ElevenLabs, ein Unternehmen für KI-gestützte Sprachtechnologien, hat seine Text-to-Speech-Modelle Eleven v4 und Eleven v4 Turbo vorgestellt. Das Unternehmen gibt an, dass Eleven v4 mit einer vollständig neuen Architektur Intonation, Sprechtempo, Emotionen, Charakter und Kontext interpretiert und dadurch natürlichere Stimmen erzeugt; bei langen Texten könne das Modell die Identität der Sprecher beibehalten und die Intonation entsprechend vorheriger Sätze verändern. Mehrere Sprach-Tags können in derselben Eingabe verwendet werden; Lachen, Wut, Akzente und Umgebungsgeräusche lassen sich in natürlicher Sprache beschreiben. Zudem wird eine verbesserte Unterstützung für das International Phonetic Alphabet (IPA) angeboten.
Eleven v4 kann Stimmen anhand einer 10-sekündigen Aufnahme klonen und bringt die Funktion Professional Voice Clone zurück, die in Eleven v3 nicht verfügbar war. Beide Modelle unterstützen mehr als 90 Sprachen; Eleven v3 unterstützte etwa 70 Sprachen. Für Japanisch, brasilianisches Portugiesisch, Mandarin und Kantonesisch werden Qualitätsverbesserungen angestrebt.
Eleven v4 Turbo wurde für Callcenter und sprachbasierte KI-Agenten entwickelt. Dank bidirektionalem Streaming beginnt die Ausgabe frühzeitig; in Tests des Unternehmens lag die mediane Zeit bis zur ersten Audioausgabe bei etwa 150 Millisekunden, die Inferenzlatenz wurde mit etwa 100 Millisekunden gemessen. Eleven v4 kann Inhalte mit bis zu 10 Tausend Zeichen erzeugen.
Warum wichtig
Die Wahrung der Sprecherkonsistenz bei langen Inhalten und die Steuerung mehrerer Stimmelemente in einem einzigen Befehl mit der neuen Architektur führen das Modell über kurze Sprachaufnahmen hinaus zu komplexeren Produktionsabläufen. Die Erweiterung des Sprachumfangs von etwa 70 auf mehr als 90 Sprachen vergrößert insbesondere für Teams, die Japanisch, brasilianisches Portugiesisch, Mandarin und Kantonesisch verwenden, das Ziel hinsichtlich Reichweite und Qualität. Der Fokus der Turbo-Version auf bidirektionales Streaming und eine geringe Latenz zeigt, dass die Antwortzeit in Callcentern und bei sprachbasierten KI-Agenten zu den grundlegenden Messgrößen gehört. Da die genannten Latenzergebnisse jedoch auf Unternehmenstests beruhen, bleibt offen, ob die Leistung bei unterschiedlichen Infrastrukturen und unter realen Nutzungsbedingungen auf demselben Niveau liegen wird. Dass sowohl das Klonen aus einem kurzen Beispiel als auch die Option des professionellen Klonens angeboten werden, rückt zudem die Frage in den Vordergrund, welche Methode Nutzer bei welchen Qualitätsanforderungen bevorzugen werden.
Hintergrund
ElevenLabs ist im FikirPilot-Archiv kein neuer Name: In den vergangenen 90 Tagen haben wir eine Nachricht veröffentlicht, in der dieser Name vorkam; der Artikel ist vom 12. September 2026.