Hörbücher mit mehreren Kapiteln in ElevenLabs Projects produzieren: Rollenbesetzung, Pausensteuerung und Aussprachewörterbücher

Die Produktion eines kommerziellen Hörbuchs aus einem vollständigen Manuskript erfordert weit mehr als das schlichte Einfügen von Textabschnitten in einen standardmäßigen Text-to-Speech-Generator. Langform-Audioproduktionen stellen Autoren und Sprecher vor handfeste künstlerische und technische Herausforderungen: Dialoge zwischen mehreren Figuren verlangen nach unverwechselbaren, konsistenten Stimmen; fiktive Eigennamen, geografische Bezeichnungen und Fachtermini müssen über Dutzende von Hörstunden hinweg makellos und einheitlich ausgesprochen werden; dramatisches Timing, Pausen und Sprechtempo müssen fein austariert sein; und am Ende muss die Ausgabe in strukturierte Kapiteldateien erfolgen, die den strikten Vertriebsstandards von Plattformen wie Audible (ACX) genügen.

ElevenLabs Projects (im ElevenCreative Studio als Modul Audiobooks integriert) wurde speziell für diesen anspruchsvollen Long-Form-Workflow entwickelt. Dieser Leitfaden führt Schritt für Schritt durch den gesamten Produktionsprozess: von der Manuskriptaufbereitung und der KI-gestützten Rollenbesetzung (Character Casting) über die Pflege von Aussprachewörterbüchern (Pronunciation Dictionaries) und die präzise Pausenkalibrierung bis hin zum Mehrspur-Sounddesign und dem vertriebsfertigen Master-Export.

1. Manuskriptvorbereitung und automatische Kapitelanalyse

Der Erfolg einer automatisierten Hörbuchproduktion steht und fällt mit der Strukturierung des Dokuments vor dem Upload. Das Audiobooks-Modul analysiert das Manuskript, um Kapitelgrenzen, Titelei, Nachspann und eingebettete Cover-Grafiken eigenständig zu extrahieren.

Unterstützte Dateiformate und Formatierungsregeln

• Dateiformate: EPUB und PDF. Für Romane und narrative Sachbücher wird das EPUB-Format ausdrücklich empfohlen, da dessen semantische Auszeichnung die zuverlässigste Kapitelaufteilung gewährleistet.
• Überschriftenhierarchie: Bevor Sie das Manuskript aus Microsoft Word, Google Docs, Scrivener oder Vellum als EPUB exportieren, stellen Sie sicher, dass jede Kapitelüberschrift als Überschrift 1 (Heading 1 / H1) formatiert ist. Der Parser von ElevenLabs nutzt diesen H1-Tag, um Abschnitte automatisch abzugrenzen, sodass manuelles Zerteilen des Textes entfällt.
• Cover-Extraktion: Wenn die EPUB-Datei ein hochauflösendes Cover enthält, wird dieses automatisch extrahiert und als Artwork des Hörbuchs hinterlegt. Im Formatierungsmenü können Sie das Bild beibehalten, austauschen oder entfernen.

Projekterstellung und Selektion der Textabschnitte

1. Melden Sie sich bei ElevenLabs an, navigieren Sie zu Studio und wählen Sie Create an Audiobook (oder New Audiobook).
2. Laden Sie Ihr formatiertes EPUB- oder PDF-Manuskript hoch.
3. Wählen Sie das grundlegende Synthesemodell. Für Langform-Erzählungen wird primär Eleven Multilingual v2 (Studio Quality) empfohlen, das 29 Sprachen unterstützt und durch natürliche Prosodie sowie emotionale Tiefe überzeugt. Für maximale Klangauflösung und native Unterstützung des Internationalen Phonetischen Alphabets (IPA) steht alternativ Eleven v4 zur Verfügung.
4. Überprüfen Sie auf dem Bildschirm Formatting die automatisch erkannten Abschnitte:
   • Titelei (Impressum, Widmung, Vorwort)
   • Prolog und Hauptkapitel
   • Nachspann (Epilog, Danksagung, Autorennotizen)
   • Entfernen Sie über die Kontrollkästchen jene Abschnitte, die nicht vertont werden sollen (wie ISBN-Angaben oder das Sachregister).
5. In der linken Navigationsleiste können Sie mit dem +-Symbol übersehene Kapitel nachträglich hinzufügen, die Reihenfolge per Drag-and-Drop anpassen oder Kapitel umbenennen.

2. Rollenbesetzung (Character Casting) und Stimmenarchitektur

Ein wesentliches Alleinstellungsmerkmal von ElevenLabs Projects ist die Möglichkeit, flexibel zwischen einer klassischen Solo-Sprecher-Lesung und einem voll besetzten Hörspiel (Multi-cast) zu wählen.

Erzählstile: Single Cast vs. Multi Cast

• Single cast (Solosprecher): Eine einzelne professionelle Erzählerstimme liest den gesamten Text inklusive aller Figurenreden. Dies entspricht dem traditionellen Hörbuchformat.
• Multi Cast (Mehrrollenbesetzung): Das System weist dem Haupterzähler und den einzelnen Figuren im Manuskript unterschiedliche Stimmen zu, was zu einem immersiven, bühnenartigen Hörerlebnis führt.

KI-gestützte Figurenerkennung und Stimmenzuweisung

Wenn Sie Multi Cast aktivieren, analysiert die KI Anführungszeichen, Redebegleitsätze („sagte er“, „flüsterte sie“) und den Handlungskontext:

• Erkennungskapazität: Das System erkennt und verwaltet bis zu 150 unterschiedliche Figurenstimmen pro Buch.
• Voice Library und Stimmendesign: Aus der Voice Library mit über 10.000 Stimmen in mehr als 90 Sprachen können Sie passende Sprecher auswählen. Über Voice Design lassen sich maßgeschneiderte Stimmen anhand von Parametern wie Alter, Geschlecht und Akzent generieren. Haben der Autor oder engagierte Sprecher eigene Sprachaufnahmen bereitgestellt, können diese via Instant Voice Cloning oder Professional Voice Cloning (PVC) eingebunden werden.
• Casting-Probe mit Manuskriptdialogen: Im Characters-Menü können Sie vorgeschlagene Stimmen direkt anhand von Originaldialogen aus Ihrem Buch Probe hören (Audition). Beachten Sie, dass das Generieren von Hörproben Abonnement-Credits verbraucht.
• Globale Synchronisation: Ändern Sie die Stimmzuweisung einer Figur im Rollenmenü, aktualisiert das System automatisch jede gesprochene Zeile dieser Figur im gesamten Buch. Ein manuelles Nachpflegen in Hunderten von Absätzen ist nicht erforderlich.

3. Aussprachewörterbücher (Pronunciation Dictionaries)

In Fantasy-, Science-Fiction-, Historien- oder Fachbüchern stolpern KI-Modelle regelmäßig über erfundene Eigennamen, fremdsprachige Ortsbezeichnungen und Akronyme. Aussprachefehler zerstören die Illusion des Hörers schlagartig.

ElevenLabs begegnet diesem Problem mit Aussprachewörterbüchern (Pronunciation Dictionaries), die phonetische Regeln global über das gesamte Projekt durchsetzen.

Automatische Erkennung und Regeltypen

Beim Einrichtungsschritt Pronunciations scannt das System den Text nach ungewöhnlichen Begriffen und großgeschriebenen Kunstwörtern. Sie können diese Vorschläge übernehmen oder eigene Wörterbücher anlegen:

Import von W3C-PLS-Lexika

Für Buchreihen oder professionelle Verlagsabläufe können standardisierte XML-Dateien im Format .pls (Pronunciation Lexicon Specification) direkt hochgeladen werden:

<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
    xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
    alphabet="ipa" xml:lang="en-US">
  <lexeme>
    <grapheme>Aethelgard</grapheme>
    <phoneme>/ˈæθəlɡɑːrd/</phoneme>
  </lexeme>
  <lexeme>
    <grapheme>Caelum</grapheme>
    <alias>Kay-lum</alias>
  </lexeme>
  <lexeme>
    <grapheme>DARPA</grapheme>
    <alias>Darpa</alias>
  </lexeme>
</lexicon>

Grundregeln für die Wörterbuchpflege

• Groß-/Kleinschreibung beachten: Die Mustersuche unterscheidet strikt zwischen Groß- und Kleinschreibung. Taucht ein Name im Text sowohl als „Mirella“ als auch als „mirella“ auf, müssen beide Varianten hinterlegt werden.
• Top-Down-Priorisierung: Wörterbücher werden von oben nach unten abgearbeitet. Die erste zutreffende Regel gewinnt.
• Probehören im Satzkontext: Klicken Sie nach dem Anlegen einer Regel stets auf das Wiedergabesymbol neben dem Eintrag. Ein isoliert korrekt klingendes Wort kann im Satzgefüge durch Satzmelodie oder Betonungsverschiebungen unnatürlich wirken. Das Anhören im Kontext stellt sicher, dass Rhythmus und Sprachfluss harmonieren.

4. Sprechtempo, Pausen und dramaturgisches Timing

Die künstlerische Qualität eines Hörbuchs entscheidet sich am Rhythmus und an den Pausen. Eine überhastete Darbietung wirkt maschinell, während fehlende Pausen dem Hörer die Möglichkeit nehmen, emotionale Höhepunkte sacken zu lassen.

1. Globales und abschnittsweises Sprechtempo (Speed Setting)

Über die Spracheinstellungen in der Seitenleiste oder den Projektstandards lässt sich das Grundtempo mit dem Speed-Schieberegler feinjustieren:

• Einstellbereich: 0.7 (am langsamsten) bis 1.2 (am schnellsten), Standardwert ist 1.0.
• Praxistipp: Bei bildgewaltiger Prosa oder anspruchsvollen Sachbüchern verleiht ein Tempo zwischen 0.92 und 0.97 der Stimme mehr Gewicht und Artikulationsschärfe. Schlagfertige Dialoge profitieren von 1.0 bis 1.05. Extreme Werte unter 0.8 oder über 1.15 sollten vermieden werden, da sie Klangartefakte begünstigen.

2. Gezielte Pausensteuerung je nach Synthesemodell

Die Syntax für gezielte Sprechpausen unterscheidet sich je nach eingesetztem Modell:

• Für Eleven Multilingual v2, Flash v2 und Flash v2.5:
  • Verwenden Sie standardisierte SSML-Pausen-Tags: <break time="1.5s" />.
  • Die Pausendauer kann auf bis zu 3.0 Sekunden eingestellt werden.
  • Setzen Sie diese Tags gezielt bei Szenenwechseln, Kapitelübergängen oder vor dramatischen Enthüllungen ein. Vermeiden Sie es, einen einzelnen Absatz mit zahllosen break-Tags zu überfrachten, da das neuronale Netz sonst unerwartet beschleunigen oder Hintergrundgeräusche erzeugen kann.
• Für Eleven v4:
  • Eleven v4 unterstützt keine XML-basierten <break>-Tags. Nutzen Sie stattdessen natürliche Audio Tags direkt im Text:
    • [pause] für herkömmliche Sprechpausen im Dialog.
    • [long pause] für ausgedehnte Szenenwechsel oder tiefe dramatische Stille.
• Interpunktion als Rhythmusgeber (alle Modelle):
  • Gedankenstriche (— oder -): erzeugen natürliche Zäsuren und simulieren das Abbrechen eines Satzes.
  • Auslassungspunkte (...): verleihen der Stimme einen zögernden, nachdenklichen oder melancholischen Nachklang.

3. Absatzbezogene Anpassungen und Actor Mode

Im Studio-Editor besitzt jeder Absatz am linken Rand einen Statusbalken:

• Dunkler Balken: Audio wurde generiert und zwischengespeichert.
• Hellgrauer Balken: Audio ist noch ungeneriert.

Ein Klick auf einen Absatz öffnet die Kontext-Seitenleiste:

• Override settings (Einstellungen überschreiben): Aktivieren Sie diese Option, um Stabilität (Stability), Ähnlichkeit (Similarity Boost), Stilübertreibung (Style Exaggeration) oder Lautstärke ausschließlich für diesen einen Absatz anzupassen, ohne die globalen Buch-Vorgaben zu verändern.
• Fade in / Fade out: Blendet Audioschnipsel an harten Szenenkanten weich ein und aus.
• Actor Mode (Direct speech with your voice): Wenn die KI bei einer subtilen Ironie oder einer schwierigen Betonung an ihre Grenzen stößt, kann der Regisseur über das Mikrofon eine Referenzaufnahme einsprechen. Das Modell behält das Timbre der Kunststimme bei, übernimmt aber exakt das menschliche Timing und die Intonation.

5. Mehrspur-Timeline, Soundeffekte und Kostenkontrolle

Moderne Hörbuchproduktionen setzen vermehrt auf atmosphärische Klanguntermalung, Intromusik und Übergangssounds.

Integrierte Mehrspur-Bearbeitung

Das Studio kombiniert den Texteditor mit einer vollwertigen Audio-Timeline:

• Hintergrundmusik (Music): Über das +-Symbol binden Sie lizenzierte Titel aus dem Music Marketplace ein oder generieren instrumentale Begleitmusik direkt per Textprompt.
• Soundeffekte (SFX): Platzieren Sie Schritte, Windheulen oder zuschlagende Türen auf separaten Spuren parallel zur Sprachaufnahme.
• Pegelabstimmung: Mischen Sie Musik und Atmo stets etwa -18 dB bis -24 dB unter die Hauptstimme, um eine einwandfreie Sprachverständlichkeit zu garantieren.

Strategien zur Schonung des Zeichenguthabens

Die Vertonung eines Manuskripts mit 80.000 bis 120.000 Wörtern erfordert erhebliche Mengen an Zeichen-Credits. Um das Budget zu schonen:

1. Niemals das ganze Buch unüberlegt generieren: Klicken Sie am ersten Tag nicht voreilig auf „Gesamtes Buch generieren“. Vertonen Sie zunächst 2 bis 3 dialogreiche Testkapitel, um Rollenbesetzung und Aussprachewörterbuch abzusichern.
2. Kostenloses Wiedergeben generierter Audios: Bereits generierte Absätze (dunkler Balken) können beliebig oft im Editor angehört werden, ohne dass ein einziger Credit abgezogen wird. Kosten entstehen nur bei Neugenerierung oder Regenerierung.
3. Selektives Nachbessern: Ändern Sie nur ein Wort oder eine Pause, muss lediglich dieser einzelne Absatz neu berechnet werden.
4. Auswirkungen eines Sprecherwechsels: Weisen Sie einer Figur nachträglich eine neue Stimme zu, markiert das System nur die Replik dieser spezifischen Figur als ungeneriert. Die Aufnahmen des Erzählers und anderer Charaktere bleiben intakt.

6. Mastering, ACX-Konformität und Multiplattform-Vertrieb

Nach der inhaltlichen und klanglichen Endabnahme erfolgt der Export nach den Vorgaben internationaler Distributoren wie Audible (ACX), Findaway Voices, Apple Books und Spotify.

Exportkonfigurationen und Ausgabeformate

Klicken Sie oben rechts auf Publish und wechseln Sie auf den Reiter Export:

• Export-Umfang: Gesamtprojekt in einer Datei oder kapitelweise Aufteilung.
• Dateiorganisation:
  • Kapitelbasiertes ZIP (Chapter-based ZIP): Erstellt für jedes Kapitel eine sauber benannte Einzeldatei. Dies ist die zwingende Vorgabe von ACX und den meisten Aggregatoren.
  • Konsolidierte Einzeldatei (Single file): Fasst das gesamte Werk in einer fortlaufenden Spur zusammen (z. B. für Radio-Features oder Podcasts).
• Audioformate:
  • MP3: Standard für den Endkundenvertrieb (192 kbps oder 320 kbps konstante Bitrate / CBR).
  • WAV: Unkomprimiertes Mastering-Format mit 24-bit/48kHz oder 16-bit/44.1kHz für Toningenieure, die die finale Dynamikbearbeitung in externen DAWs (Pro Tools, Logic Pro, Reaper) durchführen.
  • AAF (Advanced Authoring Format): Exportiert die Timeline-Daten für den nahtlosen Projektimport in professionelle Mischpulte.
• Automatisches Rendern beim Export: Absätze, die im Editor noch hellgrau (ungeneriert) sind, werden beim Export automatisch in der Cloud fertiggestellt und vom Guthaben abgebucht.

Direktvertrieb über ElevenReader

Urheber können traditionelle Distributoren umgehen und direkt auf der mobilen Plattform ElevenReader veröffentlichen:

1. Wählen Sie unter Publish den Eintrag ElevenReader.
2. Hinterlegen Sie Autorenprofil, Buchtitel, Untertitel, Cover und Auszahlungsdaten für Tantiemen.
3. Legen Sie den Wiedergabemodus fest: Original Audio (festes Master mit den vom Schöpfer gewählten Stimmen) oder Dynamic Narration (Hörer können in der App ihre bevorzugte Sprecherstimme frei wählen).
4. Nach redaktioneller Prüfung wird das Hörbuch für die Abonnenten von ElevenReader freigeschaltet.

Checkliste für die Hörbuchproduktion

1. EPUB-Manuskript bereinigen: Alle Kapitelüberschriften einheitlich mit H1 auszeichnen, um fehlerfreie automatische Sektionserkennung zu garantieren.
2. Modellbasis festlegen: Eleven Multilingual v2 für erzählerische Wärme und lange Bögen; Eleven v4 für modernste Definition und natives IPA.
3. Figuren global besetzen: Stimmen an Originaldialogen Probe hören und globale Synchronisation für alle Buchkapitel nutzen.
4. Aussprachewörterbuch fixieren: Eigennamen mit Alias- oder IPA-Regeln hinterlegen und ausnahmslos im Satzzusammenhang Probe hören.
5. Pausen und Tempo modulieren: Sprechtempo auf 0.92–1.0x kalibrieren, im v2-Modell <break time="xs" />, im v4-Modell [pause] verwenden.
6. ACX-konform exportieren: Das Werk als kapitelweises ZIP-Paket (MP3/WAV) ausgeben und reibungslos für den Handel bereitstellen.

Referenzen

• Audiobooks | ElevenLabs Documentation
• Using pronunciation dictionaries | ElevenLabs Documentation
• Best practices | ElevenLabs Documentation
• What is Character Casting? | ElevenLabs Documentation
• How many voices can I use in an audiobook? | ElevenLabs Documentation
• Do I need to generate narration before exporting an audiobook? | ElevenLabs Documentation
• What file formats are supported for Audiobooks? | ElevenLabs Documentation