ElevenLabs Eleven v4: eine schnellere, ausdrucksstärkere Maschinenstimme auf Arabisch

Am 28. September 2026 hat ElevenLabs zwei neue Text-to-Speech-Modelle veröffentlicht: Eleven v4, sein hochwertigstes und ausdrucksstärkstes Modell, und Eleven v4 Turbo, gebaut für Echtzeitgespräche mit einer medianen Generierungslatenz von etwa 100 Millisekunden. Beide unterstützen mehr als 90 Sprachen, darunter Arabisch, und ihre API-Preise sind bis zum 12. Oktober um 72 % reduziert. Die Erkenntnis für Unternehmer: Die Stimme selbst ist nicht mehr das, was zwischen Ihnen und einer automatisierten Rezeption steht, die ans Telefon geht. Das eigentliche Hindernis sind jetzt die Informationen, auf die sie sich stützt, die Regeln dafür, was sie sagt, und wann sie das Gespräch an einen Menschen übergibt.

Was genau wurde veröffentlicht?

Laut der Modellseite in der offiziellen Dokumentation des Unternehmens besteht das Release aus einer Familie von zwei Modellen:

  • Eleven v4: das Spitzenmodell in Sachen Qualität, ausgerichtet auf Voiceovers, Dialoge mit mehreren Sprechern, Hörbücher und mehrsprachige Projekte. Eine einzelne Anfrage akzeptiert bis zu 10.000 Zeichen, rund 10 Minuten Audio, gegenüber 5.000 Zeichen in der Vorgängergeneration v3.
  • Eleven v4 Turbo: eine Echtzeit-Version mit einer medianen Generierungslatenz von etwa 100 Millisekunden; Kundensupport-Agenten und KI-Assistenten stehen ganz oben auf der Liste der vom Unternehmen genannten Einsatzzwecke.

Die Sprachabdeckung stieg von über 70 bei v3 auf über 90, und beide Modelle unterstützen Audio-Tags, die Vortrag und Tonfall steuern. TechCrunch berichtete, dass das Modell eine Stimme anhand einer 10-Sekunden-Probe klonen kann und dass die größten Qualitätssprünge bei Japanisch, brasilianischem Portugiesisch, Mandarin und Kantonesisch erzielt wurden; Arabisch gehörte also nicht zu den Sprachen, die die Ankündigung hervorhob.

Was kostet es tatsächlich?

ElevenLabs berechnet seine API in US-Dollar pro 1.000 Zeichen. Auf der offiziellen Preisseite liegt Eleven v4 bei 0,022 $ statt 0,08 $ und Turbo bei 0,011 $ statt 0,04 $, wobei der Rabatt bis zum 12. Oktober läuft. Da die Dokumentation 10.000 Zeichen mit etwa 10 Minuten Audio veranschlagt, gilt als grobe Faustregel: Jede Minute Sprache braucht etwa 1.000 Zeichen.

Ein Praxisbeispiel: Eine Kundenservice-Hotline, bei der der Sprachagent 1.000 Minuten im Monat spricht, verbraucht etwa eine Million Zeichen. Nach Ende des Rabatts kostet die Stimme mit Turbo etwa 40 $ im Monat und mit v4 etwa 80 $. Das ist nur die Stimme; das Sprachmodell, das die Antwort festlegt, die Transkription dessen, was der Kunde sagt, die Telefonleitung und die Integration mit Ihren Systemen sind separate Kosten und meist der größere Teil der Rechnung.

Wo kann es Ihrem Unternehmen helfen?

  • Anrufe außerhalb der Geschäftszeiten annehmen: einen Termin in einer Klinik buchen, den Status einer Bestellung prüfen oder nach Öffnungszeiten und Standort fragen, ohne lange Telefonmenüs nach dem Muster „Drücken Sie 1, drücken Sie 2“.
  • Voiceovers für Inhalte: Produktvideos, interne Schulungen und Systemeinführungen für neue Mitarbeitende auf Arabisch und Englisch, mit einer einheitlichen Stimme in jedem Video und ohne jedes Mal ein Studio zu buchen.
  • Mehr Menschen erreichen: geschriebene Inhalte für diejenigen vorlesen, die lieber zuhören, oder ausländische Arbeitskräfte in ihren eigenen Sprachen wie Urdu, Hindi und Filipino bedienen, die alle auf der Liste der unterstützten Sprachen stehen.

Bevor eine Maschinenstimme Ihren Kunden antwortet

Eine bessere Stimmqualität macht Fehler überzeugender, nicht weniger überzeugend. Ein Agent, der in selbstsicherem, menschlichem Ton spricht und einem Kunden dann einen Termin gibt, den es nicht gibt, ist schlimmer als ein langweiliges Telefonmenü. Deshalb beginnen wir mit unseren Kunden mit diesen Fragen, bevor wir uns für einen Anbieter entscheiden:

  • Woher kommen seine Antworten? Der Agent sollte live aus Ihrem Buchungs-, Lager- oder Bestellsystem lesen, nicht aus einem festen, einmal geschriebenen Skript. Wir haben das in eine Unternehmens-Wissensdatenbank für KI aufbauen erklärt.
  • Wann übergibt er an einen Menschen? Beschwerden, hohe Beträge und verärgerte Kunden gehen sofort an einen Menschen, zusammen mit einer Zusammenfassung des Gesprächs. Details in ein Gespräch vom Assistenten an Ihr Team übergeben.
  • Passt der Akzent zu Ihren Kunden? Die Dokumentation führt Arabisch auf, ohne Dialekte zu nennen, also testen Sie es mit Skripten aus Ihren echten Anrufen: Namen von Stadtvierteln, Ihre Produktnamen, Zahlen und Hidschri-Datumsangaben.
  • Was ist mit Daten und Einwilligung? Gesprächsaufzeichnungen und Transkripte sind personenbezogene Daten, die unter das Gesetz zum Schutz personenbezogener Daten (PDPL) fallen, und das Klonen der Stimme eines Mitarbeiters erfordert dessen ausdrückliche Einwilligung. Siehe Kundengespräche und KI unter dem PDPL.
  • Weiß der Kunde, dass er mit einer Maschine spricht? Dies im ersten Satz offenzulegen schützt das Vertrauen, zumal geklonte Stimmen zu einem bekannten Betrugswerkzeug geworden sind, wie wir in Ihr Unternehmen vor Deepfake-Betrug schützen beschrieben haben.

Sollten Sie jetzt wechseln?

Wenn Sie bereits ein System auf Basis von v3 oder Multilingual v2 betreiben, das seinen Zweck erfüllt, besteht keine Eile. Laut Dokumentation ist Eleven v4 über die Text to Dialogue API verfügbar und Turbo über seine Websocket-Verbindung; prüfen Sie also vor dem Wechsel, ob Ihre aktuelle Integration das unterstützt. Klüger ist es, das Rabattfenster für einen direkten Vergleichstest mit einer Auswahl Ihrer echten Skripte zu nutzen und dann auf Grundlage der Ergebnisse und des vollen Preises zu entscheiden, nicht des vorübergehenden.

Wie wir es bei Origami umsetzen

Wir behandeln die Sprach-Engine als austauschbares Bauteil, nicht als Fundament des Systems. Die Logik, die entscheidet, was gesagt wird, die Integration mit Buchungs-, Rechnungs- und Lagersystemen, das Anrufprotokoll und die Übergaberegeln werden alle auf Ihrer Seite und unter Ihrer Kontrolle aufgebaut. So können Sie Eleven v4 heute ausprobieren und morgen zu einem anderen Anbieter wechseln, wenn sich der Preis ändert oder ein Modell erscheint, das besser zum Dialekt Ihrer Kunden passt, ohne alles neu bauen zu müssen. Wenn Sie bei null anfangen, zeigt unser Artikel über Sprach-KI im Kundenservice das Gesamtbild.

Unser praktischer Rat: Wählen Sie einen eng umrissenen Ablauf, etwa Terminbestätigungen oder Bestellstatusabfragen, betreiben Sie ihn zwei Wochen lang mit einem Teil Ihrer Anrufe und messen Sie dann, wie viele Anrufe ohne Übergabe endeten, die Fehlerquote und die Kundenzufriedenheit. Echte Zahlen aus Ihren eigenen Anrufen sind ehrlicher als jede Platzierung in einer Vergleichstabelle.

Quellen