ElevenLabs Studio 4.0 verbindet Mediengenerierung mit Video- und Audioschnitt
Videos, Bilder, Stimmen, Musik und Geräusche entstehen direkt in einer gemeinsamen Timeline. Ein Agent baut daraus Rohschnitte und arbeitet auch nach manuellen Eingriffen weiter.
ElevenLabs hat Studio 4.0 als gemeinsamen Arbeitsbereich für KI-Medien und klassischen Timeline-Schnitt vorgestellt. Videos, Bilder, Stimmen, Musik und Soundeffekte lassen sich direkt im Projekt erzeugen, anordnen und bearbeiten. Transkription, Untertitel sowie der Export als Audio- oder Videodatei finden ebenfalls in derselben Weboberfläche statt.
Der entscheidende neue Baustein ist der Studio Agent. Er beschränkt sich nicht darauf, einzelne Medien aus einem Prompt zu erzeugen, sondern kann vorhandene Aufnahmen bildweise analysieren und daraus einen ersten Rohschnitt zusammensetzen. Anschließend bleibt die Timeline vollständig manuell bearbeitbar. Nach diesen Eingriffen kann der Agent seine Arbeit auf Basis des veränderten Projekts fortsetzen. ElevenLabs beschreibt diese Verbindung in der Ankündigung von Studio 4.0.
Aus einer Idee wird ein bearbeitbares Timeline-Projekt
Ein typisches Beispiel ist ein kurzer Produktfilm. Ausgangspunkt können ein Skript, hochgeladene Videoaufnahmen und eine Anweisung zur gewünschten Erzählstruktur sein. Der Agent kann einen Skriptentwurf anlegen, eine Stimme auswählen, Clips platzieren und passende Effekte ergänzen. Fehlendes Material wie ein Zwischenbild, eine Sprecherpassage, Musik oder ein Geräusch lässt sich innerhalb des Projekts generieren.
Der Unterschied zu einer Sammlung separater Generatoren liegt im Ziel der Ausgabe: Die erzeugten Medien landen nicht als lose Dateien in verschiedenen Werkzeugen, sondern als Elemente eines weiter editierbaren Projekts. Ein generierter Sprechertext lässt sich mit Bildmaterial abstimmen, Musik kann unter die Sprachspur gelegt und ein Soundeffekt an einer konkreten Stelle der Timeline positioniert werden. Das Ergebnis ist kein unveränderliches Komplettvideo, sondern ein Schnitt, dessen einzelne Bestandteile zugänglich bleiben.
Für Varianten eines Social-Media-Clips ist das besonders praktisch. Eine Szene kann gekürzt, die Reihenfolge zweier Clips verändert oder eine andere Stimme gewählt werden, ohne das gesamte Video neu anzufordern. Die Produktseite von Studio 4.0 nennt Sprachaufnahmen, Musik, Soundeffekte, Transkription, Untertitel und Video ausdrücklich als Bestandteile dieses Editors.
Der Agent sieht Aufnahmen, nicht nur Dateinamen
Für einen brauchbaren Rohschnitt muss ein System mehr verstehen als das Format und die Länge einer Videodatei. ElevenLabs gibt an, dass der Studio Agent Aufnahmen bildweise analysiert. Dadurch kann er den sichtbaren Inhalt bei der Auswahl und Anordnung von Clips berücksichtigen. Eine Anweisung wie „Beginne mit der Gesamtansicht, zeige danach die Bedienung und lege die Erklärung als Sprechertext darüber“ kann somit auf das tatsächliche Bildmaterial bezogen werden.
Das eröffnet eine konkrete Anwendungstechnik: Material sollte nicht erst außerhalb des Studios vollständig vorsortiert werden. Mehrere passende Einstellungen können gemeinsam hochgeladen und über ihre inhaltliche Funktion beschrieben werden. Der Agent liefert daraus eine erste Auswahl und Reihenfolge. Danach lassen sich Schnittpunkte, Spurlautstärken und Platzierungen direkt in der Timeline korrigieren.
Der Agent ersetzt dabei nicht die manuelle Bearbeitung. Seine besondere Rolle besteht gerade im Wechsel zwischen beiden Arbeitsweisen. Wer einen Clip verschiebt oder einen automatisch gesetzten Abschnitt entfernt, übernimmt damit nicht dauerhaft allein. Laut ElevenLabs kann der Agent nach der Änderung weiterarbeiten. So lässt sich etwa zunächst die visuelle Reihenfolge von Hand festlegen und anschließend eine neue Sprecherfassung oder die weitere Anordnung ergänzender Elemente anfordern.
So nutzt man Studio 4.0 für einen Erklärclip
Am Anfang steht ein Videoprojekt in der webbasierten Studio-Oberfläche. Dort werden die vorhandenen Aufnahmen und das Skript beziehungsweise eine inhaltliche Anweisung eingebracht. Statt nur „Erstelle ein Video“ zu schreiben, hilft eine klar gegliederte Beschreibung: Thema, gewünschte Reihenfolge, Funktion der Sprecherstimme und Stellen, an denen Musik oder Geräusche eingesetzt werden sollen.
Der Studio Agent kann daraus einen Rohschnitt erzeugen. Anschließend lohnt sich der Blick auf die inhaltliche Zuordnung: Passt die gezeigte Szene zur jeweiligen Aussage? Beginnt die Stimme an der richtigen Stelle? Sind Musik und Effekte unterstützend platziert? Solche Änderungen werden direkt an den Clips und Spuren vorgenommen. Danach kann eine präzise Folgeanweisung ansetzen, etwa eine Sprecherpassage an die neue Länge anzupassen oder eine fehlende Szene zu ergänzen.
Für die Ausgabe bietet Studio Audio- und Videoexport. Ein Projekt mit Bildspuren, Stimme, Musik, Geräuschen und Untertiteln kann damit im selben Werkzeug fertiggestellt werden. Die Studio-Dokumentation bestätigt sowohl den Timeline-Schnitt als auch Mediengenerierung, Untertitel und beide Exportarten.
Social-Clips lassen sich aus einem gemeinsamen Materialpool ableiten
Bei kurzen Social-Formaten liegt der Nutzen weniger in einem einzigen vollautomatischen Ergebnis als in der schnellen Umformung desselben Materials. Aus mehreren Produktaufnahmen kann zunächst eine kompakte Hauptfassung entstehen. Für eine zweite Variante lässt sich die stärkste Szene nach vorn ziehen, der Sprechertext kürzen und die Musik neu abstimmen. Weil die Elemente auf einer Timeline liegen, bleiben solche Änderungen gezielt und nachvollziehbar.
Auch Untertitel gehören in diesen Zusammenhang. Studio unterstützt Transkription und Untertitel innerhalb des Editors. Eine Sprachaufnahme kann deshalb nicht nur als Tonspur eingesetzt, sondern auch in sichtbaren Text übertragen werden. Das ist vor allem für Clips sinnvoll, die zunächst ohne Ton wahrgenommen werden. Die Gestaltung und inhaltliche Prüfung der Untertitel bleibt eine redaktionelle Aufgabe; ihre technische Erzeugung ist jedoch Teil derselben Oberfläche.
Ein weiteres Beispiel ist ein Erklärfilm mit fehlendem Verbindungsmaterial. Liegen die wichtigsten Aufnahmen bereits vor, kann ein ergänzendes Bild oder Video direkt im Projekt erzeugt werden. Musik und Soundeffekte kommen ebenfalls hinzu, ohne dass dafür erst Dateien aus mehreren Anwendungen exportiert und wieder importiert werden müssen. Studio 4.0 bündelt damit die Medienarten, die einen kurzen Film typischerweise ausmachen.
Stimmen, Musik und Geräusche werden zu Spuren statt Einzelausgaben
ElevenLabs war vor allem für Sprachgenerierung bekannt. In Studio 4.0 wird die Stimme zu einem Teil eines umfassenderen Projekts. Der Agent kann eine passende Stimme auswählen und den Text als Sprachspur anlegen. Daneben können Musik und Soundeffekte erzeugt und zeitlich platziert werden. Entscheidend ist nicht allein, dass diese Medien verfügbar sind, sondern dass sie im Zusammenhang mit dem Bildschnitt bearbeitet werden.
Für die Anwendung bedeutet das: Eine Anweisung sollte die Rolle des Tons benennen. Bei einem Produktvideo kann die Stimme die Bedienung erklären, während Musik nur den Hintergrund bildet und ein Geräusch einen sichtbaren Moment akzentuiert. Werden diese Funktionen getrennt beschrieben, lässt sich das Ergebnis anschließend leichter korrigieren. Eine zu lange Sprecherpassage wird gekürzt, ohne die Bildfolge komplett zu ersetzen; ein Effekt kann verschoben werden, ohne Musik und Stimme neu zu erzeugen.
Diese Trennung der Spuren macht Studio 4.0 auch für Teams interessant, in denen Entwurf und Feinschnitt nicht von derselben Person stammen. Ein erster Entwurf kann mit dem Agenten entstehen, während eine andere Person später Formulierungen, Timing und Reihenfolge direkt bearbeitet. Weil der Agent auf dem veränderten Stand weiterarbeiten kann, bleibt der automatische Teil auch nach der redaktionellen Überarbeitung nutzbar.
Der Zugang läuft über das Web, nicht über eine API
Studio 4.0 ist eine webbasierte Produktoberfläche. Der Studio Agent steht laut Dokumentation nur innerhalb von Videoprojekten zur Verfügung. Für reine Audioprojekte ist diese Agentenfunktion damit nicht vorgesehen. Ebenso gibt es für den Agenten keinen API-Zugang. Automatische Aufrufe aus eigenen Anwendungen oder serverseitige Stapelverarbeitung sind daher nicht das Einsatzprofil dieses Releases.
Auch eine separate Authentifizierung für einen Node, einen Trigger oder eine externe Integration gehört nicht zum beschriebenen Funktionsumfang. Nutzer arbeiten im Studio-Projekt und geben dort Material sowie Anweisungen ein. Als Resultat entstehen Medien und eine bearbeitbare Timeline; am Ende steht der Audio- oder Videoexport. Fehler lassen sich entsprechend nicht über technische Rückgabecodes behandeln, sondern durch eine neue Anweisung oder manuelle Korrekturen im Editor.
Diese Abgrenzung ist wichtig: Studio 4.0 ist kein neuer Programmbaukasten für Entwickler, sondern ein interaktives Kreativwerkzeug. Es passt zu Aufgaben, bei denen Menschen das Material sichten, den Rohschnitt beurteilen und Details verändern wollen. Für unbeaufsichtigte Automatisierung über eine Schnittstelle ist der Studio Agent dagegen nicht ausgelegt.
Credits verbinden Agentenarbeit und Medienerzeugung
Der Studio Agent kann nach Angaben der Dokumentation in allen Tarifen verwendet werden. Kostenlos bedeutet das allerdings nicht unbegrenzte Nutzung: Sowohl der Chat mit dem Agenten als auch die erzeugten Medien werden verbrauchsabhängig berechnet. Die Kosten eines Projekts hängen deshalb davon ab, wie viel Material generiert und wie intensiv der Agent eingesetzt wird.
Die Preisseite von ElevenLabs führt einen kostenlosen Tarif mit 10.000 Credits. Kostenpflichtige Tarife beginnen bei 6 US-Dollar pro Monat. Credits gelten produktübergreifend, sodass Sprach-, Musik-, Bild- und Videoerzeugung nicht als voneinander unabhängige Budgets betrachtet werden sollten. Kommerzielle Nutzung sowie Bild- und Videofunktionen sind laut Preisseite ab dem Starter-Tarif enthalten; Enterprise-Angebote werden individuell kalkuliert.
Für einen ersten Einsatz bietet sich deshalb ein klar begrenzter Clip an: vorhandene Aufnahmen verwenden, gezielt eine Sprecherstimme und nur tatsächlich fehlende Medien erzeugen. Mehrere vollständige Neugenerierungen können schneller Credits verbrauchen als punktuelle Änderungen an einer bereits brauchbaren Timeline. Die manuelle Bearbeitbarkeit ist damit nicht nur eine kreative, sondern auch eine wirtschaftliche Eigenschaft des Werkzeugs.
Am stärksten ist Studio 4.0 zwischen Entwurf und Feinschnitt
Studio 4.0 eignet sich besonders für Content-, Marketing- und Kreativteams, die Social-Media-Clips, Produktvideos oder kompakte Erklärfilme erstellen. Der Agent kann aus Idee, Skript und Aufnahmen eine erste Fassung bauen; die Timeline erlaubt anschließend präzise Eingriffe. Fehlende Bilder, Videos, Stimmen, Musik und Geräusche entstehen dort, wo sie im Schnitt benötigt werden.
Die wichtigste Neuerung ist deshalb nicht ein weiterer einzelner Generator. Es ist die Verbindung von Generierung, visueller Analyse und editierbarer Timeline. Ein Rohschnitt kann automatisch beginnen, manuell verbessert und danach erneut mit dem Agenten fortgeführt werden. Für kurze Medienproduktionen reduziert das vor allem die Zahl der Übergaben zwischen Erzeugung und Schnitt – ohne den kreativen Zugriff auf die einzelnen Spuren aufzugeben.