ElevenLabs: Eleven v4 Turbo

Eleven v4 Turbo ist die ausdrucksstarke Sprachsyntheseversion von ElevenLabs für Echtzeitgespräche und Antworten von Sprachagenten. Es empfängt Text und liefert gesprochenes Audio, wobei es die emotionale Bandbreite der v4-Familie in einen interaktiven Workflow überträgt. Der Hersteller unterscheidet diesen Einsatzzweck von gewöhnlichem v4, das für produzierte Inhalte und Erzähltexte ausgelegt ist. Supportantworten, Erklärungen von Assistenten und Zeilen interaktiver Figuren sind die genannten Turbo-Anwendungen.

Der bidirektionale Streaming-Workflow des Herstellers kann Text während seiner Entstehung empfangen und Audio zurückgeben, bevor die vollständige Äusserung eingetroffen ist. Dadurch muss weniger lange auf einen fertigen Absatz gewartet werden, bevor die Sprachausgabe beginnt. Es handelt sich um einen Text-zu-Audio-Schritt: Die Wörter der Antwort werden dem Synthesemodell bereitgestellt. Das Zuhören bei einem Anrufer, die Entscheidung über die auszuführende Handlung und das Erkennen von Unterbrechungen sind separate Funktionen der umgebenden Sprachagentenanwendung.

Das dokumentierte Text-to-Dialogue-WebSocket-Profil registriert für v4 Turbo genau eine Stimme. Dies unterscheidet sich vom v4-Profil, das bis zu zehn registrierte Stimmen unterstützt. Eine Verbindung kann aufeinanderfolgende Gesprächsrunden mit der gewählten Stimme übertragen; ein Signal für eine neue Runde setzt die Prosodie an der Rundengrenze zurück. Bereiten Sie für einen Assistenten eine klare Sprecheridentität vor und halten Sie diese konsistent, während sich Inhalt und Tonfall im Gespräch ändern.

Streaming benötigt weiterhin genügend Text, um ein nützliches Sprachsegment zu bilden. Der Leitfaden beschreibt einen Herstellerpuffer von etwa 40 Zeichen und acht Wörtern, bevor die erste Teilaudioausgabe beginnt; kürzere Puffer können gezielt ausgegeben werden, ohne die Verbindung zu beenden. Das Audio trifft in Base64-kodierten Abschnitten ein, die eine Anwendung zur Wiedergabe dekodieren oder in einer Datei sammeln kann. Auf Anfrage können Abschnitte, soweit verfügbar, Ausrichtungsinformationen enthalten. Dies sind Details des Herstellerworkflows, keine Garantie für eine feste Latenz oder genaue Dauer einer einzelnen Äusserung.

Audiotags und Gesprächskontext steuern die Sprechweise. Eine Bestätigung kann erfreut, eine Erklärung aufmerksam und eine Korrektur ruhig klingen, während dieselbe Stimme erhalten bleibt. Platzieren Sie die hörbare Sprechregie nahe bei den betreffenden Wörtern. Eine beispielhafte Zeile könnte lauten: «[warm] Dieser Schritt ist abgeschlossen. [pause] Prüfen wir den nächsten Punkt.» Die Wörter müssen das richtige Ergebnis bereits vermitteln; die Tags gestalten, wie das Ergebnis gehört wird, statt fehlende Sachinformationen zu liefern.

Die v4-Modellfamilie unterstützt mehr als 90 Sprachen; zu den dokumentierten Beispielen gehören Englisch, Französisch, Deutsch, Japanisch, Spanisch, Portugiesisch und Russisch. ElevenLabs beschreibt eine stabile Sprecheridentität über Gesprächsrunden und Sprachen hinweg und unterstützt Professional Voice Clones sowohl in v4 als auch in v4 Turbo. Stimmenvorbereitung oder Klonen ist ein separater Schritt von der Synthese einer Antwort. Wählen Sie Stimme und Zielsprache ausdrücklich aus und halten Sie Namen, Terminologie und bevorzugte gesprochene Formen im gesamten Dialog konsistent.

Zu den dokumentierten Formatoptionen von ElevenLabs gehören MP3 für allgemeines Anhören, unkomprimiertes PCM oder WAV für Produktionsaudio und μ-law für Telefonie. Das gewählte Ausgabeformat bestimmt die vom Herstellerworkflow verwendete Abtastrate und Kodierung. Wählen Sie für einen Assistenten das Format passend zum Wiedergabeziel, statt im Skript eine Kodierung angeben zu lassen. Prüfen Sie wichtige Namen und Abkürzungen mit der gewählten Stimme und schreiben Sie den benötigten gesprochenen Wortlaut klar in den Text. Der Hersteller beschreibt Stability und Similarity als Stimmeneinstellungen für beide v4-Varianten; Regler für Style und Speed sind in diesem Profil nicht verfügbar. Gestalten Sie die Sprechweise mit dem gesprochenen Text und Audioanweisungen.

Ein praktisches Gesprächsbriefing beginnt mit einer kompakten Antwort, die ein Ergebnis und einen klaren nächsten Schritt enthält. Zum Beispiel: «Bestätige, dass das Dokument eingegangen ist, und erkläre dann, welche eine Angabe noch benötigt wird. Sprich ruhig und freundlich und bewahre den Dokumentnamen exakt.» Teilen Sie eine lange Antwort an sinnvollen Grenzen und bewahren Sie den umgebenden Gesprächskontext. Bewerten Sie Verständlichkeit, Beginn und Ende jeder Gesprächsrunde sowie die Übereinstimmung der Emotion mit der Aussage. Das Ergebnis ist gestreamte oder gesammelte Sprachausgabe für den bereitgestellten Text und die ausgewählte Stimme, getrennt von den Denk- und Zuhörschritten der Anwendung.