🎙 ElevenLabs v4: Wie gut ist das neue KI-Sprachmodell wirklich?
Über Text-to-Speech und Sprachgenerierung haben wir hier lange nicht mehr geschrieben, weil sich in dem Bereich schlicht weniggetan hat. Dabei ist es in vielen Projekten längstStandard, Sprechertexte für Videos oder in der Werbung mit KI zu vertonen.
Vor allem im Deutschen hat man den Stimmen die KI aber langeangehört: Betonungen wirkten flach, Emotionenfehlten, und für wichtige Produktionen führte oft kein Weg am professionellenSprecher vorbei. Mit ElevenLabs v4 gibt es jetzt ein Update, das genau hier ansetzt. Wir haben v3 und v4 direkt verglichen und zeigen, was sich wirklich verändert hat.
🎭 Emotionen per Tag: Mit Regieanweisungen wie [laughing] oder [whispering] lässt sich steuern, wie eine KI-Stimme spricht
🆚 v3 vs. v4 im Test: Unser Vergleich zeigt, wie viel natürlicher und emotionaler v4 im Deutschen klingt
⚖️ Kennzeichnungspflicht: Was seit August 2026 laut EU AI Act beim Einsatz von KI-Stimmen gilt
🎭 Emotionen per Regieanweisung: Was bei ElevenLabs v4 anders ist
ElevenLabs hat v4 nach eigenen Angaben auf einer neuenArchitektur aufgebaut, die ein Skript so liest, wie es Sprecher:innen tun würden: mit Blick darauf, werspricht, waspassiert ist und wie ein Absatz wirken soll. In der Praxis zeigt sich das vor allem bei den sogenannten Audio-Tags. Das sind kurze Regieanweisungen in eckigen Klammern direkt im Text, etwa [excited], [sighing] oder [whispering], mit denen sich Emotionen, Geräusche und Vortragsweise steuern lassen. Die gab es schon in v3, v4 setzt sie laut ElevenLabs aber deutlich zuverlässiger um.
Auch für längereProduktionen hat sich einiges getan. Tempo und Vortrag bleiben über lange Skripte stabil, und wer eine Zeile mehrfach neu generiert, bekommt trotzdem dieselbeStimme. Für Unternehmen besonders relevant: Professional Voice Clones, die in v3 nicht unterstützt wurden, sindzurück. Eine geklonte Markenstimme kann damit also auch emotional sprechen. Ausprobieren lässt sich v4 kostenlos, denn das Modell ist auch im Gratis-Plan von ElevenLabs mit 10.000 Credits pro Monat enthalten.
Um den Unterschied hörbar zu machen, haben wir denselben Text mit derselben Stimme (Carla Blum) einmal mit v3 und einmal mit v4 generiert. Die Audio-Tags sind in beiden Fällen identisch:
[laughing] Schön, dass Sie unseren KI-Newsletter lesen! [clears throat] Wir freuen uns über Ihr Feedback.
Der Unterschied ist deutlich. Die v3-Version klingt langsam und wenignatürlich, das Lachen am Anfang wird gar nichtumgesetzt. In v4 wirkt derselbe Satz spürbar emotionaler, und das Modell hält sich klar an die Tags: Die Sprecherin lacht, räuspert sich und spricht danach im passendenTon weiter.
Welche Tags zur Verfügung stehen, zeigt ElevenLabs direkt im Editor:
Die Tags werden einfach vordiejeweiligeStelle im Text gesetzt, wie in unserem Beispiel auch mitten im deutschenSatz.
🎯 KI-Stimme oder Sprecher? Einsatzbereiche und Kennzeichnungspflicht
Mit ElevanLabs v4 lassen sich deutlich mehrFormate überzeugend mit KI vertonen, von Erklärvideos und Social-Media-Clips bis hin zu Radiospots. Vor allem bei Inhalten, die oft aktualisiert werden, spart das Zeit, weil sich einzelne Sätze jederzeit neu generieren lassen. Ein professioneller Sprecher bleibt sinnvoll, wenn eine Marke bewusst mit einer bekanntenStimme arbeitet. Für den kommerziellenEinsatz braucht es mindestens den Starter-Plan für 6 Dollar im Monat, der Gratis-Plan ist nur zumTesten gedacht.
Seit dem 2. August 2026 gelten außerdem die Transparenzpflichten aus Artikel 50 des EU AI Act. KI-Stimmen, die einen realen Menschen nachbilden, müssen als solche offengelegt werden. Unsere Empfehlung: KI-Stimmen im Zweifel immer transparentkennzeichnen.
