ElevenLabs: Eleven v3

Eleven v3 ist das ausdrucksstarke Text-zu-Sprache-Modell von ElevenLabs für emotionale Dialoge, Gespräche zwischen Figuren und Hörbucherzählungen. Es wandelt ein schriftliches Skript in gesprochene Audiodaten um und verwendet Kontext zur Gestaltung von emotionalem Umfang und Vortrag. Der Hersteller unterstützt sowohl Sprache mit einer Stimme als auch einen Dialogablauf mit mehreren Sprechern. Diese Modellkarte betrifft die benannte Edition v3, getrennt von v3 Conversational und der späteren v4-Familie.

Eingebettete Audiotags können Emotion, stimmlichen Vortrag und nichtsprachliche Reaktionen steuern. Der Hersteller nennt Beispiele wie [sad], [angry], [happily], [whispers], [shouts], [laughs], [clears throat] und [sighs]. Platzieren Sie den Hinweis nahe den Worten oder der Reaktion, die er beeinflussen soll. Schreiben Sie für eine erzählerische Szene den emotionalen Übergang in den tatsächlichen Dialog und machen Sie mit dem Tag den gewünschten Klang ausdrücklich, statt sich auf eine losgelöste Szenenbeschreibung zu verlassen.

V3 unterstützt keine SSML-Tags vom Typ <break>. Sein Prompt-Leitfaden verwendet Audiotags, Zeichensetzung, Auslassungspunkte und Textstruktur für Pausen und Tempo. Dieser Ansatz liefert eine Darbietungsanweisung und keinen Vertrag über exaktes Timing. Bei einer zögernden Zeile können Auslassungspunkte und der passende stimmliche Hinweis das gewünschte Zögern verdeutlichen. Muss eine Aufnahme in eine genaue Zeitleiste passen, platzieren Sie sie über die ausgewählte Aufnahmevariante und den Bearbeitungsablauf, statt einen Pausentag als Einheit fester Dauer zu behandeln.

Die Stimmenwahl bleibt wichtig. Laut dokumentierten Hinweisen lässt sich ein bereits im Trainingsmaterial der Stimme vorhandener Vortrag leichter reproduzieren; ungewöhnliche Wünsche können weniger zuverlässig sein. Stimmen Sie die Stimme auf Figur oder Erzähler ab und prüfen Sie, ob die gewählten Tags den gewünschten Vortrag erzeugen. Der aktuelle Prompt-Abschnitt für v3 erklärt, dass Professional Voice Clones für diese Edition nicht vollständig optimiert sind; die dokumentierten Klonverbesserungen und nativen Aussprachefunktionen von v4 sind separate Editionsmerkmale. Der Produktleitfaden kennzeichnet ausserdem Speed, Similarity und Speaker Boost als für gewöhnliches v3 nicht verfügbar. Bereiten Sie Tempo und Vortrag über Stimme, Tags, Zeichensetzung und Textstruktur vor, statt Regler einer anderen Edition zu übernehmen.

Eleven v3 unterstützt mehr als 70 Sprachen, darunter Englisch, Französisch, Deutsch, Japanisch, Koreanisch, Spanisch, Portugiesisch und Russisch. Wählen Sie eine zur Sprache und zum regionalen Akzent passende Stimme und bereiten Sie den tatsächlich gesprochenen Wortlaut vor der Synthese vor. Sprachunterstützung übersetzt ein Skript nicht automatisch. Bewahren Sie für eine lokalisierte Figurenszene Absicht und Reaktion des Sprechers und passen Sie den Wortlaut natürlich an die Zielgruppe an.

Eine Text-zu-Sprache-Anfrage unterstützt bis zu 5’000 Zeichen. Teilen Sie längere Skripte an vollständigen Szenen- oder Erzählgrenzen, damit jedes Segment einen klaren Anfang und ein klares Ende hat. Der Hersteller bietet die Modi create und stream sowohl für Sprache als auch für Dialoge an. Ordnen Sie bei Dialogen jeden Beitrag dem vorgesehenen Sprecher zu und bewahren Sie die Reihenfolge. Halten Sie einen emotionalen Wechsel mit genügend umgebendem Text zusammen, damit der Übergang verständlich bleibt.

Der gemeinsame Audioablauf des Herstellers bietet MP3, PCM und Telefoniekodierungen wie μ-law; weitere Formate stehen im TTS-Leitfaden. Aussprachewörterbücher ermöglichen einheitliche Namen und Fachbegriffe. Der Wörterbuchleitfaden nennt v3 ausdrücklich für Phonemregeln und beschränkt seine mehrsprachige phonetische Erweiterung auf v4; dadurch wird die native IPA-Syntax von v4 zwischen Schrägstrichen nicht zu einer v3-Funktion. Bereiten Sie wichtige Schreibweisen oder gesprochene Alternativnamen vor und prüfen Sie das Ergebnis mit der gewählten Stimme.

Geben Sie für eine praktische Darbietungsbeschreibung eine fertige Episode statt einer Gliederung vor: eine Einführung des Erzählers, die tatsächliche Zeile der Figur und die abschliessende Reaktion der Szene. Legen Sie fest, welche Inhalte gesprochen werden, wohin eine stimmliche Reaktion gehört und welche emotionale Richtung jeder Moment hat. Prüfen Sie Aussprache, Stimmidentität, unbeabsichtigtes Vorlesen von Anweisungen und den Übergang zwischen Sprechern. Das Ergebnis ist eine ausdrucksstarke Aufnahme des bereitgestellten Skripts mit einer gewählten Aufnahmevariante, die im Audioprojekt wiederverwendet oder überarbeitet werden kann.