren auf den Kontext des Gesprächs und erzeugen so natürlichere Dialoge und Interaktionen zwischen Charakteren.

Eine neue Architektur für Leistung

Eleven v4 basiert auf einer vollständig neuen Architektur und ist unser emotionalstes Text to Speech-Modell, das von Artificial Analysis auf Platz 1 eingestuft wurde¹. Eleven v4 Turbo bringt dieselbe Technologie in Anwendungsfälle mit geringer Latenz wie Agenten. Mit einer medianen Inferenzlatenz von etwa 100 ms kann es schneller reagieren als die durchschnittliche Pause zwischen zwei Menschen im Gespräch.

Beide Modelle können Sprache erzeugen, die emotional statt mechanisch wirkt. Auch die zugrunde liegende Audiotreue ist durchgehend höher, mit klareren und natürlicher klingenden Ergebnissen. 

Frühere Generationen von Text-to-Speech-Modellen können Text vorlesen, doch Eleven v4 verleiht Sprache eine emotionale Tiefe, die deutlich natürlicher wirkt. Das Modell kann den beabsichtigten Tonfall, das Sprechtempo, den Charakter des Textes und dessen Kontext interpretieren, um emotional wirkungsvolle Sprache zu erzeugen.

Nutzer haben außerdem detaillierte Kontrolle über die Ausgaben und können in natürlicher Sprache beschreiben, wie eine Zeile gesprochen werden soll. Sie können auch konkrete Anweisungen dazu hinzufügen, wie bestimmte Formulierungen gesprochen werden sollen, welche Emotion sie vermitteln sollen, und sogar Soundeffekte einsetzen – mit Inline-Tags wie [laughs], [said angrily in French accent], [light rain] oder [phone buzzing]. Eleven v4 befolgt diese Audio-Tags und Regieanweisungen präziser als frühere Modelle, sodass Sie die beschriebene Sprechweise auch erhalten. Das erleichtert es, Erzählungen zu inszenieren, Charaktere oder ihre Dialoge auszugestalten und andere Inhalte umzusetzen, bei denen die Sprechweise wichtig ist. 

Die ElevenLabs-Entwicklerdokumentation beschreibt die vollständige Tag-Syntax und wie Sie diese Tags über die API anwenden. Auch die Unterstützung für Phoneme des Internationalen Phonetischen Alphabets (IPA) wurde deutlich verbessert, sodass benutzerdefinierte Aussprachen zuverlässiger funktionieren.

Eleven v4 verbessert außerdem die Konsistenz und dynamische Gespräche zwischen mehreren Sprechern. Mit einer neuen Methode zur Erfassung von Sprecheridentitäten bewahrt Eleven v4 die einzigartigen Eigenschaften jeder Stimme. Es kann Sprache in Agentengesprächen, Hörbüchern oder Werbung konsistent halten. Da das Modell den Kontext einer gesamten Szene versteht, erzeugt es natürliche Dialoge, in denen Sprecher auf das gerade Gesagte reagieren, statt isolierte Zeilen aneinanderzureihen.

Ein Turbo-Modell für Anwendungsfälle mit geringer Latenz

Hochwertige Sprachmodelle brauchten bisher meist länger, um Sprache zu erzeugen. Nutzer mussten daher zwischen schnellen oder ausdrucksstarken Sprachagenten wählen. Viele entschieden sich für kompetente, aber monotone Agenten, die auf einen aufgewühlten Kunden, der nur sein Anliegen klären möchte, roboterhaft wirken können. 

Eleven v4 Turbo verbindet Geschwindigkeit und Emotion mit einer medianen Zeit bis zur ersten Sprachausgabe von etwa 150 ms³, sodass leistungsstarke Agenten in unzähligen Branchen eingesetzt werden können: von warmherzigen, beruhigenden Agenten im Gesundheitswesen, die medizinische Begriffe korrekt aussprechen, bis zu schnell sprechenden Agenten mit Slang, die Spieler im Gaming unterhalten.

Das Modell Eleven v4 Turbo wurde für die Zusammenarbeit mit der Plattform für konversationelle Agenten von ElevenLabs entwickelt: ElevenAgents. Andere Anbieter für Agenten kombinieren Modelle und Software verschiedener Anbieter. Dadurch fehlt Nutzern eine Möglichkeit, die Modellausgaben für ihre individuellen Anwendungsfälle zu verfeinern oder zu verbessern. Die Forschungs- und Entwicklungsteams von ElevenLabs haben Eleven v4 Turbo und ElevenAgents als ein System optimiert und liefern so ausdrucksstärkere, zuverlässigere Agenten mit geringer Latenz.  

Eine Stimme, unzählige Sprachen 

Wie wir kommunizieren, hängt vom Kontext, dem Ort und sogar von der Tageszeit ab. Ausdrucksstarke Sprache zu entwickeln, die dies sprachübergreifend widerspiegelt, bleibt eine der schwierigsten Herausforderungen der Audio-KI. 

Eleven v4 ist in all diesen Bereichen ein Fortschritt, und die Verbesserungen gehen weit über die Aussprache einzelner Formulierungen hinaus. Eleven v4 erfasst Rhythmus, Emotion und Sprechweise sprachübergreifend besser und hilft Kreativen, Sprache zu erzeugen, die sich in Sprache und Kontext natürlich anfühlt. Wie Sie beispielsweise mit einer älteren fremden Person in Japan sprechen würden, unterscheidet sich deutlich davon, wie Sie sie in Italien ansprechen würden. 

Sowohl Eleven v4 als auch Eleven v4 Turbo unterstützen mehr als 90 Sprachen. Eine in einer Sprache aufgezeichnete Stimme spricht nun auch jede andere Sprache fließend, übernimmt den Akzent eines Muttersprachlers und bewahrt zugleich die Identität des Originals. Diese Akzenttreue ist deutlich stärker als zuvor, sodass die Stimme im Verlauf einer Generierung nicht mehr zu ihrem ursprünglichen Akzent zurückkehrt.

Für Synchronisation und Lokalisierung bedeutet das: Die Stimme Ihrer Marke – ob es sich um einen bekannten Schauspieler handelt, mit dem Sie zusammenarbeiten, oder um einen Ton, der am besten zum Stil Ihres Unternehmens passt – klingt in jeder von Eleven v4 unterstützten Sprache überzeugend.

Authentischeres, konsistentes Klonen von Stimmen

Das Klonen von Stimmen ist mit Eleven v4 und Eleven v4 Turbo authentischer, leistungsstärker und konsistenter, mit deutlich höherer Sprecherähnlichkeit zur ursprünglichen Quellstimme. Instant Voice Clones können Stimmen jetzt mit nur 10 Sekunden Audiomaterial hochpräzise erfassen. 

Eleven v4 bewahrt die Sprecheridentität auch über Generierungen, Dialoge, Erzählungen und neu generierte Zeilen hinweg zuverlässiger. Das bedeutet, dass Charaktere, Erzähler und geklonte Stimmen bei Langformprojekten über die gesamte Produktion hinweg konsistent bleiben. Eleven v4 unterstützt zudem Professional Voice Clones (PVC) für Anwendungsfälle mit höchsten Anforderungen an die Klonqualität.

Auch Request Stitching – das Verketten von Generierungen für längere Inhalte – ist in Eleven v4 deutlich zuverlässiger. Das verbessert die Arbeit mit ElevenLabs Studio und der ElevenLabs Reader App.

Hören Sie den Unterschied selbst  

Eleven v4 und Eleven v4 Turbo sind das Ergebnis unserer neuesten Forschung zur Erzeugung ausdrucksstarker Sprache. Sie wurden für Inhalte entwickelt, bei denen die Sprechweise genauso wichtig ist wie die Worte selbst – etwa Hörbücher, Charakterdarstellungen, Voiceovers, Synchronisation oder die Lokalisierung konversationeller Agenten.

Beide Modelle sind jetzt in ElevenAgents, ElevenCreative und über die ElevenAPI verfügbar. Kostenloses Konto erstellen und noch heute mit Eleven v4 oder Eleven v4 Turbo generieren.

1. ^{Artificial Analysis, Provider Voice Arena Leaderboard, September 2026}
2. ^{Basierend auf Blindtests zur Nutzerpräferenz im direkten Vergleich mit Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS und Google Gemini 3.8 Flash TTS, September 2026. Für jedes Paar hörten die Bewerter dieselbe Zeile von Eleven v4 und einem Wettbewerber, ohne zu wissen, welches Modell sie hörten, und beurteilten, welches ausdrucksstärker und welches natürlicher klang. Unentschieden zählten zur Hälfte.}
3. ^{Mediane Zeit von der Anfrage bis zur hörbaren Sprache. Gemessen im September 2026 mit identischen Skripten und Standardeinstellungen gegenüber Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS und OpenAI GPT-4o mini TTS; die Netzwerklatenz wurde für alle Systeme gemessen und herausgerechnet. Eleven v4 Turbo über WebSocket-Streaming.}