Eleven v4 und Turbo: Dialog, Gefühle und die Stille zwischen den Sätzen

Nicht jedes Gespräch braucht dasselbe Sprachmodell

Eine Stimme soll eine Geschichte erzählen, eine andere sofort am Telefon antworten. Beides hat mit Stimme zu tun, die Anforderungen unterscheiden sich aber. ElevenLabs hat Eleven v4 und Eleven v4 Turbo am 28. September 2026 in ElevenCreative, ElevenAgents und über die API bereitgestellt. Der Hersteller nennt eine bessere Dialogführung, Kontrolle über Emotionen und eine konsistentere Stimme beim erneuten Generieren einzelner Sätze. Die Dokumentation nennt mehr als 90 Sprachen, darunter Polnisch.

V4 ist für vorbereitete Inhalte gedacht: Erzählungen, Dialoge und längere Aufnahmen. Turbo soll schnell reagieren, etwa als Sprachagent, also als Anwendung, die sich mit einem Nutzer unterhält. Für eine Veranstaltungsankündigung würden wir deshalb anders anfangen als für einen Gesprächspartner, der live antwortet.

Auch ein Moment Stille sagt etwas

Die Dokumentation enthält Audio-Tags, mit denen sich die Ausführung eines Abschnitts angeben lässt: Flüstern, eine Emotion oder eine Pause. Falls du SSML break kennst: Hier kannst du es nicht verwenden, v4 unterstützt es nicht. Pausen beschreiben wir mit Audio-Tags, Satzzeichen und der Textstruktur.

Denk an eine kurze Ankündigung. Ein ruhiger Einstieg bringt uns zur Szene, Stille schafft Raum für den Namen, der letzte Satz gibt Energie. Der Text muss sich nicht ändern. Wir ändern den Vortrag und damit den Charakter der Einladung.

Zwei Stimmen auf beiden Seiten einer Tür

Für das fiktive Cookie Sessions haben wir diese Idee: Die erste Stimme spricht leise, als stünde jemand vor einem geschlossenen Saal. Die zweite antwortet von drinnen. Ein kurzer Wortwechsel, Stille, der Veranstaltungsname und das Plakat. Das ist ein Aufnahmeplan; diese zweistimmige Ankündigung haben wir noch nicht erstellt.

Die Stimme an der Tür würden wir nah am Hörer und sparsam führen. Die aus dem Saal könnte ein freieres Tempo bekommen. Plane Hintergrund und akustischen Übergang gesondert im Schnitt, damit eine geänderte Zeile nicht den Umbau des Ganzen verlangt. Du kannst auch die Rollen umdrehen und zwei Deutungen suchen: eine persönliche Einladung und einen kräftigeren Auftakt.

Zu dieser Idee passt v4. Die Integrationsdokumentation verweist auf die Text to Dialogue API; v4 Turbo hat dagegen eine Streaming-Variante für Livegespräche. Vor der Auswahl müssen wir die polnische Aussprache, den Namen Cookie Sessions, die Rollenwechsel und die Stille vor dem Titel anhören. Am besten schon zum Plakatbild. Dann hört man, ob Stimme und Grafik eine gemeinsame Szene bilden.