ElevenLabs: Eleven Multilingual v2

Eleven Multilingual v2 ist ElevenLabs’ Text-to-Speech-Modell für natürliche, emotional abgestimmte und konsistente Vertonung. Es akzeptiert ein geschriebenes Skript und gibt gesprochenes Audio zurück, dessen Charakter und Akzent wesentlich von der gewählten Stimme geprägt werden. Der Anbieter betont Stabilität bei längeren Generierungen, professionelle Inhalte, Charakter-Voiceovers, E-Learning und mehrsprachige Projekte. Es ist ein Sprachsynthesemodell und getrennt vom ähnlich benannten Stimmveränderer Multilingual Speech to Speech.

Die dokumentierte Sprachauswahl umfasst 29 Sprachen: Englisch, Japanisch, Chinesisch, Deutsch, Hindi, Französisch, Koreanisch, Portugiesisch, Italienisch, Spanisch, Indonesisch, Niederländisch, Türkisch, Filipino, Polnisch, Schwedisch, Bulgarisch, Rumänisch, Arabisch, Tschechisch, Griechisch, Finnisch, Kroatisch, Malaiisch, Slowakisch, Dänisch, Tamil, Ukrainisch und Russisch. Bereiten Sie das tatsächliche Skript vor der Synthese in einer unterstützten Sprache vor, statt eine Übersetzung durch das Stimmmodell zu erwarten.

Das Modell soll die Eigenschaften und Persönlichkeit des gewählten Sprechers über die unterstützten Sprachen hinweg erhalten. Der Akzent hängt weiterhin stark von der Stimme ab: ElevenLabs empfiehlt eine in der Zielsprache und im regionalen Akzent trainierte Stimme, weil eine nicht muttersprachliche Stimme ihren ursprünglichen Akzent behalten oder abdriften kann. Bewahren Sie bei einem lokalisierten Kurs die Erzählerrolle und den Grundton und passen Sie Satzstruktur, Terminologie und Aussprache an das Publikum an. Eine gemeinsame Stimmidentität ersetzt nicht die Prüfung des Vortrags in der Zielsprache.

Die Anfragegrenze beträgt 10’000 Zeichen. Längeres Material kann in zusammenhängende Kapitel oder Abschnitte aufgeteilt werden; der gemeinsame TTS-Workflow des Anbieters dokumentiert vorhergehenden und nachfolgenden Text oder Kontext benachbarter Anfragen zum Erhalt der Prosodie zwischen Abschnitten. Teilen Sie an einer sinnvollen Satzgrenze und bewahren Sie genügend umgebenden Kontext für Beginn und Ende einer Passage. Die ungefähren Minutenangaben des Herstellers pro Anfrage sind kein Versprechen einer festen Dauer, weil Wörter, Sprache und Tempo die Länge der ausgewählten Aufnahme bestimmen.

Der Vortrag folgt Textbedeutung, Erzählkontext, Zeichensetzung und gewählter Stimme. Stability steuert Variabilität und emotionalen Umfang; similarity steuert, wie stark das Ergebnis der Stimme ähnelt. Der gemeinsame Produktleitfaden beschreibt einen Geschwindigkeitsbereich von 0.7 bis 1.2 mit 1.0 als unverändertem Tempo. Hohe Stabilität kann zurückhaltend oder monoton klingen, zu geringe Stabilität eine unregelmässige Darbietung erzeugen. Schriftliche Beschreibungen des Vortrags können selbst gesprochen werden; bereiten Sie daher das endgültige Skript vor, statt niemals anzuhörende Anweisungen einzubetten.

Der Pausenworkflow dieses Modells unterstützt SSML-break-Tags, anders als v3 und v4. Der Anbieter nennt <break time="1.5s" /> als Möglichkeit, eine natürliche Pause anzufordern, und dokumentiert Pausen bis zu drei Sekunden. Zu viele break-Tags können Tempoänderungen oder Artefakte verursachen, und die gewählte Stimme kann den Klang einer Pause beeinflussen. Setzen Sie Pausen an sinnvollen Übergängen, etwa nach einer Definition oder vor dem nächsten Teil einer gesprochenen Anleitung.

Multilingual v2 unterstützt im Ausspracheleitfaden des Herstellers keine phoneme-Tags. Verwenden Sie Wörterbuch-Aliasse oder eine vorbereitete alternative Schreibweise, um die gewünschte Sprechform eines Namens, Akronyms oder Fachbegriffs anzugeben. ElevenLabs beschreibt dieses Modell ausserdem als natürlicher im Umgang mit Zahlen als Flash v2.5, während die Vorbereitungshinweise weiterhin empfehlen, wichtige Zahlen, Daten und Symbole als die zu sprechenden Wörter zu schreiben. Ein Referenzcode und eine Mengenangabe benötigen unterschiedliche Lesarten, selbst wenn ihre geschriebenen Ziffern ähnlich aussehen.

Die Audioformatfamilie des Anbieters umfasst MP3 für die Verteilung, unkomprimiertes 16-Bit-PCM für Produktionsarbeit, μ-law und A-law für Telefonie sowie Opus. Vollständige Sprachgenerierung und Streaming sind im gemeinsamen TTS-Workflow dokumentiert. Wählen Sie die Ausgabe für das beabsichtigte Ziel und bewahren Sie Skript, Stimme und ausgewählte Aufnahme zusammen. Ein Hörbuchkapitel, eine Unternehmensvertonung und eine kurze Lektion können denselben Modellzweck nutzen und dennoch unterschiedliches Tempo und unterschiedliche Segmentierung benötigen.

Schreiben Sie für eine praktische Lektion Einleitung, Definitionen, Beispiel und Übergang als vollständige gesprochene Passagen. Markieren Sie Begriffe, die konsistente Aussprache benötigen, und setzen Sie nach dem Kernkonzept eine natürliche Pause. Prüfen Sie einen repräsentativen Teil mit Namen, Zahlen und einem längeren Satz auf Akzent, Verständlichkeit und gleichmässigen Vortrag über die Abschnittsgrenze hinweg. Das nützliche Artefakt ist eine konsistente Erzählaufnahme, die neben ihrem Quellskript in einen Kurs, ein Hörbuch oder ein Video eingefügt werden kann.