Eleven v4 Test: Zahlen, Abkürzungen und Preise auf Deutsch

👁 115 Aufrufe

Eleven v4 ist das neue Text-to-Speech-Modell von ElevenLabs, das am 28. September 2026 mit 1319 Elo-Punkten auf Platz 1 des Artificial-Analysis-Rankings einstieg. Wir haben es am Tag der Veröffentlichung über die API getestet - allerdings auf Deutsch, nicht auf Polnisch wie im Original. Unten finden Sie Zahlen aus dem Ranking, Preise in USD, unsere Hörproben und die Antwort darauf, wo v4 wirklich gewinnt und wo es nur gleichzieht.

Was ElevenLabs angekündigt hat

Am 28. September 2026 veröffentlichte ElevenLabs Eleven v4 in zwei Versionen: der vollständigen (API-Kennung eleven_v4) und der schnellen eleven_v4_turbo. Das Unternehmen spricht von einer neuen Architektur, größerer emotionaler Tiefe und besserem Dialog mit mehreren Sprechern. Beide Versionen funktionieren in der ElevenCreative-App, in ElevenAgents und über die API.

• Sprachen: Der Hersteller gibt „über 90″ an (v3 hatte „über 70″). Die API-Liste, die wir am 28. September abgerufen haben, enthält 85 Sprachcodes für v4 und 74 für v3. Deutsch ist in beiden enthalten.
• Länge einer Generierung: bis zu 10.000 Zeichen (v3: 5000).
• Audio-Tags: Einfügungen in Klammern, z. B. [whispers], [laughs], [sighs], die das Modell spielt, anstatt sie vorzulesen.
• v4 Turbo: Laut ElevenLabs etwa 100 ms Modell-Latenz und etwa 150 ms bis zum ersten Wort.
• Klonen: Schnelles Stimmen-Klonen (Instant Voice Clone) aus 10 Sekunden Aufnahme; professionelle Klone (PVC) funktionieren ebenfalls mit v4.

ElevenLabs gibt auch an, dass v4 in etwa 75% der Blindvergleiche mit Konkurrenzmodellen gewonnen hat. Das sind Herstellerangaben, die sich von außen nicht überprüfen lassen. Das Artificial-Analysis-Ranking kann man selbst nachprüfen.

Eleven v4 im Artificial-Analysis-Ranking

Artificial Analysis betreibt eine Voice-Arena: Hörer bekommen zwei Aufnahmen desselben Textes, wissen nicht, welches Modell sie erstellt hat, und wählen die natürlichere. Aus Tausenden solcher Abstimmungen entsteht die Elo-Punktzahl. In der Kategorie „Provider Voice“ spricht jedes Modell mit den eigenen Stimmen des Herstellers (auf Englisch, amerikanischer und britischer Akzent).

Der Vorsprung von 43 Punkten vor Cartesia ist größer als die Summe beider Unsicherheitsintervalle, Platz 1 ist also kein Zufall. Der Vorgänger Eleven v3 liegt in demselben Ranking auf Platz 18 mit 1169 Punkten. In der separaten Kategorie „Controlled Voice“, wo alle Modelle dieselben geklonten Stimmen erhalten, ist v4 Zweiter (1157) hinter Qwen-Audio-3.1-TTS-Plus (1178), und v3 hat 1073.

Artificial Analysis nannte auch zwei Zahlen, die nicht in der Ranking-Tabelle auf der Website zu sehen sind, sondern nur im Beitrag vom 28. September (wir zitieren sie nach AlphaSignal): 91,7% korrekte Aussprache im Test schwieriger Wörter, Abkürzungen und Zahlen (Gemini 3.8 Flash TTS 89,5%, Gemini 3.1 Flash TTS 88,2%, Eleven v3 85,6%) sowie 73,4 generierte Zeichen pro Sekunde gegenüber 42,5 in v3. Diese Tests sind auf Englisch. Deshalb haben wir unseren eigenen auf Deutsch durchgeführt.

Unser Test auf Deutsch: Sätze, Zahlen, Daten

Wir haben über die ElevenLabs-API vier Sätze generiert: einen Zungenbrecher („Blaukraut bleibt Blaukraut…“), einen Termin mit „Dr. Annegret Schwarzenegger-Pfeiffelmann“ am 17.03.2027 um 9:45 Uhr in der Goethestr. 12, einen Preis von 1.249,99 € und 15% sowie einen Satz über Mathematik und Physik. Der zweite Text war ein reiner Hindernisparcours: Zug ICE 1027, 29.02.2028, 14:30 Uhr, Bestellung Nr. 48/2026, 3.450,50 € brutto, „d. h.“, „ca. 2,8 Tsd. €“, Telefonnummer und E-Mail-Adresse. Den Text haben wir in dieser Form gesendet, ohne Zahlen auszuschreiben, mit der Normalisierungseinstellung auf „auto“.

Jede Aufnahme haben wir durch drei unabhängige Transkriptionen geschickt: Whisper large-v3 (lokal), ElevenLabs Scribe v2 und Whisper large-v3 mit einem Zahlen-in-Worten-Prompt. Einen Fehler haben wir gezählt, wenn mindestens zwei Transkriptionen die falsche Form zeigten, z. B. „siebzehnter null dritter“ statt „siebzehnten März“. Whisper allein ist manchmal übergenau, daher haben wir solche Einzelfälle nicht gezählt, wenn Scribe Beweise für die korrekte Aussprache lieferte.

V4 las „Dr.“ als „Doktor“, das Datum als „siebzehnten März zweitausendsiebenundzwanzig“, den Betrag als „tausendzweihundertneunundvierzig Euro neunundneunzig“ und die E-Mail-Adresse als „info at beispiel punkt de“. Dasselbe Ergebnis, 7 von 7, fiel bei den Stimmen Susi und Alice sowie in zwei weiteren Generierungen mit Otto. V3 erreichte ebenfalls 11 von 11 im Hindernisparcours.

Flash v2.5 verbessert sich nach Aktivierung der Textnormalisierung (apply_text_normalization: "on"): Dann erreichte es 11 von 11 Punkten im Hindernisparcours. Bei v4 änderte der Schalter nichts, weil v4 auf „auto“ ohnehin die volle Punktzahl hatte.

Im polnischen Originaltest hatte Gemini 3.8 Flash den Aufnahmen zugehört und v4 8/10 für Natürlichkeit und 9-10/10 für polnische Aussprache gegeben. Für unseren deutschen Test stand diese subjektive Bewertung nicht zur Verfügung.

Emotions-Tags auf Deutsch

Der dritte Text hatte sechs Tags: Flüstern, Pause, nervöses Lachen, Aufregung, Seufzen und Sarkasmus („[sarcastic] Natürlich, Montag ist mein Lieblingstag“). Kein ElevenLabs-Modell las die Tags laut vor, was früher vorkam. Ob ein Tag gespielt wurde, haben wir anhand der ElevenLabs-Scribe-Audio-Event-Erkennung (z. B. [lacht], [seufzt]) und der Tonhöhenvariabilität gemessen; Flüstern/Pause/Aufregung/Sarkasmus sind auf diese Weise nicht erkennbar.

Eine objektive Spur ist in der Stimmmelodie sichtbar. Wir haben gemessen, wie stark die Tonhöhe springt (Standardabweichung in Halbtönen): v4 mit Otto 9,57, v4 Turbo 10,24, v3 9,23. Bei normalen Sätzen ohne Tags hatte Flash v2.5 5,18, klang also am flachsten.

Geschwindigkeit: v4, Turbo und Flash

Artificial Analysis gibt für v4 73,4 Zeichen pro Sekunde an. Am Tag der Premiere, mit Verbindung aus Polen, haben wir weniger erreicht: Der erste Aufruf von 431 Zeichen dauerte 13,93 s, also etwa 31 Zeichen pro Sekunde, ähnlich wie v3.

Bei Sprachassistenten ist wichtiger, nach welcher Zeit der erste Ton zu hören ist. Wir haben dies im Streaming-Modus gemessen, dreimal pro Modell (Median):

V4 Turbo ist also fast so schnell wie Flash, hat bei deutschen Zahlen wie das volle v4 abgeschnitten, und die Emotions-Tags wurden sogar vollständiger gespielt (erkennbare Events bei beiden Stimmen). Für Live-Gespräche würden wir Turbo ohne zu zögern wählen. Das volle v4 würden wir für Aufnahmen reservieren, bei denen jede Nuance zählt, denn es belegte Platz 1 im Natürlichkeits-Ranking, aber in unserem Test haben wir keinen Vorteil gefunden, der den doppelten Credit-Verbrauch rechtfertigen würde. Das ist unsere Meinung.

Preis von Eleven v4 und Verfügbarkeit in Plänen

In der API kostet v4 0,08 USD pro 1000 Zeichen, also 80 USD pro Million, genauso viel wie v3 und Multilingual v2 in der aktuellen Preisliste. Bis 12. Oktober 2026 läuft eine Aktion: 0,022 USD pro 1000 Zeichen in v4 und 0,011 USD in v4 Turbo (regulär 0,04 USD). Die Preise sind ohne MwSt.

* Eine Minute haben wir aus unserer Aufnahme berechnet: 431 Zeichen ergaben 35,52 s, also etwa 728 Zeichen pro Minute Sprache. Credits pro Zeichen haben wir aus dem API-Antwort-Header abgelesen: 431 Zeichen kosteten 431 Credits in v4 und 215 in v4 Turbo.

In der App ist v4 auch im kostenlosen Plan verfügbar. Mit 10.000 Credits aus dem Free-Plan kommen etwa 14 Minuten Sprache in v4 oder 28 Minuten in v4 Turbo heraus, beim Creator-Plan (121.000 Credits, 22 USD monatlich) etwa 3 Stunden in v4.

Ob man von v3 auf v4 umsteigen sollte

Wenn Sie deutsche Aufnahmen mit Zahlen, Daten und Abkürzungen machen, ja. V3 war gut, aber in unserem Test hat es bei deutschen Zahlen 18 von 18 erreicht, genau wie v4, bei gleichem Preis in der API. Wenn Sie Projekte mit Multilingual v2 oder Flash v2.5 haben, ist die Änderung noch spürbarer: Diese Modelle haben im deutschen Test deutlich schlechter abgeschnitten (Multilingual v2: 9 von 18, Flash v2.5: 12 von 18 mit Standardeinstellungen). Wer bei Flash wegen der Geschwindigkeit bleibt, sollte die Textnormalisierung aktivieren oder auf v4 Turbo umsteigen.

Häufig gestellte Fragen

Spricht Eleven v4 Deutsch?

Ja. Deutsch ist auf der Liste der 85 Sprachen von v4 in der API. In unserem Test hat v4 deutsche Zungenbrecher, Daten, Beträge und Abkürzungen fehlerfrei auf drei Stimmen gelesen.

Was kostet Eleven v4?

In der API 0,08 USD pro 1000 Zeichen (ohne MwSt.), bis 12. Oktober 2026 im Angebot 0,022 USD. In der App verbraucht es 1 Credit pro Zeichen und ist auch im kostenlosen Plan verfügbar.

Was ist der Unterschied zwischen Eleven v4 und v4 Turbo?

Turbo beginnt schneller zu sprechen (in unserer Messung nach 0,28 s statt 1,14 s) und verbraucht die Hälfte der Credits. Bei deutschen Zahlen haben beide Modelle gleich abgeschnitten, und Emotions-Tags hat Turbo in unserem Test sogar vollständiger gespielt (erkennbare Events).

Welchen Platz hat Eleven v4 im Artificial-Analysis-Ranking belegt?

Den ersten in der Kategorie Provider Voice: 1319 Elo-Punkte, 43 Punkte vor dem Cartesia-Modell Sonic 3.6. In der Kategorie Controlled Voice ist es Zweiter hinter Qwen-Audio-3.1-TTS-Plus.

Liest Eleven v4 Zahlen, ohne sie auszuschreiben?

In unserem Test ja: Daten, Uhrzeiten, Beträge in Euro, Prozentsätze, Telefonnummern und E-Mail-Adressen bei Normalisierung „auto“. Bei Eigennamen und seltenen Abkürzungen lohnt es sich weiterhin, das Ergebnis anzuhören.

// weiterlesenTagesabschluss:KI-Agenten, falsche Sicherheit und steigende PreiseNachrichtenElevenLabs im Test: Modelle, Preise und deutsche SprachqualitätKI-WerkzeugeElevenLabs Dubbing auf Deutsch: v1 vs v2 im TestBenchmarks

Kinetyra

Der Link zu ElevenLabs ist ein Partnerlink: Wenn Sie darüber kaufen, erhält WISSNOX eine Provision, für Sie bleibt der Preis gleich. Auf den Inhalt hat das keinen Einfluss, auch nicht auf kritische Passagen.