ElevenLabs macht aus Text Sprache, die klingt, als würde ein Mensch vorlesen, nicht eine Maschine. Es klont auch eine Stimme aus einer Probe. Es gibt eine Web-App und eine API, und die API ist für mich der Ort, wo der Wert liegt.

So nutze ich es

Voice-over für Videovarianten. Ein Skript von dreißig Sekunden existiert als Text; ich brauche dasselbe Skript in vier Tonlagen, oder vier Einstiege auf demselben Körper, oder dasselbe Video auf Deutsch und Englisch. Ein Skript schickt jeden Text an die API, bekommt eine Audiodatei zurück, und das Videowerkzeug baut sie ein. Was früher eine Studiobuchung pro Variante war, ist jetzt eine Schleife. Die mehrsprachigen Stimmen sind der stille Gewinn: ein Stimmcharakter, mehrere Sprachen, und das Deutsch klingt nicht nach Tourist.

Überrascht hat mich das erste Mal, als ein Schwung Videos rausging und niemand merkte, dass die Erzählstimme synthetisch war. Ab da habe ich es nicht mehr als Spielerei behandelt. Was mich nervt, ist das Kontingent. Pläne werden in Zeichen pro Monat gemessen, und Varianten in Menge fressen Zeichen schneller als geplant, also zähle ich jetzt vor einem Batch. Aussprache ist die andere Pflicht: ein Markenname, ein Produktcode, ein Preis mit Komma, alles braucht entweder eine Lautschrift oder eine Ausspracheregel, und jeden Fall entdeckst du beim Hören. Die Stufen springen auch; der Schritt von Creator zu Pro ist groß, mit wenig dazwischen.

Die Web-App reicht für Einzelfälle. Für alles Wiederholte: API, und die Stimm-IDs in einer Konfigurationsdatei.

Für wen es ist

Für alle, die gesprochene Videos oder Audio in Menge machen: Anzeigenvarianten, Erklärvideos, Kursmaterial, ein Podcast-Intro, das oft neu aufgenommen wird. Auch für alle, die dieselbe Erzählung in mehreren Sprachen brauchen. Lass es, wenn du ein Video im Monat machst; das deckt die Gratis-Stufe, und deine eigene Stimme auch. Und lass es überall dort, wo ein Zuhörer wissen soll, dass es synthetisch ist; es ist gut genug, dass er es nicht merkt.

Ähnliche Tools