Zum Hauptinhalt springen
CLAIM26
ElevenLabs-Logo über dem Titel AUDIO TAGS, dazu ein Studiomikrofon, Kopfhörer und leuchtende violett-blaue Schallwellen.
ELEVENLABS / AUDIO TAGS

ElevenLabs Audio Tags: Emotionen und Sprechweise mit v4 steuern

Mit Audio Tags in eckigen Klammern steuern Sie, wie ElevenLabs einen Text spricht. Lernen Sie Modelle, Beispiele, Dialoge und die Grenzen gegenüber SSML kennen.

KI-Stimmen und AudioVeröffentlicht am 14 Min. Lesezeit
ElevenLabs Text-to-Speech ausprobierenAffiliate-Link: Claim26 kann eine Provision erhalten. Allein dadurch entstehen keine zusätzlichen Kosten.
ElevenLabs-Logo über dem Titel AUDIO TAGS, dazu ein Studiomikrofon, Kopfhörer und leuchtende violett-blaue Schallwellen.
AUF EINEN BLICKMit Audio Tags in eckigen Klammern steuern Sie, wie ElevenLabs einen Text spricht. Lernen Sie Modelle, Beispiele, Dialoge und die Grenzen gegenüber SSML kennen.

Was sind ElevenLabs Audio Tags?

Audio Tags sind kurze Regieanweisungen, die Sie direkt in einen Text für die Sprachsynthese einfügen. Sie stehen in eckigen Klammern und beeinflussen, wie die folgenden Wörter gesprochen werden: etwa neugierig, leise, aufgeregt oder mit einem hörbaren Seufzer. Die Anweisung gehört nicht zum gesprochenen Satz, sondern beschreibt die gewünschte Darbietung.

Ein einfaches Beispiel: [whispers] Ich glaube, jemand ist im Haus. Die Stimme soll den Satz flüsternd vortragen. Mit [sighs] Das wäre beinahe schiefgegangen. fordern Sie anschließend eine hörbare Reaktion an. Das Ergebnis ist nicht bei jeder Stimme identisch: Modell, Stimme, Textzusammenhang und Formulierung beeinflussen die Interpretation.

Welche ElevenLabs-Modelle unterstützen Audio Tags?

Eleven v3 und Eleven v4 unterstützen Audio Tags. ElevenLabs empfiehlt v4 für die meisten neuen Text-to-Speech-Projekte. Wenn Sie ein älteres Skript aus v3 weiterverwenden, können Sie die vorhandenen Anweisungen zunächst unverändert mit v4 ausprobieren und anschließend nur die Stellen anpassen, die anders klingen als beabsichtigt.

Auch Eleven v4 Turbo unterstützt Audio Tags und richtet sich besonders an Echtzeitanwendungen. Für eine vertonte Präsentation, einen Podcast oder eine sorgfältig geschnittene Erzählung ist v4 ein sinnvoller Ausgangspunkt. Für einen interaktiven Sprachagenten sollten Sie zusätzlich die Anforderungen an Reaktionszeit und Dialogverarbeitung prüfen.

Die wichtigsten Arten von Audio Tags

Audio Tags lassen sich nach ihrer Aufgabe ordnen: Emotionen beschreiben die Haltung einer Figur, Delivery-Tags die Art des Sprechens, Reaktions-Tags hörbare menschliche Laute und Rhythmus-Tags das Tempo oder Pausen. Weitere Beschreibungen können Akzente, Stimmcharakter oder Geräusche betreffen. Diese Gruppen sind eine praktische Orientierung, keine starre technische Liste.

Die offiziellen Beispiele umfassen etwa [curious], [crying] und [mischievously] für emotionale Hinweise, [whispers] und [shouts] für die Sprechweise sowie [laughs], [clears throat] und [sighs] für Reaktionen. Sie können auch eigene, natürlich formulierte Anweisungen schreiben. Nicht jede kreative Formulierung wirkt mit jeder Stimme gleich zuverlässig.

Emotionen gezielt einsetzen

Eine Emotionsanweisung sollte zur Aussage passen. [curious] Warum ist das Licht noch an? signalisiert echte Neugier; [excited] Wir haben es endlich geschafft! passt zu einer freudigen Nachricht. Für eine ernste Szene können Sie eine zurückhaltende Richtung wählen, statt jede Zeile mit einer starken Emotion zu versehen.

Der Text bleibt entscheidend. Eine fröhliche Aussage mit [crying] kann widersprüchlich wirken, wenn der Kontext keinen solchen Wechsel erklärt. Schreiben Sie zuerst einen verständlichen Satz und ergänzen Sie danach die Emotion, die Zuhörer an dieser Stelle wahrnehmen sollen. Prüfen Sie besonders bei längeren Abschnitten, ob der emotionale Verlauf nachvollziehbar bleibt.

Flüstern, Rufen und Stimmklang steuern

Delivery-Tags beschreiben, wie eine Stimme klingt, nicht unbedingt, was die Figur fühlt. Beispiele sind [whispers], [shouts], [softly], [quietly] oder eine genauere Beschreibung wie [low, gravelly voice]. Damit können Sie eine vertrauliche Aussage, eine Warnung oder eine ruhige Erklärung voneinander absetzen.

Emotion und Sprechweise lassen sich kombinieren, wenn beide Angaben einen klaren Zweck haben. [whispering, worried] Dreh dich nicht um. beschreibt eine leise und besorgte Darbietung. Vermeiden Sie jedoch lange Listen ähnlicher Adjektive. Wenn die Stimme übertrieben klingt, vereinfachen Sie die Anweisung und testen Sie eine mildere Formulierung.

Lachen, Seufzen und andere Reaktionen

Reaktions-Tags ergänzen gesprochene Wörter um hörbare Laute. [laughs] kann ein Lachen auslösen, [sighs] einen Seufzer und [clears throat] ein Räuspern. Solche Details können Dialoge lebendiger machen, sollten aber nur dort stehen, wo die Reaktion tatsächlich etwas zur Szene beiträgt.

Eleven v4 kann außerdem Soundeffekt-Tags wie [applause], [clapping] oder [explosion] interpretieren. Das sind Geräuschanforderungen und nicht dasselbe wie eine Veränderung der Stimme. Eine unklare Anweisung kann als Soundeffekt statt als Sprechregie verstanden werden. Beschreiben Sie deshalb möglichst eindeutig, ob Sie eine Stimmqualität oder ein separates Geräusch möchten.

Audio Tags im Text-to-Speech-Editor einfügen

Öffnen Sie den Text-to-Speech-Bereich von ElevenLabs, wählen Sie eine passende Stimme und stellen Sie ein unterstütztes Modell wie Eleven v4 ein. Beginnen Sie mit einem kurzen, natürlich formulierten Absatz. So können Sie zunächst beurteilen, ob Stimme, Sprache und Akzent zu Ihrem Projekt passen, bevor Sie zusätzliche Regieanweisungen ergänzen.

Setzen Sie eine Anweisung in eckigen Klammern unmittelbar vor die Passage, deren Vortrag sich ändern soll. Erzeugen Sie zuerst nur einen kurzen Ausschnitt und hören Sie auch den Übergang zur vorherigen und nächsten Zeile an. Die genaue Oberfläche kann sich ändern; orientieren Sie sich am aktuell angezeigten Modellwähler und Texteditor in Ihrem Konto.

Audio Tags kombinieren und richtig platzieren

Mehrere Hinweise können in einer Klammer stehen und durch Kommas getrennt werden. [whispering, playful] Das bleibt unser kleines Geheimnis. kombiniert eine leise Sprechweise mit einer spielerischen Stimmung. Beginnen Sie mit wenigen, klar unterscheidbaren Angaben. Wenn Sie zu viele Eigenschaften auf einmal verlangen, wird schwerer erkennbar, welche davon den Klang beeinflusst hat.

Setzen Sie eine neue Anweisung erst dann, wenn sich die beabsichtigte Darbietung wirklich ändert. Ein Tag vor jedem Satz ist nicht automatisch besser. Bei einer längeren Erzählung können Sie beispielsweise mit einer ruhigen Stimme beginnen, vor einer überraschenden Wendung eine neue Emotion setzen und danach wieder zu einer neutralen Erzählweise zurückkehren.

Kontext, Satzzeichen und Pausen berücksichtigen

Audio Tags funktionieren nicht unabhängig vom Text. Der Satz davor, die Bedeutung der Aussage und die Satzzeichen liefern zusätzliche Hinweise für die Interpretation. Ein gut formulierter Dialog mit natürlicher Zeichensetzung ist meist leichter zu steuern als eine Folge isolierter Stichwörter. Schreiben Sie so, wie ein Mensch den Text tatsächlich sprechen würde.

Auslassungspunkte können Zögern oder eine Pause andeuten; Großschreibung kann eine Betonung unterstützen. Verwenden Sie diese Mittel sparsam und hören Sie das Ergebnis vollständig an. Wenn eine Zeile künstlich wirkt, entfernen Sie zunächst überflüssige Tags, statt immer neue Anweisungen hinzuzufügen.

Dialoge mit mehreren Sprechern

Ein Audio Tag wählt nicht automatisch eine andere Stimme aus. Für einen Dialog mit mehreren Figuren müssen Sie den jeweiligen Sprechern im Dialog-Workflow eigene Stimmen zuweisen. Die Stimme beziehungsweise ihre Kennung bestimmt, wer spricht; die Audio Tags beeinflussen, wie diese Person ihre jeweilige Zeile vorträgt.

Ein einfaches Beispiel: Sprecher A sagt [curious] Hast du das auch gehört? Sprecher B antwortet [whispers] Ich glaube, es kam aus dem Nebenraum. Verwenden Sie für die Sprecherzuordnung die vorgesehene Dialogfunktion und prüfen Sie anschließend, ob Stimmen, Reihenfolge und Übergänge verständlich bleiben.

Audio Tags über die ElevenLabs-API verwenden

Audio Tags sind nicht auf den Webeditor beschränkt. Sie können die Anweisungen auch in den Text aufnehmen, den Sie an die Text-to-Speech-API senden. Die dokumentierten Endpunkte Create Speech und Stream Speech unterstützen kompatible Modellkennungen wie eleven_v4 und eleven_v3; für Echtzeit-Anwendungen ist auch eleven_v4_turbo relevant.

Für Dialoge mit mehreren Sprechern dokumentiert ElevenLabs außerdem Create Dialogue und Stream Dialogue. Behalten Sie die eckigen Klammern im übermittelten Text bei, ordnen Sie jeder Sprecherrolle die passende Stimme zu und kontrollieren Sie die zurückgegebene Audiodatei. Prüfen Sie vor einer Integration die aktuelle API-Referenz auf Pflichtfelder, Zugriffsrechte und mögliche Limits.

Audio Tags oder SSML: die richtige Pausen-Syntax wählen

SSML ist eine Auszeichnungssprache, mit der manche Sprachsysteme unter anderem Pausen und Aussprache steuern. Eleven v3 und Eleven v4 unterstützen jedoch keine SSML-break-Tags. Ein Ausdruck wie <break time="1.5s" /> ist deshalb nicht die passende Methode, um mit diesen Modellen eine Pause einzufügen.

Nutzen Sie bei v3 und v4 stattdessen Satzzeichen, die Struktur des Textes und geeignete Audio Tags, um Rhythmus und Vortrag zu beeinflussen. Andere ElevenLabs-Modelle können andere Funktionen unterstützen. Übertragen Sie daher keine Anleitung für Multilingual v2 oder ein anderes Modell ungeprüft auf Eleven v4.

Wenn ein Audio Tag vorgelesen wird oder nicht wirkt

Wird die Anweisung hörbar mitgesprochen, prüfen Sie zuerst das ausgewählte Modell und die Schreibweise. Die Tags müssen in eckigen Klammern stehen und ein Modell benötigen, das Audio Tags unterstützt. Ersetzen Sie runde Klammern, geschweifte Klammern oder fehlerhafte Schreibweisen durch die dokumentierte Syntax und erzeugen Sie einen kurzen Ausschnitt erneut.

Bleibt die gewünschte Wirkung aus, testen Sie mit derselben Stimme und demselben Satz eine einfachere Anweisung. Eine Stimme kann einen bestimmten Stil weniger überzeugend umsetzen, wenn dieser in ihrem Klangcharakter kaum vorkommt. Ändern Sie nicht gleichzeitig Modell, Stimme und mehrere Einstellungen; sonst lässt sich die Ursache kaum eingrenzen.

Drei deutsche Beispielscripts zum Anpassen

Spannung in einer Erzählung: [low, steady voice] Der Flur war vollkommen still. [whispers] Dann hörte ich meinen Namen. [sighs] Ich wusste, dass ich nicht allein war. Das Beispiel zeigt einen ruhigen Einstieg, eine leise Wendung und eine abschließende Reaktion. Es ist ein Textvorschlag und keine von Claim26 erzeugte oder getestete Aufnahme.

Werbliche Ansage: [confident] Ihre nächste Idee verdient eine klare Stimme. [excited] Erstellen Sie Ihren Beitrag und bringen Sie Ihre Botschaft auf den Punkt. [warmly] Beginnen Sie mit einem kurzen Beispiel. Dialog mit zwei Figuren: Sprecher A: [curious] Bist du sicher? Sprecher B: [quietly] Ja, aber wir sollten vorsichtig sein. Weisen Sie den Figuren im Dialog-Workflow getrennte Stimmen zu.

Stimme, Credits und Nutzungsrechte vor dem Export prüfen

Audio Tags verleihen keine Erlaubnis, die Stimme einer anderen Person zu imitieren. Verwenden Sie eine Stimme, die Ihnen gehört oder für deren Nutzung Sie eine Berechtigung haben. Für Professional Voice Clones weist ElevenLabs auf die Unterstützung in v4 hin und empfiehlt v4 für diesen Anwendungsfall; prüfen Sie die jeweils geltenden Anforderungen an die Einwilligung.

Die Kosten hängen vom Modell und Ihrem Tarif ab; kommerzielle Nutzungsrechte richten sich nach den aktuellen Bedingungen Ihres Kontos. Kontrollieren Sie vor einer längeren Produktion den geschätzten Credit-Verbrauch, die erlaubten Verwendungszwecke und die Lizenz für die geplante Veröffentlichung. Eine erfolgreiche Generierung allein bestätigt nicht, dass sämtliche Rechte für Werbung, Kundenprojekte oder Weiterverbreitung vorliegen.

Checkliste: vor der Veröffentlichung anhören

Hören Sie die vollständige Aufnahme und nicht nur den ersten markierten Satz. Prüfen Sie Aussprache, Lautstärke, Übergänge, emotionale Stimmigkeit und mögliche übertriebene Reaktionen. Bei Dialogen sollten die Sprecher unterscheidbar bleiben und die Gesprächsfolge klar verständlich sein. Achten Sie außerdem darauf, dass keine Anweisung versehentlich mitgesprochen wird.

Klingt ein Abschnitt künstlich, entfernen Sie zunächst unnötige Tags und vergleichen Sie eine einfachere Variante. Wenige gezielt platzierte Hinweise sind oft hilfreicher als eine Markierung jedes einzelnen Satzes. Speichern Sie die Fassung, die zum Projekt passt, und prüfen Sie vor dem Export noch einmal Credits, Format und Nutzungsrechte.

Fazit: wenige, gut platzierte Tags reichen oft aus

ElevenLabs Audio Tags helfen dabei, eine KI-Stimme gezielter zu führen als mit einem neutralen Text allein. Mit kurzen Hinweisen in eckigen Klammern können Sie Emotionen, Sprechweise, Reaktionen und Geräusche beeinflussen. Eleven v4 ist für die meisten neuen Projekte ein sinnvoller Startpunkt; v4 Turbo eignet sich besonders für Echtzeitanwendungen, während v3 weiterhin Audio Tags unterstützt.

Beginnen Sie mit einem natürlichen deutschen Skript, wählen Sie eine passende Stimme und ergänzen Sie nur dort eine Anweisung, wo sich der Vortrag ändern soll. Hören Sie den Ausschnitt an, vereinfachen Sie bei Bedarf und kontrollieren Sie vor einer Veröffentlichung die Rechte. So behalten Sie die Kontrolle über die Interpretation, ohne den Text mit Regieanweisungen zu überladen.

VOR DER ENTSCHEIDUNG

Vier Punkte, die Sie überprüfen sollten.

✓Eleven v4, v4 Turbo oder v3 passend zum Einsatzzweck auswählen.

✓Emotion, Sprechweise und hörbare Reaktionen gezielt unterscheiden.

✓Tags in eckigen Klammern vor der betroffenen Passage platzieren.

✓SSML-Grenzen, API-Modellkennung, Credits und Nutzungsrechte prüfen.

NÄCHSTER SCHRITT

Beginnen Sie mit einem kurzen deutschen Skript, ergänzen Sie wenige passende Tags und hören Sie den vollständigen Übergang vor dem Export an.

Kontrollieren Sie die aktuellen Funktionen und Abonnementbedingungen, bevor Sie eine Zahlung auslösen.

ElevenLabs Text-to-Speech ausprobieren
PRIMÄRQUELLEN

Die wesentlichen Angaben stammen aus offiziellen Quellen.

Preise und Softwarefunktionen können sich ändern. Prüfen Sie vor dem Abschluss die aktuellen Informationen.

WEITERLESEN

Entdecken Sie den nächsten passenden Software-Ratgeber.

Fotorealistisches Musikstudio mit Klavier, Mikrofon und Kopfhörern, leuchtenden Wellen sowie aufwendiger 3D-Typografie KI-MUSIK v2.5 und originalem ElevenLabs-Logo.
KI-Stimmen und Audio · 18 Min. LesezeitElevenLabs Music v2.5: KI-Musik erstellen und Rechte prüfenRatgeber lesen →
Authentisches MailerLite-Logo ohne Hintergrundkasten und ausdrucksstarker deutscher 3D-Schriftzug LANDINGPAGE ERSTELLEN vor einer illustrativen Newsletter-Anmeldeseite mit Briefumschlag.
E-Mail-Marketing · 14 Min. LesezeitMailerLite Landingpage erstellen: So gelingt Ihre AnmeldeseiteRatgeber lesen →
Editorial-Cover mit dem authentischen violetten Semrush-Logo ohne Hintergrundkasten, großem orangefarbenem Schriftzug KEYWORDS FINDEN, Lupe, Papierkarten und warmem Licht; keine echte Semrush-Bildschirmaufnahme.
SEO und Sichtbarkeit · 17 Min. LesezeitSemrush Keyword Magic Tool: Keywords gezielt findenRatgeber lesen →
ELEVENLABS / AUDIO TAGS

Steuern Sie die emotionale Wirkung Ihrer KI-Stimme gezielt.

Probieren Sie Audio Tags mit einer passenden Stimme und einem unterstützten Modell aus. Prüfen Sie vor dem Export Credits, Einwilligungen und die geltenden Nutzungsrechte. Affiliate-Hinweis: Claim26 kann bei einer qualifizierten Buchung über den gekennzeichneten Partnerlink eine Provision erhalten; allein durch den Link entstehen keine Mehrkosten.

ElevenLabs Text-to-Speech ausprobieren