ElevenLabs entwickelt sein Sprach-Ökosystem weiter: Scribe v2 und ElevenAgents Expressive Mode, die „Sprechen“ auf „Ausdrücken“ umstellen

ElevenLabs wird sein Sprach-Ökosystem im Jahr 2026 weiter vorantreiben. Das neueste Update konzentriert sich auf zwei Hauptlinien: die Spracherkennung (STT) von Scribe v2 und die Verbesserung des Ausdrucksmodus (Expressive Mode) von ElevenAgents und überlagert kreative Meilensteine wie Music v2 und Dubbing v2. Dieses Unternehmen, das sich als „KI-Kommunikationsplattform“ positioniert, treibt die Sprache durch die dreischichtige Struktur von ElevenCreative, ElevenAgents und ElevenAPI von „Generierung“ zu „Verstehen und Konversation“ voran.

• Scribe v2 (STT): Veröffentlicht am 2026-01, offiziell bekannt gegeben, dass es bei mehreren Spracherkennungs-Benchmarks eine Genauigkeit von 98 % erreicht hat, was die Mängel der Plattform auf der Seite des „Sprachverständnisses“ ausgleicht.
• Ausdrucksmodus für Agenten: 2026-02 eingeführt, damit Kundendienst-/Geschäftssprachagenten nicht nur „richtig antworten“, sondern auch Ton und Emotionen ausdrücken können, wodurch die Natürlichkeit von Gesprächen zwischen Mensch und Maschine verbessert wird.
• Doppelte Meilensteine ​​auf der kreativen Seite: Music v2 und Dubbing v2 werden 2026–2005 auf den Markt kommen und die Musikgenerierungs- und mehrsprachigen Synchronisierungsfunktionen insgesamt verbessern.
• Dreistufige Produktstruktur gebildet: ElevenCreative (Erstellung), ElevenAgents (Sitzung) und ElevenAPI (Entwickler) nutzen dasselbe zugrunde liegende Modell und Asset-System.

Versionshintergrund

Das Kernstück von ElevenLabs ist das Sprachgrundmodell, das Funktionen wie Text-to-Speech, Speech-to-Text, Sprachklonen, Synchronisation, Musikgenerierung, SFX sowie Bild und Video abdeckt. Die Sprachmodellreihe umfasst: Eleven Flash (75 ms extrem niedrige Latenz), Eleven Multilingual v2 (hohe Wiedergabetreue), Eleven v3 (hohe Ausdruckskraft) und Scribe v2 (STT, 98 % Genauigkeit). Die offizielle Website-Anmerkung unterstützt über 70 Sprachen und über 5000 voreingestellte Sprachbibliotheken.

Der Hauptpunkt des Updates im Jahr 2026 besteht darin, „Spracherzeugung“ und „Sprachverständnis“ in derselben Produktverknüpfung zusammenzuführen, um die Inkonsistenz bei der Klangfarbe und Dateninselprobleme zu reduzieren, die durch das Zusammenführen mehrerer Anbieter in Unternehmen verursacht werden – dies ist auch ein wichtiger Schritt bei der Aufrüstung vom „TTS-Tool“ zur „Sprachinfrastruktur“.

Highlights dieser Version

Sprachverständnisseite: Scribe v2

• Transkription mit hoher Genauigkeit: Offiziell veröffentlichte mehrere Benchmarks mit 98 % Genauigkeit, die mehrsprachige Szenarien abdecken.
• Unterstützt Closed-Loop-Konversation: STT und TTS arbeiten zusammen, um dem Sprachagenten einen vollständigen geschlossenen Kreislauf zum „Verstehen und Beantworten“ zu ermöglichen, anstatt nur eine einseitige Übertragung.

Sitzungsseite: ElevenAgents Expressive Mode

• Fähigkeit zum emotionalen Ausdruck: Der Agent kann den Ton und den emotionalen Ausdruck je nach Kontext anpassen und so das Hörerlebnis in Kundendienstszenarien erheblich verbessern.
• Geschäftskonfigurationsfähigkeit: Bereitstellung konfigurierbarer und überwachbarer Sprach- und Textdialogagenten für Kundenservice und Geschäftsprozesse.

Kreative Seite: Musik v2 und Synchronisation v2

• Musik v2: Die Musikgenerierungsfunktion wurde insgesamt aktualisiert und die Audio-Asset-Verknüpfung des Erstellers wurde abgeschlossen.
• Synchronisation v2: Die Synchronisierungsfunktionen für mehrere Sprachen wurden verbessert, um die weltweite Verbreitung von Filmen, Fernsehsendungen und Inhalten zu unterstützen.

Bedeutung für Entwickler

Für inländische Entwickler und Produktteams gibt es zwei Punkte, die bei der ökologischen Entwicklung von ElevenLabs beachtet werden sollten. Erstens entwickelt sich Voice Agent zu einem neuen Träger für Kundenservice, ausgehende Anrufe und Marketing, und „Ausdruckskraft“ ist eine Schlüsselvariable, die ihn von herkömmlicher IVR unterscheidet – Funktionen wie der Ausdrucksmodus wirken sich direkt auf die Akzeptanz des KI-Kundenservice durch Benutzer aus. Zweitens bietet die integrierte Lösung von STT + TTS + Agent in Bezug auf Klangkonsistenz und Datenverwaltung mehr Vorteile als die „Mehrfachmontage“, aber wir müssen auch auf die Compliance- und Datenschutzanforderungen von Sprachdaten achten.

Im Vergleich dazu bietet Whisper auf der Open-Source-Seite einen weiteren Weg zum kostenlosen Selbsthosting auf STT, während der Wert von ElevenLabs darin liegt, Identifizierung, Generierung und Sitzungen in verwaltbaren Diensten auf Unternehmensebene zu bündeln. Beide eignen sich für „selbstgebaute Datenpipelines“ bzw. „Schnellstart“-Teams.

Pfadvorschläge verwenden

• Ersteller: Beginnen Sie mit ElevenCreative, um das Klonen, Synchronisieren und Musikgenerieren von Stimmen zu erleben und Ihren Arbeitsablauf bei der Inhaltsproduktion zu überprüfen.
• Enterprise Customer Service/Outbound Call: Evaluieren Sie den Expressive Mode und die Überwachungsfunktionen von ElevenAgents und erweitern Sie die Kapazität nach der Pilotierung mit geringem Datenverkehr.
• Entwickler: Integrieren Sie TTS/STT/Agent-Funktionen über ElevenAPI und konzentrieren Sie sich auf das Kostenmodell mit sieben Abonnementstufen (Free to Enterprise) und Nutzungsgutschriften.

Wegbeschreibungen, die es wert sind, verfolgt zu werden

1. Chinesisch- und Dialektabdeckung von Scribe v2: Gemessene Leistung der mehrsprachigen Transkriptionsqualität in inländischen Lokalisierungsszenarien.
2. Implementierungsszenarien für den Ausdrucksmodus: Akzeptanzrate und Benutzerakzeptanzdaten im Kundenservice, bei Audioinhalten und anderen Szenarien.
3. Unternehmenskonformität und Datensicherheit: Der Compliance-Pfad für in China verwendete Sprachdaten ist eine wichtige Voraussetzung für die Feststellung, ob das inländische Team darauf zugreifen kann.