Pausen in KI-Voiceovers mit Eleven v4 hinzufügen

Bei einem KI-Text-to-Speech-Modell ist die Darbietung entscheidend. Stimmqualität und ein Verständnis für Prosodie sind zwar wichtig, doch ohne das richtige Timing zerfällt ein Satz. Ein zusätzlicher Takt nach einer Zeile oder längere Stille kann entscheidend für ein hochwertiges Ergebnis sein. 

Bei herkömmlichen Text-to-Speech-Tools sind Pausen dem Zufall überlassen. Eine Generierung trifft vielleicht genau das Gewünschte, doch beim nächsten Klick auf „Neu generieren“ ist es wieder weg. Eleven v4 bietet verbesserte Workflows für die erneute Generierung und macht das zur Vergangenheit. Passen Sie einzelne Zeilen oder Phrasen in Ihrem Skript einfach an. 

Damit Sie von Anfang an das bestmögliche Skript erstellen, bietet Eleven v4 drei Möglichkeiten, Pausen für KI-Voiceovers direkt in Ihren Text einzubauen. Hier erfahren Sie, wie sie funktionieren und wann Sie sie verwenden sollten.

Zusammenfassung

• SSML-Tags funktionieren nicht in Eleven v4. Das System verwendet Audio Tags, mit denen Sie Regieanweisungen wie [long pause] oder [whispers] direkt in Ihr Skript schreiben.
• Durch Änderungen der Zeichensetzung können Sie mit dem Rhythmus eines Satzes spielen. Gedankenstriche, Auslassungspunkte und kurze Sätze prägen, wie Ihr TTS-Output klingt.
• Setzen Sie wirkungsvolle Pausen dort, wo eine Person beim Sprechen natürlich innehalten würde.
• Verwenden Sie bei Langform-Audio durchgehend dieselben Pausenkonventionen, damit Ihr Output konsistent bleibt.

Was hat sich gegenüber früheren Modellen geändert?

Frühere ElevenLabs-Modelle wie Multilingual v2 unterstützten die SSML-Syntax. Sie konnten mit einer Struktur wie <break time=”2.0s” /> eine 2-sekündige Pause innerhalb eines Satzes einfügen. Eleven v4 führt den mit Eleven v3 eingeführten Ansatz fort und ersetzt SSML-Tags durch die deutlich intuitiveren Audio Tags.

Für Autorinnen und Autoren wird es durch diesen Ersatz deutlich einfacher, Pausen in Ihren KI-Voiceovers zu erstellen. Statt genau wissen zu müssen, welches SSML-Tag Sie verwenden müssen, schreiben Sie einfach in natürlicher Sprache – [pause] und [long pause] erledigen den Rest. Diese Tags werden zu Anweisungen für das Modell. Es reagiert darauf und nutzt den Kontext der Szene, um eine nuancierte finale Darbietung zu erzeugen. Die genaue Länge der Pause passt zum Moment, statt eine vordefinierte, mechanische Stille zu sein.

Auch wenn dies nicht der Schwerpunkt dieses Artikels ist, können Sie Audio Tags auch verwenden, um emotionales Text to Speech zu erstellen, indem Sie die Emotionen innerhalb eines Absatzes variieren. 

Die drei Pausensteuerungen in Eleven v4

Eleven v4 bietet Ihnen drei Möglichkeiten, Pausen in KI-Voiceovers einzufügen. 

Wir zeigen Ihnen, wie jede davon in unserem Texteditor funktioniert, und veranschaulichen ihre Wirkung mit Audiobeispielen.

[pause]

Eine Pause ist ein kurzer Takt. Sie entspricht ungefähr einem Atemzug oder dem natürlichen Moment, den eine sprechende Person einlegt, bevor sie mit einem Satz fortfährt. Das [pause] Audio Tag eignet sich am besten nach einer einleitenden Zeile, zwischen zwei Ideen, die Sie trennen möchten, nach einer Phrase, die zusätzliche Betonung braucht, oder überall dort, wo ein Punkt allein zu gehetzt wirkt.

Im folgenden Beispiel verwenden wir dieselbe Zeile mit und ohne das [pause] Audio Tag. Auch ohne die Audioclips anzuhören, sehen Sie, dass einer vier und der andere sechs Sekunden lang ist. Die zusätzlichen Takte von [pause] summieren sich in den finalen Clips.

Die obigen Clips wurden mit Flint in Eleven v4 generiert.

[long pause]

Eine lange Pause ist bewusster gesetzt und erzeugt Momente der Stille in Ihren Audioclips. Sie können diese Stille für dramatische Spannung, in einer Pause zwischen Szenen, vor einer Enthüllung oder überall dort einsetzen, wo Sie Stille betonen möchten.

Hier ist ein Beispiel für [long pause] in einer Szene.

Dieser Audioclip wurde von Spuds Oxley in Eleven v4 vertont.

Zeichensetzung

Eleven v4 verwendet Zeichensetzung als Tempoanweisung. Auslassungspunkte verlangsamen die Darbietung einer Zeile und schaffen Momente des Zögerns. Eine variierte Satzstruktur durchbricht die Monotonie eines längeren Textes. Kurz. Prägnant. Direkt.

Sie können Audio Tags im gesamten Skript verwenden – und sollten es tun, um die Darbietung zu verbessern. Doch auch Zeichensetzung allein kann viel bewirken.

Im folgenden Abschnitt sehen Sie, wie Zeichensetzung einen Text zum Leben erweckt – selbst ohne Audio Tags.

Dieses Audiobeispiel wurde mit Lauren B in Eleven v4 zum Leben erweckt.

Pausen in Langform-Audio

Die Generierung von Langform-Audio funktioniert am besten, wenn Sie über die gesamte Länge Ihres Skripts hinweg einen einheitlichen Ansatz verfolgen. Wenn Sie beispielsweise für die ersten 1.500 Zeichen nur Zeichensetzung nutzen und in den letzten 1.000 Zeichen [long pause] Audio Tags einführen, kann der Output seltsam klingen.

Entscheiden Sie vor dem Schreiben Ihres Skripts, welchen Ansatz Sie wählen möchten. Oder wenden Sie Audio Tags, falls Ihr Skript bereits fertig ist, durchgehend einheitlich an. Die Schaltfläche „v4 Enhance“ neben „Generate speech“ fügt Ihrem Text automatisch Audio Tags hinzu.

Mit Eleven v4 in ElevenCreative starten

Eleven v4 erweckt Ihre Szenen zum Leben.

Indem Sie das Tempo Ihres Textes steuern und Audio Tags hinzufügen, erstellen Sie ausdrucksstarke Sprachdarbietungen mit über 17.500 Stimmen aus unserer Stimmbibliothek.

Lesen Sie den vollständigen Leitfaden zu emotionalem Text to Speech für weitere Einblicke oder registrieren Sie sich, um noch heute Ihre erste Generierung zu starten.

FAQ zu Pausen in KI-Voiceovers