Text to Speech

ElevenLabs nutzt neuronale Stimmenmodelle, die natürliche Rhythmik und Intonation erzeugen. Die Sprechweise passt sich der Bedeutung jedes Satzes an. Das Modell liest Satzzeichen und Kontext, um Aussprache und Tempo festzulegen, bevor es das Audio erstellt.

Eleven v4, unser emotionalstes Modell, ergänzt Audiotags wie [laughs] oder [whispers] für direkte Kontrolle über die Sprechweise. Hören Sie jede Stimme vor der Generierung an, um sich selbst von der Qualität zu überzeugen.

Fügen Sie Ihren Text in das Text-to-Speech-Tool von ElevenCreative ein, wählen Sie eine Stimme und ein Modell aus und klicken Sie auf „Generieren“. Spielen Sie das Ergebnis ab, passen Sie bei Bedarf die Stimmeinstellungen an und laden Sie die Datei herunter. Audio wird standardmäßig als MP3 heruntergeladen. 

Auf der Website können Sie im Tab „Verlauf“ auch WAV-, M4A- und FLAC-Dateien herunterladen. Über die API stehen folgende Formate zur Auswahl: 

• MP3 mit 22,05 bis 44,1 kHz und 32 bis 192 kbps (192 kbps ab Creator) 
• PCM (S16LE) mit 8 bis 48 kHz für Bearbeitung und Postproduktion (44,1 kHz ab Pro) 
• μ-law und A-law mit 8 kHz für Telefonie 
• Opus mit 48 kHz für Streaming-Apps

ElevenLabs läuft in jedem modernen Browser, und die ElevenLabs Mobile App ist für iOS und Android verfügbar. Entwickler können mit ElevenAPI dieselben Audiodateien erzeugen.

Text to Speech bietet zahlreiche Einsatzmöglichkeiten für Kreative und Unternehmen. Häufige TTS-Anwendungsfälle sind:

• Hörbücher und lange Erzählformate 
• Video-Voiceovers und Werbung
• E-Learning-Kurse und Schulungsmaterial
• Sprachagenten und IVR-Systeme
• Games und Charakterdialoge
• Barrierefreiheit für Menschen mit Legasthenie oder Sehschwäche
• Sprachenlernen mit muttersprachlicher Aussprache
• Audioversionen von Artikeln für Verlage

Text to Speech wandelt Text in Audio um, während Speech to Text den umgekehrten Weg geht und Audio in Text transkribiert. Conversational AI kombiniert beides mit einem Sprachmodell, damit ein Sprachagent in Echtzeit zuhören und antworten kann. 

• Text to Speech: Sie geben ein Skript ein, und ElevenLabs gibt eine Stimme zurück, die es vorliest.
• Speech to Text: Sie geben Audio ein, und ElevenLabs gibt ein Transkript zurück.
• Konversations-KI: ElevenAgents kombiniert STT und TTS mit einem Sprachmodell in einem Agenten mit geringer Latenz.

ElevenLabs entwickelt eigene Stimmmodelle. Damit deckt eine Plattform ausdrucksstarke Erzählungen und Sprachagenten in Echtzeit ab. Das bedeutet in der Praxis:

• 17.500+ Stimmen sowie Voice Design und KI-Stimme klonen für individuelle Stimmen
• 90+ Sprachen mit Eleven v4
• Audiotags für Emotionen und Soundeffekte direkt im Skript 
• Echtzeit-Streaming mit Eleven v4 Turbo bei einer medianen Inferenzlatenz von ~100 ms
• ElevenAPI mit TypeScript- und Python-SDKs
• SOC-2-Konformität sowie HIPAA-Unterstützung in Enterprise-Plänen

Über 1 Mio. Nutzer und mehr als 66 % der Fortune-500-Unternehmen vertrauen ElevenLabs.

Verwenden Sie Eleven v4 für besonders ausdrucksstarkes Audio und Eleven v4 Turbo, wenn Sie diesen Ausdruck in Echtzeit benötigen. Frühere Modelle bleiben verfügbar für spezielle Anforderungen.

• Eleven v4: Das ausdrucksstärkste ElevenLabs-Modell mit 90+ Sprachen, Audiotags, Dialogen mit mehreren Sprechern, Unterstützung für Professional Voice Clone und bis zu 10.000 Zeichen pro Anfrage. Ideal für Hörbücher, Film, Games und Werbung.
• Eleven v4 Turbo: Der Ausdrucksbereich von v4 bei einer medianen Inferenzlatenz von ~100 ms. Ideal für Sprachagenten und Live-Apps. 
• Eleven v3: 70+ Sprachen und Audiotags, mit bis zu 5.000 Zeichen pro Anfrage.
• Multilingual v2: 29 Sprachen und bis zu 10.000 Zeichen pro Anfrage.
• Flash v2.5: 32 Sprachen, ~75 ms Modelllatenz, bis zu 40.000 Zeichen pro Anfrage und über die API zum halben Preis pro Zeichen. 

Alle Modelle funktionieren über ElevenAPI. Zum Wechseln müssen Sie nur die Modell-ID ändern. Diese Zeichenlimits gelten pro API-Anfrage.

ElevenLabs Text to Speech unterstützt mit Eleven v4 und Eleven v4 Turbo 90+ Sprachen. Der Umfang variiert je nach Modell: Eleven v3 unterstützt 70+ Sprachen, Flash v2.5 unterstützt 32 und Multilingual v2 unterstützt 29. 

Der Akzent hängt von der gewählten Stimme ab. Sie können Stimmen nach Akzent filtern, etwa nach amerikanischem, britischem, australischem oder indischem Englisch. Eine Stimme aus der Stimmbibliothek oder Ihr eigener Klon kann jede Sprache sprechen, die sein Modell unterstützt. Mit Eleven v4 verwendet eine Stimme, die eine andere Sprache spricht, einen muttersprachlichen Akzent dieser Sprache. Eine Stimme kann Ihr Skript für alle Märkte vertonen, in denen Sie tätig sind.

ElevenLabs bietet 17.500+ Stimmen. Sie können auch eigene hinzufügen. Die Voice Library lässt sich nach Sprache, Akzent, Geschlecht, Alter und Anwendungsfall durchsuchen. Voice Design erstellt aus einer schriftlichen Beschreibung eine neue Stimme. So klonen Sie Ihre eigene Stimme:

• Sofortiges KI-Stimme klonen: Erstellen Sie einen Klon aus einer kurzen Aufnahme, idealerweise ein bis zwei Minuten Audio. Verfügbar ab dem Starter-Plan.
• Professionelles KI-Stimme klonen: Trainieren Sie einen hochpräzisen Klon mit mindestens 30 Minuten sauberer Aufnahmen. Er erfasst Akzent und Stimmumfang und ist ab dem Creator-Plan verfügbar. 

Sie dürfen nur Stimmen klonen, für deren Nutzung Sie eine Erlaubnis haben. Professional Voice Cloning ist nach der Verifizierung auf Ihre eigene Stimme beschränkt. ElevenLabs nutzt seinen KI-Sprachklassifizierer zur Erkennung geklonter Audiodateien.

ElevenLabs TTS gibt Ihnen vollständige Kontrolle über Stimme und Skript. Mit Audio Tags in Eleven v4 und Eleven v4 Turbo können Sie natürliche Anweisungen wie [whispers], [hesitant] und [excited] in Ihre Skripte schreiben. In Eleven v4 können Sie mit den Stimmeinstellungen Stabilität und Ähnlichkeit anpassen; Satzzeichen und Audiotags bestimmen das Tempo. Legen Sie die genaue Aussprache von Markennamen mit IPA oder einem Aussprachewörterbuch fest.

ElevenAPI ermöglicht Ihnen, TTS über REST oder Streaming mit offiziellen TypeScript- und Python-SDKs in Ihre Entwickleranwendung zu integrieren. Beim Streaming beginnt die Wiedergabe, bevor das vollständige Audio bereit ist. So bleiben Sprachanwendungen reaktionsschnell. Für die Echtzeitnutzung: 

• Eleven v4 Turbo: ~100 ms mittlere Inferenzlatenz und ~150 ms mittlere Zeit bis zur ersten Sprachausgabe
• Flash v2.5: ~75 ms Modelllatenz

Diese Werte beziehen sich nur auf die Modellzeit. Netzwerk- und Anwendungslatenz kommen hinzu. Gleichzeitige Anfragen skalieren je nach Tarif und Modell: Flash-Modelle reichen von 4 im Free-Tarif bis 30 im Business-Tarif, andere Modelle von 2 bis 15, und die Enterprise-Limits sind höher. Für bidirektionale Sprachagenten ergänzt ElevenAgents dieselben Stimmen um Speech to Text und Sprecherwechsel.

Sie können kostenlos mit TTS auf ElevenLabs starten. Der Free-Tarif umfasst 10.000 Credits pro Monat, was etwa 10 Minuten Audio entspricht, ohne dass eine Kreditkarte erforderlich ist. Bezahlte Tarife beginnen bei 6 $ pro Monat für 30.000 Credits, während Enterprise-Tarife individuelle Preise haben.

So funktionieren Credits: 

• Jede Generierung verbraucht Credits basierend auf den Zeichen in Ihrem Text. In den aktuellen Tarifen erzeugen etwa 1.000 Credits eine Minute Audio.
• Flash v2.5 verbraucht über die API nur halb so viele Credits pro Zeichen.
• Auf der Website können Sie denselben Text mit derselben Stimme und demselben Modell innerhalb von zwei Stunden nach der ersten Generierung bis zu zweimal kostenlos erneut generieren.
• Credits werden jeden Monat mit Ihrem Abrechnungszyklus erneuert. Nicht verwendete Credits werden für bis zu zwei Monate übertragen, solange Sie nicht kündigen oder herabstufen.

Bezahlte Tarife bieten zudem kommerzielle Rechte, Professional Voice Cloning, Audio in höherer Qualität und mehr gleichzeitige Anfragen.

Ja, mit jedem bezahlten Tarif. Bezahlte Tarife umfassen kommerzielle Rechte für YouTube-Videos, Podcasts, Werbung, Hörbücher, Spiele und Apps – ohne zusätzliche Lizenzgebühren. Sie behalten die Eigentumsrechte an den von Ihnen generierten Audiodateien. Der Free-Tarif gilt für die persönliche, nicht kommerzielle Nutzung und erfordert einen Hinweis auf ElevenLabs. Die kommerzielle Nutzung unterliegt den ElevenLabs-Nutzungsbedingungen und der Richtlinie zur unzulässigen Nutzung.

ElevenLabs nimmt Datensicherheit ernst und genießt das Vertrauen führender Unternehmenskunden. Unser Compliance-Status umfasst: 

• SOC 2 Type II-zertifiziert
• ISO 27001-zertifiziert
• PCI DSS Level 1-zertifiziert
• DSGVO-konform
• HIPAA-konforme Workflows für das Gesundheitswesen in Enterprise-Tarifen

Ihre Texteingaben werden ohne Ihre Zustimmung nicht zum Trainieren unserer Modelle verwendet. Enterprise-Kunden können für berechtigte API-Dienste den Zero Retention Mode aktivieren.* 

Stimmenklone werden durch die KI-Sprachklassifizierer-Technologie geschützt, die KI-generiertes Audio erkennen kann. 

*Bei ZRM-berechtigten API-Diensten werden bestimmte Datentypen nicht gespeichert, wenn ZRM korrekt aktiviert ist. Website-Traffic ist davon nicht abgedeckt. Details finden Sie in der Dokumentation.