ElevenLabs v3

So liest ElevenLabs v3 einen Prompt

Laut Launch-Post von ElevenLabs braucht v3 mehr Prompt-Arbeit als frühere Modelle, dafür meistert es emotionale Wechsel und nonverbale Reaktionen wie Seufzen und Lachen. Dein Text wird Wort für Wort gelesen; Regieanweisungen für den Vortrag stehen direkt im Text in eckigen Klammern, genau dort, wo sich die Betonung ändern soll. Eine Anfrage nimmt bis zu 5.000 Zeichen auf, etwa fünf Minuten Audio.

So baust du einen Prompt auf:

[Emotion oder Vortragsweise] Textzeile, so interpunktiert, wie sie klingen soll.
[Reaktion] Kurze Zeile... [neue Emotion] nächste Zeile mit EINEM betonten Wort.

Der ElevenLabs-Leitfaden empfiehlt außerdem natürliche Sprechmuster, echte Zeichensetzung und einen klaren emotionalen Kontext. Eine Zeile, die schon inhaltlich traurig ist, braucht einen leichteren Tag als eine neutrale Zeile, die traurig klingen soll.

Audio-Tags

Der v3-Leitfaden von ElevenLabs nennt diese als verlässliche Startpunkte:

• Stimme und Emotion: [laughs], [laughs harder], [starts laughing], [wheezing], [whispers], [sighs], [exhales], [sarcastic], [curious], [excited], [crying], [snorts], [mischievously].
• Soundeffekte: [gunshot], [applause], [clapping], [explosion], [swallows], [gulps].
• Experimentell: [strong X accent], [sings], [woo]. Bei verschiedenen Stimmen weniger zuverlässig; teste sie, bevor du dich auf einen verlässt.

Tags lassen sich kombinieren: Der Launch-Post zeigt [happily][shouts] We did it! [laughs]. Schreib Tags klein und auf Englisch, wie in allen ElevenLabs-Beispielen, auch wenn das Skript auf Deutsch ist. Deshalb übersetzen die Prompts auf dieser Seite den Text und lassen die Tags englisch.

Zeichensetzung und Betonung

v3 unterstützt keine SSML-Break-Tags. Pausen entstehen stattdessen durch Zeichensetzung und Struktur:

• Auslassungspunkte setzen eine Pause und geben Gewicht: „Ich dachte... vergiss es.“
• Großbuchstaben betonen ein Wort: „Es war ein SEHR langer Tag.“
• Ein Gedankenstrich bricht eine Zeile ab: „Jetzt kann ich flüstern— [whispers] so.“
• Zeilenumbrüche zwischen Sätzen lassen dem Vortrag Luft.

Die Stimme wählen

Laut ElevenLabs ist die Stimme in v3 der wichtigste Parameter. Tags wirken nur im Spielraum, den die Stimme schon hat: Eine flüsternde Stimme brüllt nicht wegen [shout], und eine ernste Stimme reagiert vielleicht nicht auf [giggles]. Wenn ein Tag immer wieder scheitert, wechsle die Stimme, bevor du die Zeile umschreibst. Für eine Referenzaufnahme gilt laut Leitfaden: Ein emotional abwechslungsreiches Sample gibt v3 mehr Material, ein neutrales bleibt über Sprachen hinweg stabiler.

Stimmkonvertierung

In Endless nimmt v3 statt eines Skripts auch eine Aufnahme entgegen. Hänge sie als Speech an, und dieselben Worte kommen in der gewählten voreingestellten oder Referenzstimme zurück, mit Timing und Emotion des Originals. ElevenLabs dokumentiert das als Voice Changer, der mit dem Vortrag der Aufnahme arbeitet: Flüstern, Lachen, Weinen und Tempo bleiben erhalten, ebenso der Akzent. Wenn du mit amerikanischem Akzent aufnimmst und eine britische Stimme wählst, bekommst du diese Stimme mit amerikanischem Akzent.

Nutze das, wenn eine Tag-Lesung das nötige Timing nicht trifft, etwa bei einer Zeile, die zu einem Schnitt im Video passen muss, oder wenn du eine Probeaufnahme neu einsprechen lassen willst. Der ElevenLabs-Leitfaden gibt drei Tipps für die Aufnahme:

• Spiel es. Brüll, lach oder weine in der Aufnahme; das Ergebnis folgt dem, was du getan hast.
• Stell den Pegel richtig ein. Eine leise Aufnahme ist schwerer zu lesen, eine zu laute übersteuert.
• Bleib unter 5 Minuten. Teile längeres Material in Abschnitte auf und konvertiere jeden einzeln.

Ein einfaches Rezept: Nimm die Zeile mit dem Handy in einem ruhigen Raum auf und lies sie so, wie die Figur sie sagen soll. Hänge sie als Speech an, wähl die Stimme, setz Stabilität auf 0,5 und aktiviere Hintergrundgeräusche entfernen, falls der Raum nicht still war. Einen Text-Prompt brauchst du nicht.

Einstellungen, auf die es ankommt

• Stimme: zwanzig voreingestellte Stimmen, standardmäßig Aria.
• Stimmreferenz: eine Aufnahme der Stimme, in der gesprochen werden soll, nur für diesen Durchlauf. Mit etwa einer Minute sauberer Sprache klappt es am besten.
• Speech (die zu konvertierende Aufnahme): erscheint, sobald eine voreingestellte oder Referenzstimme gewählt ist. Eine Aufnahme von bis zu 5 Minuten, die in dieser Stimme neu gesprochen wird, mit denselben Worten, demselben Timing und derselben Emotion.
• Hintergrundgeräusche entfernen: erscheint, sobald eine Speech-Aufnahme angehängt ist. Schalte es ein bei Raumgeräuschen, Verkehr oder Brummen.
• Stabilität: 0, 0,5 oder 1. Im v3-Leitfaden von ElevenLabs hießen die Stufen Creative, Natural und Robust. Creative ist am emotionalsten und ausdrucksstärksten, neigt laut Leitfaden aber zu Halluzinationen. Natural bleibt der Originalstimme am nächsten. Robust ist sehr stabil und nah an v2, reagiert aber weniger auf Tags. Nimm 0 oder 0,5, wenn das Skript von Tags lebt, und 1 für eine schlichte Lesung, die sich wiederholen lassen soll.

Häufige Fehler

• Der Tag bewirkt nichts. Die Stimme kann ihn nicht umsetzen, oder die Stabilität steht auf 1. Senk die Stabilität oder wähl eine Stimme, deren natürlicher Vortrag näher am Ziel liegt.
• Es tauchen Zusatzgeräusche oder -wörter auf. Stabilität 0 nennt ElevenLabs als anfällig für Halluzinationen. Wechsle auf 0,5 und generiere neu.
• Eine kurze Zeile klingt flach oder seltsam. Wenige Wörter geben dem Modell kaum emotionalen Kontext. Füge davor oder danach einen Satz hinzu oder schreib die Emotion in den Wortlaut.
• Die Pause wird ignoriert. Nimm Auslassungspunkte, einen Gedankenstrich oder eine neue Zeile.
• Die konvertierte Stimme hat den falschen Akzent. Die Konvertierung behält den Akzent der Aufnahme. Sprich mit dem Akzent auf, den du hören willst.
• Der Akzent verwischt. Setz [strong X accent] an den Anfang jedes Absatzes, der ihn braucht, und teste die Stimme vorher.