ElevenLabs hat am 29. Oktober SFX v3 vorgestellt, ein Modell für Soundeffekte. In einer einzigen Generierung kann das neue Modell mehrere Klänge in der beschriebenen Reihenfolge wiedergeben, sodass Kreative den Klang einer Szene nicht mehr in mehreren Durchgängen erzeugen und von Hand zusammenfügen müssen. Das Modell ist auf allen ElevenCreative-Oberflächen und in der ElevenAPI verfügbar.
Ein Prompt fasst einen ganzen Klangabschnitt
Im bisherigen Text-zu-SFX-Ablauf musste eine Szene mit mehreren Klängen oft stückweise erzeugt werden: erst Jubel der Menge, dann ein fallender Ball, dann Buhrufe derselben Menge, wobei das Timing im Schnitt abgestimmt werden musste. SFX v3 nimmt Prompts mit mehreren Anweisungen entgegen und legt diese Klänge in der beschriebenen Reihenfolge in eine einzige Generierung. In der offiziellen Dokumentation nennt ElevenLabs als Beispiel, dass die Beschreibung von Handlung, Umgebung, Atmosphäre und Darbietung besser funktioniert als ein bloßes Kategoriewort – „Regen an einem Fenster in einer ruhigen Wohnung" statt nur „Regen".
Neben der Erzeugung mehrerer Klänge auf einmal verbessert SFX v3 auch die Verarbeitung von Musik und Stimmen und reduziert Störgeräusche bei hohen Frequenzen, sodass Gongs, Glocken und Pfeifen sauberer klingen. ElevenLabs zufolge schlägt das neue Modell SFX v2 in internen Benchmarks durchgehend, doch die vollständigen Vergleichstabellen wurden nicht veröffentlicht; Kreative sollten ihre üblichen Prompts auf beiden Versionen ausprobieren, bevor sie wechseln.
Wo es eingesetzt werden kann
SFX v3 deckt die wichtigsten ElevenCreative-Einstiege ab: Flows, den Soundeffekte-Tab, Studio und den Musik-Editor, und ist auch in der mobilen App verfügbar. Entwicklerinnen und Entwickler rufen es über die ElevenAPI mit der Modell-ID eleven_text_to_sound_v3 auf; SFX v2 bleibt das Standardmodell, ein Wechsel erfordert also das Ändern der Modell-ID.
Bei den Spezifikationen läuft ein einzelner Effekt bis zu 30 Sekunden, die Ausgabe erfolgt als MP3, nicht gelooppte Effekte können als 48-kHz-WAV ausgegeben werden, und lange Atmosphären lassen sich nahtlos loopen. Die Abrechnung folgt den bestehenden Regeln des Soundeffekte-Endpunkts: Bei Angabe einer Dauer wird pro Sekunde in Credits abgerechnet, und ElevenLabs hat keine Änderung der Credit-Preise pro Generierung angekündigt.
Drei Grenzen bleiben
Erstens sind genaue Anzahlen weiterhin unzuverlässig: Eine Anforderung wie „viermal schlagen" wird womöglich nicht korrekt gezählt, und wichtige Rhythmen müssen in der Nachbearbeitung geprüft werden. Zweitens ist SFX v3 derzeit nur begrenzt verfügbar, und in einigen Regionen oder Konten erscheint beim Aufruf ein Fehler wegen eines unbekannten Modells; dann bleibt nur, auf eine breitere Verfügbarkeit zu warten. Drittens nimmt das Modell zwar das kleinteilige Zusammenfügen von Soundeffekten ab, ersetzt aber weder Dialoggestaltung noch Komposition oder Endmischung – ein Prompt kann das Gerüst einer Szene skizzieren, die fertige Qualität hängt weiterhin von der menschlichen Mischung ab.
