ElevenLabs bringt mit Eleven v4 das beste TTS-Modell

ElevenLabs stellt mit Eleven v4 und Eleven v4 Turbo zwei neue Modelle für künstlich erzeugte Sprache vor. Das Spitzenmodell setzt sich in einem unabhängigen Vergleich direkt an die Spitze, während die Turbo-Version Sprachagenten mit rund 100 Millisekunden Latenz versorgt. Beide verstehen mehr als 90 Sprachen und klonen eine Stimme aus zehn Sekunden Audiomaterial.

Eleven v4 erreicht Platz eins

Im Text-to-Speech-Vergleich von Artificial Analysis erreicht Eleven v4 einen Elo-Wert von 1.319. Damit führt es vor Cartesias Sonic 3.6 mit 1.276 Punkten und Googles Gemini 3.8 Flash TTS mit 1.267 Punkten. Die Rangliste beruht auf den Urteilen von Nutzern, die Sprachaufnahmen in der Speech Arena gegeneinander bewerten.

Auch bei schwierigen englischen Ausdrücken schneidet Eleven v4 stark ab. Menschliche Prüfer bewerteten rund 92 Prozent der markierten Passagen als richtig ausgesprochen. Dazu gehören Namen, mehrdeutige Wörter, Mailadressen, Zahlen und Einheiten. Kein anderes Modell ist besser.

Emotionen und Regie direkt im Text

Eine neue Architektur leitet Tonfall, Tempo, Emotion und Charakter besser aus dem Kontext ab. Über Inline-Tags kann der Nutzer die Darbietung zusätzlich steuern, etwa Reaktionen, Pausen, Geräusche oder einen bestimmten Stil. Mehrere Anweisungen lassen sich kombinieren und in einer gewünschten Reihenfolge ausführen.

ElevenLabs hat zudem das Voice Cloning überarbeitet. Instant Voice Clones entstehen aus zehn Sekunden Audio. Bei langen Texten, Dialogen und neu erzeugten Passagen bleibt die Identität des Sprechers beständiger erhalten.

Eleven v4 richtet sich damit vor allem an Hörbücher, Spiele, Animationen und mehrsprachige Produktionen. Eleven v4 Turbo überträgt die Ausdrucksstärke auf Gespräche in Echtzeit, etwa im Kundendienst oder bei Terminvereinbarungen. Die Sprachgenerierung kann bereits beginnen, während das vorgeschaltete LLM seine Antwort noch schreibt.

Günstig ist die Spitzenposition nicht. Artificial Analysis berechnet für Eleven v4 einen Preis von 80 Dollar pro Million Zeichen. Trotzdem zählt das Modell dort zu den stärksten Angeboten beim Verhältnis von Qualität und Preis.