ElevenLabs bringt Eleven v4 und ein latenzarmes Turbo-Modell für Sprachagenten

Neue Architektur für ausdrucksstarke Sprache

Eleven v4 basiert laut ElevenLabs auf einer völlig neuen Architektur und soll Tonfall, Tempo, Emotion, Charakter und Kontext deuten können. Das Unternehmen beschreibt eine Ausgabe, die dramatisch, zärtlich, dringlich, komisch oder gesprächig klingen kann, ohne dass die Identität der Sprecherstimme verloren geht. Auch die grundlegende Audioqualität sei durchweg höher, mit saubererer und natürlicher klingender Ausgabe.

Das Modell zielt zudem auf Szenen mit mehreren Sprechern. Da es den Kontext einer ganzen Szene erfasse, reagierten die Sprecher auf das soeben Gesagte, statt wie isolierte, aneinandergereihte Zeilen zu klingen, so ElevenLabs. Eine neue Methode zur Erfassung der Sprecheridentität soll Stimmen in Agentengesprächen, Hörbüchern und Werbespots konsistent halten.

Nutzer können in natürlicher Sprache beschreiben, wie eine Zeile vorgetragen werden soll. Außerdem lassen sich Inline-Tags wie [laughs], [said angrily in French accent], [light rain] oder [phone buzzing] einsetzen, um Emotion, Aussprache und Soundeffekte zu steuern. Laut ElevenLabs befolgt v4 diese Audio-Tags und Regieanweisungen genauer als frühere Modelle. Die Unterstützung für Phoneme im Internationalen Phonetischen Alphabet (IPA) wurde deutlich verbessert, sodass eigene Aussprachen zuverlässiger funktionieren sollen. Tag-Syntax und API-Nutzung sind in der Entwicklerdokumentation von ElevenLabs beschrieben.

Eleven v4 Turbo für Agenten

ElevenLabs argumentiert, hochwertige Sprachmodelle seien bisher tendenziell langsamer gewesen, sodass Nutzer sich zwischen schnellen und ausdrucksstarken Sprachagenten entscheiden mussten. Eleven v4 Turbo soll diesen Zielkonflikt auflösen. Das Unternehmen nennt eine mediane Zeit bis zur ersten Sprachausgabe von ca. 150 ms sowie eine mediane Inferenzlatenz von ca. 100 ms, was schneller sei als die durchschnittliche Pause zwischen zwei sprechenden Menschen.

Das Turbo-Modell ist für die Zusammenarbeit mit ElevenAgents ausgelegt, der Plattform des Unternehmens für Konversationsagenten. Andere Anbieter von Agenten kombinierten Modelle und Software verschiedener Hersteller, so ElevenLabs, sodass Nutzer die Ausgaben nicht für ihre eigenen Anwendungsfälle feinjustieren könnten. Die Forschungs- und Entwicklungsteams hätten Eleven v4 Turbo und ElevenAgents gemeinsam als ein System optimiert. Als Beispiele nennt das Unternehmen Agenten im Gesundheitswesen, die medizinische Fachbegriffe korrekt aussprechen, und Agenten im Gaming-Bereich, die Slang verwenden.

Der Latenzwert wurde im September 2026 mit identischen Skripten und Standardeinstellungen per WebSocket-Streaming gemessen, im Vergleich zu Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS und OpenAI GPT-4o mini TTS. Die Netzwerklatenz wurde laut ElevenLabs bei allen Systemen gemessen und herausgerechnet.

Mehr als 90 Sprachen und besseres Stimmklonen

Beide Modelle unterstützen mehr als 90 Sprachen. Laut ElevenLabs kann eine in einer Sprache aufgenommene Stimme nun jede andere fließend sprechen, den Akzent einer Muttersprachlerin oder eines Muttersprachlers annehmen und dabei die Identität der Originalstimme behalten. Die Akzenttreue sei spürbar stärker als zuvor, sodass eine Stimme während einer Generierung nicht mehr zum Ausgangsakzent zurückdriftet. Für Synchronisation und Lokalisierung bedeutet das, dass sich eine gewählte Markenstimme, etwa die eines prominenten Schauspielers oder der Tonfall eines Unternehmens, in alle unterstützten Sprachen übertragen lässt.

Auch das Stimmklonen wurde überarbeitet. ElevenLabs berichtet von deutlich besserer Ähnlichkeit zur Quellstimme und gibt an, dass Instant Voice Clones nun schon aus nur 10 Sekunden Audio Stimmen mit hoher Detailtreue erfassen können. Eleven v4 unterstützt zudem Professional Voice Clones (PVC) für Anwendungen mit höchsten Qualitätsansprüchen. Die Sprecheridentität bleibt über Generierungen, Dialoge, Erzählpassagen und neu erzeugte Zeilen hinweg zuverlässiger erhalten, was bei langen Produktionen wichtig ist. Auch das Request Stitching, mit dem Generierungen zu längeren Inhalten verkettet werden, arbeitet deutlich zuverlässiger, was die Arbeit in ElevenLabs Studio und der ElevenLabs Reader App verbessert.

Verfügbarkeit und Einordnung

Eleven v4 und Eleven v4 Turbo sind ab sofort in ElevenAgents, ElevenCreative und über die ElevenAPI verfügbar. ElevenLabs lädt dazu ein, mit einem kostenlosen Konto zu testen. Das Unternehmen positioniert die Modelle für Hörbücher, Figurendarstellungen, Voiceovers, Synchronisation und lokalisierte Konversationsagenten.

Die Angaben zu Ranking und Präferenz stammen von ElevenLabs und den von dem Unternehmen angeführten Tests. Das Ranking von Artificial Analysis stammt aus dem Provider Voice Arena Leaderboard vom September 2026. Das Präferenzergebnis beruht auf Blindvergleichen mit Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS und Google Gemini 3.8 Flash TTS. Dabei beurteilten die Testpersonen, welcher Clip ausdrucksstärker und welcher natürlicher klang; Unentschieden wurden als halbe Stimme gezählt.

Für Entwickler von Sprachagenten lautet das Versprechen: ein einziges System, das Geschwindigkeit und emotionale Bandbreite vereint. Für Kreative bedeutet es besser steuerbaren Vortrag und konsistentere Stimmen über lange Projekte und Sprachen hinweg.