Vor einem Jahr klang eine KI-generierte Stimme in den meisten Fällen nach dem, was sie war: korrekt betont, aber flach. Pausen saßen an den falschen Stellen, Emotionen gab es kaum, und ein Satz wie „Das haben wir tatsächlich geschafft!“ klang genauso neutral wie eine Bahnhofsdurchsage. Wer heute denselben Text erneut einspricht, hört einen deutlichen Unterschied. Wir haben uns angesehen, was sich bei ElevenLabs getan hat, und zwei Hörbeispiele zum Vergleich vorbereitet.
Was vor einem Jahr noch Standard war
Text-to-Speech-Modelle wie ElevenLabs haben sich in den vergangenen Jahren stark verbessert, doch ihre größte Schwäche war lange die Ausdruckskraft. Die Stimme las den Text zuverlässig vor, aber Wut, Zögern, Ironie oder Begeisterung ließen sich kaum steuern. Wer eine bestimmte Stimmung wollte, musste den Text umformulieren, neu generieren und hoffen, dass es diesmal passt.
Was sich geändert hat
Mit dem Modell Eleven v3 hat ElevenLabs im Jahr 2025 einen grundlegenden Schritt gemacht. Der wichtigste Unterschied: Man steuert die Stimme jetzt direkt im Text. Über sogenannte Audio-Tags lassen sich Emotionen und Reaktionen an genau der Stelle platzieren, an der sie gebraucht werden, etwa:
- .[whispers] für ein Flüstern
- [laughs] oder [sighs] für Lachen und Seufzen
- [excited] oder [sad] für eine emotionale Färbung des gesamten Satzes
Tags lassen sich auch kombinieren und so über einen Satz hinweg eine Stimmung aufbauen. Dazu kam die Funktion Text-to-Dialogue: Mehrere Sprecher können in einem Durchgang einen Dialog sprechen, mit Reaktionen, Unterbrechungen und einem passenden Sprechtempo für jede Rolle.
Mittlerweile ist mit Eleven v4 eine weitere Generation verfügbar, die laut Anbieter noch ausdrucksstärker ist, mehr Sprachen unterstützt und längere Texte in einer Anfrage verarbeiten kann. Für Anwendungen mit sehr geringer Antwortzeit, etwa Sprachassistenten, gibt es zusätzlich eine Turbo-Variante.
Hören Sie selbst
Die beiden folgenden Beispiele sprechen denselben Text. Achten Sie auf Betonung, Pausen und darauf, wie Emotionen im Satzverlauf entstehen.
Hörbeispiel 1: Stand vor einem Jahr
Hörbeispiel 2: Stand heute
Was das für Lernen und Weiterbildung bedeutet
Gerade in der Weiterbildung macht die bessere Ausdruckskraft einen spürbaren Unterschied. Eine Lerneinheit, die lebendig klingt, bleibt eher hängen als ein monotoner Vortrag. Betonungen können Kernaussagen hervorheben, kurze Pausen geben Zeit zum Nachdenken, und ein Dialog zwischen zwei Sprechern kann Fragen und Antworten nachstellen, wie man sie in einem Seminar erlebt.
Für Teilnehmende, die Lerninhalte lieber hören, etwa unterwegs oder zwischen Terminen, wird das besonders relevant. Gut vertonte Lerninhalte können Zwischenzeiten sinnvoll nutzen, ohne dass das Zuhören anstrengend wird.
Worauf man achten sollte
KI-Stimmen sind leistungsfähig, aber nicht fehlerfrei. Betonungen bei Fachbegriffen müssen oft korrigiert werden, und bei längeren Texten lohnt sich ein genaues Anhören. Außerdem gilt: Die Stimme eines echten Menschen darf nur mit dessen ausdrücklicher Einwilligung geklont werden. Transparenz gegenüber dem Publikum, dass eine KI-Stimme eingesetzt wird, ist ebenfalls eine gute Praxis.
Fazit
In einem Jahr hat sich die KI-Sprachausgabe von einem Werkzeug zum Vorlesen zu einem Werkzeug für Ausdruck entwickelt. Die Entwicklung geht weiter, und wer Lerninhalte produziert, sollte sie im Blick behalten. Wir werden das Thema weiter beobachten und über neue Möglichkeiten berichten.
Hier geht es zu einem weiteren Beitrag:
