Eleven v4 im Vergleich zu Eleven v3: Was sich für dein Voiceover ändert

Eleven v4 und Eleven v3 in einem Absatz#

Bei einem aufgezeichneten Voiceover entscheidest du zwischen Eleven v4 und Eleven v3 nach anderen Kriterien als bei einem Sprachagenten im Livebetrieb. ElevenLabs hat v4 und v4 Turbo am 28. September 2026 angekündigt (Öffnet sich in einem neuen Tab), mit einer Aktualisierung vom 19. Oktober: Eine neue Architektur, eine breitere Sprachabdeckung und eine überarbeitete Stimmensteuerung sind Änderungen laut Anbieter. Mit Stand vom 21. Oktober 2026 ist keines der beiden v4-Modelle auf OmniArt verfügbar. Du kannst weiterhin mit Eleven v3, Eleven Multilingual v2 oder Eleven Turbo v2.5 produzieren. Bei einem Video, das du vor der Veröffentlichung schneidest, zählt die aufgezeichnete Darbietung; bei einem Agenten, der sofort antworten muss, solltest du die Streaming-Latenz gesondert untersuchen.

Was sich laut ElevenLabs geändert hat#

Der folgende Vergleich trennt die auswählbaren Einstellungen auf OmniArt von den umfassenderen Modellaussagen von ElevenLabs. Die OmniArt-Zahlen stammen aus dem Sprachkatalog und den Sprachlisten, geprüft am 21. Oktober 2026. Die v4-Spalte fasst die datierte Veröffentlichungsankündigung (Öffnet sich in einem neuen Tab) zusammen. Ihre Fähigkeiten beruhen auf Anbieterangaben, nicht auf einem Praxistest auf OmniArt.

Die Anzahl der Sprachen in einer Auswahl ist ein Integrationsdetail und kein vollständiger Maßstab für die Modellqualität. Prüfe deine benötigte Sprache und höre dir Namen, Daten und Übergänge in dieser Sprache an. Ebenso beweist eine Klonfunktion des Anbieters nicht, dass eine Kreativplattform sie anbietet. Dieser Artikel enthält keinen Ablauf zum Stimmenklonen auf OmniArt und sagt nicht voraus, wann v4 verfügbar wird.

Die beiden Latenzwerte richtig lesen#

ElevenLabs nennt eine mediane Inferenzlatenz von ungefähr 100 ms für Eleven v4 Turbo im Architekturabschnitt seiner Ankündigung vom 28. September, aktualisiert am 19. Oktober 2026 (Öffnet sich in einem neuen Tab). Eine Messmethode wird dazu nicht angegeben. Du solltest den Wert nicht als Zeit von der Anfrage bis zur hörbaren Sprache bezeichnen.

Unabhängig davon nennt dieselbe Quelle eine mediane Zeit bis zur ersten Sprachausgabe von ungefähr 150 ms für Eleven v4 Turbo. Fußnote 3 definiert sie als Zeit von der Anfrage bis zur hörbaren Sprache, gemessen im September 2026 mit identischen Skripten und Standardeinstellungen sowie WebSocket-Streaming für v4 Turbo. Die Netzwerklatenz wurde bei jedem System gemessen und herausgerechnet. Verglichen wurde mit Cartesia Sonic 3.6, xAI TTS, Google Gemini 3.8 Flash-Lite TTS und OpenAI GPT-4o mini TTS. Beide Werte stammen vom Anbieter; keiner ist ein Latenzwert für das v4-Modell ohne Turbo.

Das sind getrennte Messgrößen. Mache daraus keine Spanne und ziehe die Werte nicht voneinander ab, um eine vom Anbieter nicht dokumentierte Verarbeitungsstufe abzuleiten. Ein Median sagt dir auch nicht, wie sich eine langsame Anfrage verhält.

Teste bei einem Liveagenten die gesamte Interaktion mit dem Netzwerk und den Geräten deines Publikums. Zuhörende warten auf mehr als die Sprachsynthese: Erkennung des Sprecherwechsels, Antwortplanung, Übertragung und Wiedergabe tragen alle dazu bei. Das Herausrechnen der Netzwerkzeit hilft, einen Vergleichswert zu isolieren, bildet die gesamte Wartezeit aber weniger gut ab.

Bei vorab generierter YouTube-Erzählung, Werbung oder lokalisierten Videos entscheidet die Latenz des ersten Wortes selten über das fertige Ergebnis. Achte stattdessen auf Darbietung, Aussprache, Pausen und Schnittmöglichkeiten. Die Generierungsgeschwindigkeit kann deinen Arbeitstag beeinflussen; eine schwache Darbietung wird dadurch nicht für den fertigen Schnitt brauchbar.

Die Aussagen zu Präferenz und Ranglisten#

Laut Veröffentlichungsbeitrag von ElevenLabs (Öffnet sich in einem neuen Tab) belegte v4 im September 2026 Platz eins in der Provider Voice Arena von Artificial Analysis. Das ist eine historische Platzierung, die der Anbieter zitiert. Die aktuelle Position in der Rangliste wurde mit Stand vom 21. Oktober 2026 nicht unabhängig bestätigt.

Der Beitrag berichtet außerdem von ungefähr 75 % Hörerpräferenz in eigenen Blindtests vom September 2026. Bewertet wurden Ausdrucksstärke und Natürlichkeit derselben Zeile; Gleichstände zählten zur Hälfte. Die Konkurrenz bestand aus Cartesia Sonic 3.6, Inworld TTS-2, Google Gemini 3.8 Flash-Lite TTS und Google Gemini 3.8 Flash TTS. Dies ist ein vom Anbieter durchgeführter Test mit anderen Vergleichsmodellen als beim Latenztest. Er misst keine Präferenz gegenüber v3 auf OmniArt.

Nutze diese Aussagen, um zu entscheiden, was du probehören möchtest, statt damit einen Test deines eigenen Skripts zu ersetzen. Ein falsch ausgesprochener Produktname kann schwerer wiegen als eine insgesamt geschliffene Darbietung. Lass bei einer Lokalisierung jemanden, der die Zielsprache fließend spricht, die Darbietung im Kontext prüfen. Dieser Artikel enthält keinen Hörtest mit v4 und erstellt keine unabhängige Qualitätsrangliste.

Voiceover auf OmniArt heute#

Mit Stand vom 21. Oktober 2026 bieten dir der OmniArt-Sprachkatalog und die Abrechnungseinheiten die folgenden praktischen Optionen. Die Grenzen und Kosten unten sind OmniArt-Einstellungen, keine API-Preise von ElevenLabs.

Dieselben datierten Sprachlisten stellen 29 Sprachcodes plus automatische Erkennung für Multilingual v2 und 32 plus automatische Erkennung für Turbo v2.5 bereit. Prüfe deine Zielsprache in der Auswahl, bevor du allein nach der Skriptlänge entscheidest.

Nach den obigen Preisregeln vom 21. Oktober 2026 kostet ein Skript mit 1.000 Zeichen 20 Credits bei v3 und 10 Credits bei Turbo v2.5. Blöcke werden aufgerundet: Sobald du über einen vollständigen Block hinaus Text hinzufügst, beginnt ein weiterer kostenpflichtiger Block. Das sind Schätzungen pro Generierung; zusätzliche Takes kosten jeweils extra. Prüfe die angezeigte Schätzung im Audiomodus, nachdem du dein tatsächliches Skript einschließlich Regie-Tags eingefügt hast.

Um v3 zu beurteilen, wähle die Sprachsynthese und das Modell aus, behalte dieselbe Stimmenvoreinstellung bei und beginne mit einer Passage, deren Sprechweise sich deutlich ändern soll. Probiere dieses Skript aus, entferne dann die Tags in eckigen Klammern und höre erneut hinein:

Höre darauf, ob die Begeisterung zum vorgesehenen Zeitpunkt einsetzt und das leisere Ende verständlich bleibt. Stelle eine neutrale Passage neben die mit Regieanweisungen, damit du einen Übergang statt nur eines isolierten Effekts hörst. Ändere jeweils nur einen Teil des Skripts und behalte den Take, der deinem Schnitt dient.

Beispiele und Hinweise zur Platzierung findest du im Leitfaden zu Eleven v3 Audio-Tags. Den umfassenderen Schnittablauf erklärt KI-Voiceover für YouTube-Videos; eine Alternative im Plan Free bietet der MiniMax-Speech-Leitfaden. Falls ein älteres Tutorial abweicht, gelten die aktuellen Grenzen und Kosten oben.