„Inhaltlich stimmt alles, aber es klingt einfach nicht nach einem echten Menschen.“
Das hören wir fast immer als Erstes von allen, die einen KI-Telefonassistenten ausprobiert haben.
Hallo zusammen, hier ist Sonetho. ⚡
Wer nach unseren Beiträgen Teil 1 (Einstieg) und Teil 2 (Immobilienbüro) einen eigenen KI-Telefonassistenten aufgesetzt hat, schildert uns immer wieder dieselbe Beobachtung:
Das Gesprächsskript ist perfekt, aber der Assistent spricht mit einem verärgerten Kunden im exakt selben Tonfall wie im Moment eines erfolgreichen Vertragsabschlusses.
Wo ein Mensch seine Stimme sofort anpassen würde, bleibt die KI starr. Der Anrufer merkt sofort: „Schon wieder eine KI“ – und blockt innerlich ab.
Genau an diesem Punkt setzt ElevenLabs mit dem Expressive Mode an.
⚠️ Eines vorweg: Es handelt sich hierbei nicht um eine brandneue Funktion.
Laut dem offiziellen Blog wurde sie bereits im Februar 2026 vorgestellt.
Da in der offiziellen Dokumentation jedoch kein Veröffentlichungsdatum angegeben ist, entdecken viele Nutzer diese Option erst jetzt – und genau dazu haben wir im Laufe unserer Serie die meisten Fragen erhalten.
Deshalb zeigen wir in diesem Leitfaden, wie Sie den Expressive Mode richtig konfigurieren.
🎭 1. Im Expressive Mode greifen zwei Dinge ineinander
Es handelt sich nicht um einen simplen Schalter, der künstlich Emotionen über die Stimme legt. Stattdessen werden zwei Ebenen des Konversations-Stacks gleichzeitig umgestellt.
① Eleven v3 Conversational (Ausgabeseite / Sprechen)
Ein speziell für Echtzeitdialoge latenzoptimiertes v3-Modell. Der entscheidende Punkt: Der Gesprächskontext wird über einzelne Gesprächsrunden (Turns) hinweg mitgeführt.
Klingt der Anrufer besorgt, reagiert die Stimme spürbar ruhiger; geht es um präzise Details, artikuliert sie konzentrierter und deutlicher.
② Neues Turn-Taking-System (Eingabeseite / Verstehen)
Wann die KI spricht und wann sie abwartet, wird anhand von Echtzeitsignalen aus Scribe v2 Realtime entschieden.
Das System verarbeitet nicht nur die transkribierten Wörter, sondern erfasst auch die Art und Weise, wie gesprochen wurde (die Intonation).
Das Beispiel aus der offiziellen Dokumentation ist einleuchtend:
Ein kurzes „Ja“ kann eine abgeschlossene Antwort sein – oder ein Signal, dass der Gesprächspartner noch weitersprechen möchte.
Rein am Text lässt sich das nicht unterscheiden, am Tonfall jedoch sofort. Daran erkennt das System den richtigen Moment, um einzusetzen.
Sobald Sie den Expressive Mode aktivieren, geschieht daher beides zugleich: Die Stimme gewinnt an emotionalem Ausdruck, und störende Gesprächsunterbrechungen werden reduziert.
⚙️ 2. Aktivierung: Ein einziger Modellwechsel genügt
Sie benötigen keinen separaten Schalter. Sobald Sie als TTS-Modell V3 Conversational auswählen, ist der Expressive Mode standardmäßig aktiv.
Über das Dashboard
Öffnen Sie Ihren Agenten, wechseln Sie zum Reiter Agent Voice, stellen Sie das Text-to-Speech-Modell auf V3 Conversational um und speichern Sie die Änderung – fertig.
Über das CLI
elevenlabs agents pull --agent "<Agent-Name>"In der heruntergeladenen Datei agent_configs/<Agent-Name>.json passen Sie den Eintrag conversation_config.tts.model_id wie folgt an:
{
"conversation_config": {
"tts": {
"model_id": "eleven_v3_conversational"
}
}
}elevenlabs agents push --agent "<Agent-Name>"
Über die API
from elevenlabs import ElevenLabs
elevenlabs = ElevenLabs()
elevenlabs.conversational_ai.agents.update(
agent_id="HIER_AGENT_ID",
conversation_config={
"tts": {"model_id": "eleven_v3_conversational"},
},
)
ElevenAgents kostenlos starten →
📝 3. Tonalität über den System-Prompt steuern
Wer nur das Modell wechselt, erweitert zwar das emotionale Spektrum – wann und wie diese Emotionen eingesetzt werden, entscheidet das Modell dann jedoch nach eigenem Ermessen.
Wer eine feste Corporate Voice oder definierte Servicestandards hat, sollte diese im System-Prompt festhalten, um konsistente Ergebnisse zu sichern.
Methode ①: Eine grobe Richtung vorgeben
Du bist ein Mitarbeiter im Kundenservice. Wenn der Nutzer frustriert oder verärgert
klingt, antworte in einem ruhigen und beruhigenden Tonfall. Wenn du erfreuliche
Nachrichten überbringst, lass aufrichtige Wärme in deiner Stimme anklingen. Tritt
insgesamt professionell, aber nahbar auf.
Methode ②: Regeln für konkrete Situationen festlegen
Tonalitäts-Richtlinien:
- Wenn der Nutzer Unmut äußert: ruhigen und empathischen Tonfall verwenden
- Beim Erklären technischer Abläufe: deutlich und in gleichmäßigem Tempo sprechen
- Wenn der Nutzer eine erfreuliche Nachricht teilt: herzlich und positiv reagieren
- Bei Beschwerden: ruhig und lösungsorientiert sprechen
Die offizielle Dokumentation betont: Es ist nicht notwendig, jede einzelne Situation mit Tags zu versehen.
Formulieren Sie die Vorgaben wie oben in natürlicher Sprache – das Modell interpretiert sie passend zum Kontext.
In der Praxis bietet Methode ② die größte Verlässlichkeit: Gibt es feste Servicestandards, lässt sich anhand klar formulierter Sätze nach dem Muster „welcher Tonfall in welcher Situation“ später auch wesentlich einfacher überprüfen, ob die Vorgaben eingehalten werden.
🏷️ 4. Gezielte Akzente mit Tags setzen
Zusätzlich zur kontextbasierten Steuerung können Sie bestimmte Passagen auch explizit ansteuern.
Dabei gibt das LLM die Tags direkt im Antworttext aus:
[laughs]– mischt ein Lachen ein[whispers]– senkt die Stimme zu einem Flüstern[sighs]– erzeugt einen leicht seufzenden Unterton[slow]– verlangsamt das Sprechtempo[excited]– sorgt für einen begeisterten, aufgeregten Ton
★ Hier entsteht das häufigste Missverständnis: Ein Tag verändert keineswegs den gesamten folgenden Satz.
Jedes Tag wirkt sich lediglich auf die nachfolgenden 4 bis 5 Wörter aus – danach kehrt die Stimme automatisch zu ihrem ursprünglichen Tonfall zurück.
Wer also einfach ein Tag an den Satzanfang setzt, erzielt selten den gewünschten Effekt.
Platzieren Sie das Tag stets unmittelbar vor den Wörtern, die tatsächlich moduliert werden sollen.
Das offizielle Dokumentationsbeispiel veranschaulicht die Platzierung:
"That's great to hear! [laughs] I'm glad we could sort that out for you."
Falls Sie bisher noch nicht mit diesen Tags gearbeitet haben, empfiehlt sich unser umfassender Prompting-Leitfaden für ElevenLabs.
Dort finden Sie alle Emotions- und Soundeffekt-Tags sowie Details zu Aussprache und Sprechpausen.
⚠️ 5. Wichtige Einschränkungen vor der Aktivierung
Die offizielle Dokumentation nennt drei Einschränkungen, und der erste Punkt ist besonders wichtig.
① Merkmale des Professional Voice Cloning (PVC) bleiben nicht erhalten
Falls Sie mit Zeit und finanziellem Aufwand eine professionelle Sprecherstimme oder die Stimme der Geschäftsführung per PVC geklont haben, ist dieser Punkt entscheidend für den Produktiveinsatz:
Eleven v3 Conversational bewahrt die charakteristischen Merkmale einer PVC-Stimme derzeit noch nicht zuverlässig.
Das Ergebnis klingt unter Umständen nicht mehr wie die vertraute Originalstimme.
Auch die Empfehlung der offiziellen Dokumentation ist eindeutig: Ist die Identität der PVC-Stimme unverzichtbar, sollte weiterhin Flash v2 genutzt werden.
Aktuell muss man sich somit entscheiden: „Emotionen oder die Originalstimme?“ Beides gleichzeitig lässt sich derzeit noch nicht kombinieren.
② Tag-Wirkung auf 4 bis 5 Wörter begrenzt
Wie oben beschrieben: Tags eignen sich nicht dafür, lange Sätze als Ganzes zu verändern.
③ Abweichungen je nach Stimme und Sprache
Mit über 70 unterstützten Sprachen ist die Abdeckung im Vergleich zur Flash-Reihe (rund 32 Sprachen) deutlich gewachsen.
In der offiziellen Dokumentation wird eigens erwähnt, dass Sprachen, bei denen Nuancen bisher zu kurz kamen (wie Japanisch), spürbar besser geworden sind.
Allerdings hält dieselbe Dokumentation auch fest, dass die Ausdruckskraft von Sprache zu Sprache unterschiedlich ausfällt.
Soll Ihr Assistent auf Deutsch telefonieren, empfiehlt es sich, ihn mehrfach mit der tatsächlich verwendeten Stimme direkt auf Deutsch zu testen. Auch wenn die englische Demo exzellent klingt, lässt sich dieses Verhalten nicht automatisch eins zu eins auf das Deutsche übertragen.
💰 6. Keine zusätzlichen Kosten
Diese Frage taucht überraschend oft auf, doch die offizielle FAQ-Antwort lautet kurz: „Nein“.
Eleven v3 Conversational wird zum gleichen Einheitspreis abgerechnet wie die übrigen TTS-Modelle für Agenten und beginnt ab 0,08 $ pro Minute. Durch das Aktivieren des Expressive Mode entstehen keinerlei Aufpreise.
Wie hoch die monatlichen Kosten basierend auf Ihrem Telefonievolumen ausfallen, können Sie in unserem Gebührenrechner minutengenau durchrechnen.
✍️ Fazit
Zusammenfassend lässt sich festhalten:
Aktivierung: TTS-Modell auf V3 Conversational umstellen – das ist schon alles.
Feinabstimmung: Den gewünschten Tonfall für verschiedene Situationen im System-Prompt formulieren.
Gezielte Akzente: Tags unmittelbar vor die Zielwörter setzen (wirken nur auf 4 bis 5 Wörter).
PVC-Abwägung: Wenn Sie Professional Voice Cloning nutzen, vergleichen Sie die Stimmen vorab im Test und entscheiden Sie dann.
Vielen Dank fürs Lesen! ⚡