Kurz gesagt: ElevenLabs hat am 28. September 2026 zwei neue Sprachmodelle veröffentlicht. Eleven v4 ist für ausdrucksstarke Vertonungen gedacht, Eleven v4 Turbo für Echtzeit-Anwendungen wie Voicebots. Beide sprechen laut Anbieter über 90 Sprachen, darunter Deutsch, und laufen auch im kostenlosen Tarif. Du steuerst sie per Audio-Tags wie [laughs] oder [whispers].
Transparenz: Dieser Beitrag wurde mit KI-Unterstützung erstellt und basiert auf den unten verlinkten Quellen (Stand: 14. November 2026). Angaben von Herstellern kennzeichnen wir mit „laut Anbieter“. Eigene Tests haben wir nicht durchgeführt, sofern nicht ausdrücklich erwähnt. So arbeiten wir · Fehler melden
Text-to-Speech heißt: Geschriebener Text wird in gesprochene Sprache umgewandelt. Für viele Selbstständige ist das längst ein Tool im Alltag. Sie vertonen damit Erklärvideos und Podcast-Intros oder lassen sich Blogartikel vorlesen.
Mit Eleven v4 verspricht einer der bekanntesten Anbieter Stimmen mit mehr Gefühl. Sie sollen stabiler klingen und schneller antworten. Hier erfährst du, was wirklich neu ist und was die Angaben des Herstellers bedeuten. Außerdem liest du, worauf du im eigenen Business achten solltest (Stand: 14. November 2026).
Das Wichtigste in Kürze
- Eleven v4 ist für hochwertige Vertonungen gedacht, etwa Hörbücher oder Voiceovers mit Dialogen.
- Eleven v4 Turbo zielt auf Echtzeit. Laut Anbieter liegt die mediane Rechenzeit bei rund 100 Millisekunden. Bis zum ersten hörbaren Laut vergehen rund 150 Millisekunden.
- Über 90 Sprachen statt bisher 70, bis zu 10.000 Zeichen pro Generierung.
- Die Betonung steuerst du mit Audio-Tags in eckigen Klammern. SSML wird laut Dokumentation nicht unterstützt.
- Kostenloser Einstieg mit 10.000 Credits pro Monat, bezahlte Tarife laut Anbieter ab 6 US-Dollar im Monat.
- Seit dem 2. August 2026 gelten in der EU Kennzeichnungspflichten für täuschend echte KI-Inhalte, auch für Audio.
Was ist Eleven v4?
Eleven v4 ist die neue Generation der Text-to-Speech-Modelle von ElevenLabs. Es löst Eleven v3 ab. Laut Anbieter basiert es auf einer komplett neuen Architektur. Sie soll ein Skript so lesen, „wie es ein Sprecher tun würde“.
Konkret heißt das: Das Modell soll besser erkennen, wie ein Text gemeint ist: Tonfall und Tempo ebenso wie Emotion und Kontext. Laut TechCrunch passt es den Ausdruck beim Vorlesen an den Inhalt an. Außerdem hält es demnach die Identität einer Stimme auch über längere Abschnitte stabil.
Für lange Inhalte nennt ElevenLabs ein sogenanntes Context Stitching. Dabei sollen einzelne Teile ohne hörbare Übergänge verbunden werden.
Neu ist außerdem der Umgang mit Akzenten. Lässt du eine Stimme in einer anderen Sprache sprechen, soll sie laut Doku fließend und natürlich in der Zielsprache klingen. Den Akzent der Originalstimme soll sie dabei nicht mitnehmen.
Eleven v4 oder v4 Turbo: Was ist der Unterschied?
Eleven v4 liefert die höchste Qualität für fertige Aufnahmen. Eleven v4 Turbo ist auf geringe Verzögerung für Live-Gespräche optimiert. Für Videos und Podcasts ist v4 die erste Wahl, für Voicebots und Telefonassistenten v4 Turbo.
| Modell | Gedacht für (laut Anbieter) | Zeichen pro Generierung | Sprachen |
|---|---|---|---|
| Eleven v4 | Voiceovers, emotionale Dialoge, Hörbücher | 10.000 | 90+ |
| Eleven v4 Turbo | Echtzeit-Support-Agenten, KI-Assistenten, interaktive Figuren | keine Angabe | 90+ |
| Eleven v3 (Vorgänger) | Ausdrucksstarke Sprachausgabe | 5.000 | 70+ |
| Flash v2.5 | Günstige, sehr schnelle Ausgabe, Massenverarbeitung | 40.000 | 32 |
Bei v4 Turbo nennt ElevenLabs eine mediane Rechenzeit von etwa 100 Millisekunden (ms). Bis zum ersten hörbaren Laut sind es demnach etwa 150 ms. Möglich macht das laut Anbieter bidirektionales Streaming: Die Ausgabe beginnt, bevor ein Satz fertig erzeugt ist.
Laut TechCrunch kann die Stimme damit schon starten, während ein Sprachmodell noch an seiner Antwort schreibt. Beachte: Das sind Angaben des Herstellers, keine unabhängigen Messungen.
Wichtig für die Tool-Wahl: Das ältere Flash v2.5 bleibt laut Dokumentation die günstigere Option mit einer medianen Latenz von rund 100 ms. Es unterstützt aber nur 32 Sprachen. Geht es dir vor allem um Masse und Kosten, kann das ältere Modell weiterhin passen.
Wie steuerst du Emotionen mit Audio-Tags?
Du schreibst Hinweise für die Regie in eckigen Klammern direkt in den Text, zum Beispiel [whispering], [laughing] oder [pause]. Das Modell setzt sie beim Vorlesen um.
Die Doku nennt unter anderem diese Tags:
- Lautstärke und Stimmlage: [whispering], [shouting], [quietly curious], [lower, thoughtful]
- Stimmung: [casual], [annoyed], [ecstatic], [measured]
- Geräusche und Pausen: [laughing], [chuckle], [giggle], [sigh], [pause]
Laut TechCrunch lassen sich in v4 mehrere Tags hintereinander setzen, die das Modell nacheinander befolgt. Laut Unite.AI kannst du die Sprechweise auch in natürlicher Sprache vorgeben. Die Dokumentation schränkt ein: Wie gut ein Tag wirkt, kann je nach Stimme schwanken.
Bei v4 gibt es nur Regler für Stabilität und Ähnlichkeit. Stil und Tempo stellst du nicht mehr per Regler ein. Auch SSML wird nicht unterstützt. Das ist eine Markup-Sprache, die viele andere Dienste für Pausen und Betonung nutzen.
Ein Video-Intro könnte so aussehen: „[casual] Hi, schön, dass du da bist. [pause] Heute zeige ich dir drei Wege, wie du …“. Plane ein, mehrere Varianten zu erzeugen. Dann wählst du die beste aus.
Was ändert sich beim Stimmenklonen?
Laut Ankündigung genügen für einen schnellen Stimmklon jetzt 10 Sekunden Audio. Auch die aufwendigeren Professional Voice Clones sind wieder da. Zugleich warnt die Doku: Bestehende Klone können in v4 anders klingen als in v3.
Die Details im Überblick:
- Instant Voice Clones: TechCrunch und VKTR berichten von 10 Sekunden Audio als Grundlage. Die technische Doku nennt dafür 1 bis 2 Minuten Audio. Mehr sauberes Material ist also im Zweifel besser.
- Professional Voice Clones: Laut VKTR waren sie in v3 nicht verfügbar und sind mit v4 zurück. Laut Anbieter kommen sie mit vollem emotionalen Spektrum.
- Genauigkeit: Laut Doku trifft v4 Klangfarbe und Sprechrhythmus der Originalstimme deutlich genauer als v3, samt ihrer Eigenheiten.
- Kehrseite: Auch Schwächen im Trainingsmaterial übernimmt das Modell genau, etwa Plopp- und Zischlaute oder schwankende Lautstärke. Die Doku rät, immer im selben Stil zu sprechen.
- Voice Design: Stimmen, die du per Beschreibung erzeugst, funktionieren. Laut Doku können sie aber weniger ausdrucksstark sein.
Nutzt du schon eine eigene geklonte Stimme für deine Inhalte, solltest du sie vor einem Wechsel auf v4 mit einigen Probetexten prüfen. So klingt deine Markenstimme in alten und neuen Inhalten nicht hörbar verschieden.
Tipp für deinen eigenen Stimmklon: Weil v4 auch Schwächen der Aufnahme übernimmt, lohnt sich sauberes Material. Nimm in einem ruhigen Raum mit wenig Hall auf. Halte gleichmäßigen Abstand zum Mikrofon und sprich in deinem normalen Tonfall.
Das eingebaute Laptop-Mikrofon reicht dafür oft nicht aus. Ein einfaches USB-Mikrofon macht hier einen hörbaren Unterschied.
Zubehör · USB-Mikrofon
RØDE NT-USB Mini
Kompaktes USB-Kondensatormikrofon, das laut Hersteller ohne Treiber sofort vom Rechner erkannt wird. Mit sehr geringem Eigenrauschen, Aufnahme in 24 Bit/48 kHz und Kopfhörerausgang zum Mithören.
Passt zu dir, wenn: du deine eigene Stimme klonen oder regelmäßig Sprachaufnahmen für Videos oder Podcasts machen willst.
Bei Amazon ansehenWas kostet Eleven v4?
Du kannst Eleven v4 kostenlos testen: Laut Anbieter gibt es 10.000 Credits pro Monat ohne Kreditkarte. Bezahlte Tarife beginnen laut Anbieter bei 6 US-Dollar im Monat mit mehr als 30.000 Credits.
Wie viele Minuten Audio du damit erzeugen kannst, hängt davon ab, wie viele Credits das Modell verbraucht. Prüfe das vor größeren Projekten in deinem Konto. Für Firmen gibt es eigene Preise.
Laut Anbieter laufen die Modelle in der Web-App ElevenCreative und in der Agenten-Plattform ElevenAgents. Entwickler nutzen die API (REST, Streaming, SDKs). Preise und Kontingente ändern sich oft, hier gilt der Stand vom 14. November 2026.
Wie gut ist Eleven v4 im Vergleich?
Laut ElevenLabs belegte v4 im September 2026 Platz 1 im Provider Voice Arena Leaderboard von Artificial Analysis. In Blindtests bevorzugten es demnach etwa 75 Prozent der Zuhörer. Unabhängige Tests über längere Zeit gab es beim Erscheinen noch nicht.
Auf seiner Produktseite vergleicht der Anbieter die Latenz von v4 Turbo mit der Konkurrenz. Er nennt 150 ms für v4 Turbo und 262 ms für Cartesia Sonic 3.6. OpenAI GPT-4o mini TTS liegt dort bei 814 ms. Die Vergleiche stammen vom Hersteller, ordne sie mit Vorsicht ein.
TechCrunch nennt als Wettbewerber unter anderem Cartesia, Deepgram, Fish Audio, Boson, WellSaid Labs sowie Google und OpenAI. Laut TechCrunch hat sich vor allem die Qualität in Japanisch, brasilianischem Portugiesisch, Mandarin und Kantonesisch verbessert. Zur deutschen Aussprache macht der Anbieter keine eigenen Angaben. Deutsch ist aber in der Sprachliste enthalten.
Eine Übersicht über weitere KI-Werkzeuge für Text, Bild und Audio findest du in unserer Sammlung von KI-Tools.
So nutzt du Eleven v4 im Online-Business
Am meisten bringt v4, wenn du regelmäßig Sprache brauchst. Vor allem dann, wenn Zeit oder Geld für Sprecher und Studio fehlen. Diese Einsätze passen zu den Angaben des Anbieters:
- Voiceovers für Erklär- und Kursvideos: Mit Audio-Tags steuerst du Betonung und Pausen. So wird der Text nicht monoton vorgelesen.
- Audioversionen von Blogartikeln oder Newslettern: Hier helfen bis zu 10.000 Zeichen pro Generierung und Context Stitching. Längere Texte sind damit laut Anbieter besser machbar als mit v3.
- Mehrsprachige Inhalte: Eine Stimme spricht mehrere Sprachen, laut Dokumentation mit natürlichem Akzent in der Zielsprache. Lass Übersetzungen trotzdem von Muttersprachlern gegenlesen.
- Telefon- oder Website-Assistenten: Dafür ist v4 Turbo gedacht. Laut TechCrunch soll v4 auch heikle Momente wie Konfrontationen, Eskalationen oder Wartephasen besser handhaben.
So startest du in drei Schritten:
- Teste im kostenlosen Tarif einen kurzen, typischen Text aus deinem Business, etwa ein Video-Intro.
- Probiere zwei oder drei Audio-Tags aus und vergleiche die Ergebnisse mit derselben Stimme.
- Entscheide erst dann, ob du eine eigene Stimme klonst oder auf einen bezahlten Tarif wechselst.
Wenn du gerade erst mit KI startest, hilft dir unser Ratgeber KI für Anfänger, die Grundlagen einzuordnen.
Was musst du rechtlich beachten?
Seit dem 2. August 2026 verlangt Art. 50 der EU-KI-Verordnung, dass Betreiber sogenannte Deepfakes offenlegen. Dazu zählen auch KI-erzeugte Audioinhalte, die realen Personen nachempfunden sind und echt wirken können.
Laut Datenschutz-Generator betrifft das ausdrücklich auch Unternehmen und Freelancer, die KI-Systeme nutzen. Bei Audio sollte die Kennzeichnung hörbar sein. Ideal ist ein Hinweis zu Beginn, bei längeren Inhalten auch wiederholt.
Für offensichtlich künstlerische, satirische oder fiktionale Werke sieht das Gesetz weniger strenge Pflichten vor. Anbieter wie ElevenLabs müssen synthetische Inhalte zusätzlich maschinenlesbar kennzeichnen.
Für dich heißt das praktisch: Klone nur Stimmen, für die du eine klare Erlaubnis hast, am besten deine eigene. Und wenn eine KI-Stimme wie ein echter Mensch klingt, weise darauf hin. Das ist keine Rechtsberatung. Bei konkreten Projekten wie Werbung mit fremden Stimmen lohnt sich der Rat einer Fachperson.
Buchtipp: KI-Content professionell erstellen
Du willst KI für deinen gesamten Content-Mix nutzen, nicht nur für Audio? Dieses Praxisbuch zeigt, wie du mit KI Inhalte in mehreren Formaten erstellst. Es erklärt auch, wie du wiederkehrende Abläufe automatisierst.
Buch · Marketing & Content
Rafael Bujotzek: Content Creation mit Künstlicher Intelligenz für Dummies
Praxisbuch zu generativer KI: Texte, Bilder und Videos erstellen, gute Prompts formulieren und wiederkehrende Abläufe automatisieren. Laut Verlag mit Hinweisen zu rechtlichen Fallstricken. Wiley-VCH, 2025, 512 Seiten.
Passt zu dir, wenn: du KI-Werkzeuge für Text, Bild, Audio und Video in deinem Marketing einsetzen willst.
Bei Amazon ansehenWeitere Bücher und Werkzeuge, die wir einordnen, findest du auf unserer Seite mit Empfehlungen.
Gratis-Download
50 ChatGPT-Prompts fürs Business als PDF
Vorlagen für Angebote, Kundenmails, Newsletter, Social Media und mehr. Kostenlos und ohne E-Mail-Adresse.
Häufige Fragen
Kann Eleven v4 Deutsch?
Ja. Deutsch gehört laut Dokumentation zu den über 90 unterstützten Sprachen von Eleven v4 und v4 Turbo.
Ist Eleven v4 kostenlos?
Du kannst es kostenlos testen. Laut Anbieter enthält der Gratis-Tarif 10.000 Credits pro Monat ohne Kreditkarte. Bezahlte Tarife starten laut Anbieter bei 6 US-Dollar im Monat (Stand: 14. November 2026).
Wann nehme ich v4 und wann v4 Turbo?
Für fertige Aufnahmen wie Videos oder Hörbücher ist v4 gedacht. Für Echtzeit-Gespräche, etwa Voicebots oder Telefonassistenten, empfiehlt der Anbieter v4 Turbo.
Klingt meine geklonte Stimme in v4 genauso wie in v3?
Nicht unbedingt. Die Doku weist darauf hin, dass geklonte Stimmen in v4 deutlich anders klingen können als in v3. Teste deshalb vor einem Wechsel mit einigen Probetexten.
Muss ich KI-Stimmen kennzeichnen?
Eine Pflicht zur Offenlegung gilt, wenn eine KI-Stimme einer realen Person nachempfunden ist und echt wirken kann. Grundlage ist Art. 50 der EU-KI-Verordnung, gültig seit dem 2. August 2026. Im Zweifel ist ein kurzer Hinweis zu Beginn der Aufnahme sinnvoll.
Quellen
- ElevenLabs: Eleven v4 and Eleven v4 Turbo Text to Speech models
- ElevenLabs Dokumentation: Eleven v4
- ElevenLabs Dokumentation: Models
- TechCrunch: ElevenLabs‘ new v4 speech model supports more expression control and 90 languages
- Unite.AI: ElevenLabs Launches Eleven V4 With Low-Latency Turbo Variant
- VKTR: ElevenLabs Launches Eleven v4 and v4 Turbo
- Windows Report: ElevenLabs Launches ‚Eleven v4‘ and ‚Eleven v4 Turbo‘ Text-to-Speech AI Models
- ai-act-law.eu: Art. 50 KI-VO – Transparenzpflichten
- Datenschutz-Generator: Praktischer Ratgeber zum AI Act 2026: Deepfakes und KI-Texte richtig kennzeichnen
* Affiliate-Link / Werbung: Wenn du über diesen Link etwas kaufst oder ein Angebot nutzt, erhält KI Business Kompass eine Provision. Für dich entstehen keine Mehrkosten. Als Amazon-Partner verdienen wir an qualifizierten Verkäufen. Mehr dazu
