Wir stellen vor: Eleven v4, unser emotionalstes Modell

Eine Textzeile kann je nachdem, wie sie gesprochen wird, eine völlig andere Wirkung haben. „Ich brauche Sie, damit Sie ruhig bleiben“ sollte anders klingen, je nachdem, wer es sagt – ob ein Arzt es einem verängstigten Patienten behutsam sagt oder eine Spielfigur es ihrem Team vor dem Sprung in die Schlacht zuruft.

Heute veröffentlichen wir Eleven v4, unser bisher ausdrucksstärkstes Text-to-Speech-Modell, sowie seine Variante mit niedriger Latenz, Eleven v4 Turbo.

Von Artificial Analysis auf Platz 1 eingestuft¹ und in Blindtests im direkten Vergleich von rund 75 % der Hörer gegenüber konkurrierenden Modellen bevorzugt², wurde Eleven v4 dafür entwickelt, Tonfall, Tempo, Emotion, Charakter und Kontext zu interpretieren. Es erzeugt Sprache, die dramatisch, zärtlich, dringlich, komödiantisch oder dialogisch klingen kann, ohne die Identität des Sprechers zu verlieren. Natürlichere Dynamiken zwischen mehreren Sprechern lassen Gespräche reaktionsfähig wirken, statt wie zusammengesetzte Einzelzeilen. Sprecher reagieren auf den Kontext des Gesprächs und erzeugen dadurch natürlichere Dialoge und Interaktionen zwischen Charakteren.

Eine neue Architektur für hohe Leistung

Eleven v4 basiert auf einer völlig neuen Architektur und ist unser ausdrucksstärkstes Text to Speech-Modell, das von Artificial Analysis auf Platz 1 eingestuft wurde¹. Eleven v4 Turbo bringt dieselbe Technologie in Anwendungen mit niedriger Latenz wie Agents. Mit einer medianen Inferenzlatenz von etwa 100 ms kann es schneller reagieren als die durchschnittliche Sprechpause zwischen zwei Menschen.

Beide Modelle können Sprache erzeugen, die emotional statt mechanisch wirkt. Auch die Audioqualität ist durchgehend höher, mit saubereren und natürlicher klingenden Ergebnissen.

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

Nutzer haben außerdem präzise Kontrolle über die Ergebnisse und können in natürlicher Sprache beschreiben, wie eine Zeile gesprochen werden soll. Sie können auch konkrete Anweisungen dazu ergänzen, wie bestimmte Phrasen gesprochen werden sollen, welche Emotion sie vermitteln sollen und sogar Soundeffekte nutzen – mit Inline-Tags wie [laughs], [said angrily in French accent], [light rain] oder [phone buzzing]. Eleven v4 befolgt diese Audio-Tags und Regieanweisungen genauer als frühere Modelle. So erhalten Sie die Sprechweise, die Sie beschreiben. Das erleichtert die Regie von Erzählungen, die Ausarbeitung von Charakteren und Dialogen sowie alle anderen Fälle, in denen die Darbietung entscheidend ist.

Die Entwicklerdokumentation von ElevenLabs erläutert 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 hält Sprache in Agent-Gesprächen, Hörbüchern oder Werbung konsistent. Da das Modell den Kontext einer ganzen Szene versteht, erzeugt es natürliche Dialoge, in denen Sprecher auf das zuvor Gesagte reagieren, statt isolierte Zeilen aneinanderzureihen.

Ein Turbo-Modell für Anwendungen mit niedriger Latenz

Hochwertige Sprachmodelle erzeugen Sprache meist langsamer. Nutzer mussten sich daher zwischen schnellen oder ausdrucksstarken Voice Agents entscheiden. Viele wählen leistungsfähige, aber monotone Agents, die auf einen gestressten Kunden, der einfach nur sein Problem lösen möchte, robotisch wirken können.

Eleven v4 Turbo verbindet Geschwindigkeit und Emotion mit einer medianen Zeit bis zur ersten Sprachausgabe von etwa 150 ms³. So lassen sich leistungsstarke Agents in unzähligen Branchen einsetzen – von warmherzigen, beruhigenden Agents im Gesundheitswesen, die medizinische Fachbegriffe korrekt aussprechen, bis zu schnell sprechenden, Slang verwendenden Agents zur Unterhaltung von Spielern im Gaming.

Das Modell Eleven v4 Turbo wurde für die Zusammenarbeit mit der Plattform für konversationelle Agents von ElevenLabs entwickelt, ElevenAgents. Andere Anbieter von Agent-Buildern verknüpfen Modelle und Software verschiedener Anbieter. Dadurch haben Nutzer keine Möglichkeit, die Modellergebnisse für ihre individuellen Anwendungsfälle zu verfeinern oder zu verbessern. Die Forschungs- und Entwicklungsteams von ElevenLabs haben Eleven v4 Turbo und ElevenAgents gemeinsam als ein System optimiert. Das liefert ausdrucksstärkere, zuverlässigere Agents mit niedriger Latenz.

Eine Stimme, unzählige Sprachen

Wie wir kommunizieren, variiert je nach Kontext, Ort und sogar Tageszeit. 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. Die Verbesserungen gehen weit über die Aussprache einzelner Phrasen hinaus. Eleven v4 erfasst Rhythmus, Emotion und Sprechweise sprachübergreifend besser und hilft Kreativen, Sprache zu erzeugen, die sich für Sprache und Kontext natürlich anfühlt. Wie Sie mit einer älteren fremden Person in Japan sprechen würden, unterscheidet sich beispielsweise stark davon, wie Sie mit ihr in Italien sprechen würden.

Sowohl Eleven v4 als auch Eleven v4 Turbo unterstützen mehr als 90 Sprachen. Eine in einer Sprache aufgezeichnete Stimme kann nun auch jede andere Sprache fließend sprechen. Sie übernimmt dabei den Akzent eines Muttersprachlers und behält zugleich die Identität des Originals. Die Akzenttreue ist merklich besser als zuvor. Die Stimme driftet während einer Generierung nicht mehr zu ihrem ursprünglichen Akzent zurück.

Für Synchronisation und Lokalisierung bedeutet das: Die Markenstimme, für die Sie sich entschieden haben – ob es sich um einen prominenten Schauspieler handelt, mit dem Sie zusammenarbeiten, oder um einen Tonfall, der zum Stil Ihres Unternehmens passt –, klingt in jeder von Eleven v4 unterstützten Sprache überzeugend.

Authentischeres, konsistenteres Klonen von Stimmen

Das Klonen von Stimmen ist mit Eleven v4 und Eleven v4 Turbo authentischer, leistungsfähiger und konsistenter. Die Ähnlichkeit zum ursprünglichen Quellsprecher ist deutlich höher. Instant Voice Clones können Stimmen jetzt mit nur 10 Sekunden Audiomaterial in hoher Qualität erfassen.

Eleven v4 bewahrt die Sprecheridentität auch über Generierungen, Dialoge, Erzählungen und neu generierte Zeilen hinweg zuverlässiger. Bei Langformprojekten bleiben Charaktere, Sprecher und geklonte Stimmen damit über die gesamte Produktion konsistent. Eleven v4 unterstützt nun auch Professional Voice Clones (PVC) für Anwendungsfälle, die höchste Klonqualität erfordern.

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 ausdrucksstarken Sprachgenerierung. Sie wurden für Inhalte entwickelt, bei denen die Darbietung genauso wichtig ist wie die Worte selbst – ob Hörbücher, Charakterdarstellungen, Voiceovers, Synchronisation oder die Lokalisierung konversationeller Agents.

Beide Modelle sind jetzt in ElevenAgents, ElevenCreative und über die ElevenAPI verfügbar. Erstellen Sie ein kostenloses Konto, um noch heute mit Eleven v4 oder Eleven v4 Turbo zu 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. Sie bewerteten, welches Modell ausdrucksstärker und welches natürlicher klang; Unentschieden zählten zur Hälfte.}
3. ^{Mediane Zeit von der Anfrage bis zur hörbaren Sprachausgabe. 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.}