
Eleven v3 (`eleven_v3`): Funktionen, Audio-Tags-Syntax, Multi-Speaker-API, Preise und bewährte Prompts für ElevenLabs' ausdrucksstärkstes TTS-Modell.
Eleven v3 (eleven_v3) ist ElevenLabs' bislang ausdrucksstärkstes Text-to-Speech-Modell – das erste marktreife TTS-System, das inline emotionale Steuerung über eine strukturierte Audio-Tags-Syntax sowie native Multi-Speaker-Dialoggenerierung in einem einzigen API-Aufruf bietet. Es startete am 5. Juni 2025 in die Alpha-Phase [1] und erreichte im Februar 2026 die allgemeine Verfügbarkeit [9], unterstützt von einem Unternehmen, das inzwischen mit 11 Milliarden US-Dollar bewertet wird [10]. Dieser Leitfaden vermittelt Entwicklerinnen, Entwicklern und Creators alles Wesentliche: Architektur, Stärken, bekannte Einschränkungen, Preise und bewährte Prompting-Techniken.
Was ist Eleven v3?
Eleven v3 (Modell-ID: eleven_v3) ist ElevenLabs' Text-to-Speech-Modell der dritten Generation, das speziell für maximale emotionale Ausdruckskraft und breite Mehrsprachigkeit entwickelt wurde. Es ist kein Echtzeit-Modell; ElevenLabs stuft es ausdrücklich als hochauflösendes, nicht-konversationelles System ein [17].
Wesentliche Eckdaten:
- Entwickler: ElevenLabs, ein Speech-AI-Unternehmen mit einer Bewertung von 11 Mrd. USD (Stand: Februar 2026) [10]
- Alpha-Veröffentlichung: 5. Juni 2025 [1]
- Allgemeine Verfügbarkeit: Februar 2026 [9]
- Benchmark-Position: Artificial Analysis Elo-Score von 1.196, Platz zwei unter den expressiven TTS-Modellen [3]
- Sprachunterstützung: 70+ Sprachen, gegenüber 28 bei Multilingual v2 [4]
- Echtzeittauglichkeit: Nicht unterstützt – ElevenLabs empfiehlt Flash v2.5 für konversationelle und Live-Anwendungsfälle [17]
Einordnung von v3 in die ElevenLabs-Modellfamilie
ElevenLabs pflegt ab 2026 drei aktive Modell-Tiers:
| Modell | Primärer Anwendungsfall | Latenz | Credit-Kosten |
|---|---|---|---|
| Eleven v3 | Expressives, hochauflösendes Produktions-Audio | Hoch (nicht echtzeitfähig) | ~1 Credit/Zeichen |
| Flash v2.5 | Konversationelle KI in Echtzeit, Voice Agents | Niedrig | ~0,5 Credits/Zeichen |
| Turbo | Ausgewogenes Verhältnis von Qualität und Kosten im großen Maßstab | Mittel | ~0,5 Credits/Zeichen |
v3 belegt den obersten Tier in Qualität und Ausdrucksstärke. Es verwendet eine größere Modellarchitektur und einen hochauflösenden Voice-Codec – genau die Eigenschaften, die es für Echtzeit-Pipelines ungeeignet machen [17].
Marktkontext
Als v3 im Februar 2026 die allgemeine Verfügbarkeit erreichte, hatte sich der Premium-TTS-Markt deutlich konsolidiert. PlayHT stellte im Dezember 2025 den Betrieb ein, und frühere Nutzerinnen und Nutzer wechselten größtenteils zu ElevenLabs [14]. Im selben Monat wie der GA-Launch sammelte ElevenLabs 500 Mio. USD ein und erwägt einen möglichen Börsengang [10]. Eleven v3 ist das Flaggschiff-Produkt dieses Moments.
Stärken
Eleven v3 führt seine Kategorie in zwei Bereichen an, die kein konkurrierendes Modell im großen Maßstab erreicht hat: emotionale Ausdrucksstärke und Multi-Speaker-Audiogenerierung. Darüber hinaus bietet es gegenüber seinem Vorgänger Multilingual v2 spürbare Verbesserungen bei der Textnormalisierung und der Sprachbreite.
Audio Tags: Inline-Emotionssteuerung
Das Audio-Tags-System ist v3's markanteste Fähigkeit. Creators betten Direktiven in eckiger Klammernotation direkt in das Skript ein – [whispers], [sighs], [excited], [gasps] – und das Modell interpretiert sie als Performance-Anweisungen an genau dieser Position im Audio [1].
Damit entfällt ein häufiger Nachbearbeitungsschritt: das manuelle Einfügen nonverbaler Signale oder das erneute Aufnehmen von Zeilen für emotionale Variation. Die Tags werden inline verarbeitet, sodass ein einziger API-Aufruf eine gerichtete Performance statt einer flachen Rezitation erzeugt.
Beispiel:
She opened the letter. [gasps] It was from him.
Der [gasps]-Tag löst genau zwischen den beiden Sätzen ein nonverbales Geräusch aus [1].
Text to Dialogue: Multi-Speaker-Audio in einem Aufruf
Der Text-to-Dialogue-Endpunkt nimmt ein JSON-Array von Sprecherabschnitten entgegen und gibt eine einzige, kohärente Audiodatei aus. Er unterstützt bis zu 32 gleichzeitige Sprecher, einschließlich überlappender Sprache und natürlicher Pausen zwischen den Abschnitten [4]. Damit ist es das leistungsfähigste native Multi-Speaker-TTS-System auf dem Mainstream-Markt.
Anwendungsfälle, die direkt davon profitieren:
- Hörbuch-Dramatisierungen mit mehreren Charakteren
- NPC-Szenen-Audio für Spiele, generiert in einem API-Aufruf
- Podcast-ähnliche Inhalte mit zwei oder mehr Moderatoren
- IVR-Skripte (Interactive Voice Response) mit Agent- und Anrufer-Stimmen
Textnormalisierungsgenauigkeit
Eleven v3 erzielt eine 68-prozentige Reduktion komplexer Textnormalisierungsfehler im Vergleich zu früheren ElevenLabs-Modellen [17]. Dies umfasst chemische Formeln, Telefonnummern, mathematische Ausdrücke und andere strukturierte Notationen, die TTS-Modelle historisch falsch aussprechen oder überspringen.
Sprachabdeckung
v3 erweitert die Sprachunterstützung von 28 (Multilingual v2) auf 70+ Sprachen [4]. Englisch, Spanisch, Französisch und Deutsch werden als ausgezeichnet bewertet [4][14]. Sprachen mit geringerem Aufkommen sind funktionsfähig, holen aber qualitativ noch auf (siehe Schwächen).
Qualitätssprung bei der GA-Version
Die allgemeine Verfügbarkeit im Februar 2026 war nicht nur ein Stabilitätsmeilenstein – 72 % der Nutzerinnen und Nutzer bevorzugten den GA-Build gegenüber der Alpha in Blind-Präferenztests [17]. Die GA-Version stellt eine echte Qualitätsverbesserung dar, nicht nur eine Umbenennung.
Ausdrucksstärke-Benchmark
Informelle Hörtests berichten durchgängig, dass Eleven v3 Zuhörerinnen und Zuhörer in Bezug auf Ausdrucksstärke „täuscht


