Wer KI-Videos international ausspielen will, kennt das Nadelöhr: Die Bilder sind schnell generiert — aber sobald es an mehrsprachige Vertonung geht, klingt das Ergebnis oft flach, gehetzt oder emotionslos. Genau dieses Nadelöhr will ElevenLabs mit Dubbing v2 aufbohren. Nach dem UI-Start im Frühjahr ist die neue Dubbing-Engine seit Anfang August 2026 auch über die API verfügbar — und damit programmierbar und in eigene Postproduktions-Pipelines einbaubar. Das Kernversprechen: Synchronisation in über 90 Sprachen, die Tonfall, Betonung und Emotion des Originals bewahrt, statt sie in einer glatten, seelenlosen Übersetzung zu verlieren.
Für alle, die in der Postproduktion arbeiten, ist das eine der relevanteren Ankündigungen der letzten Wochen — denn sie betrifft nicht die Bildgenerierung, sondern die Tonebene, an der viele KI-Produktionen bislang scheitern. Wir haben uns angesehen, was Dubbing v2 technisch anders macht und wo die Fallstricke liegen.
Der Kern: Konditionierung auf das Original-Audio
Der entscheidende Unterschied zu klassischen Dubbing-Workflows steckt darin, worauf das Modell hört. Herkömmliche Pipelines übersetzen meist über den Umweg Text: Sprache wird zu Transkript, das Transkript wird übersetzt, und aus der Übersetzung wird neue Sprache erzeugt. Auf diesem Weg geht genau das verloren, was eine Performance ausmacht — die Pausen, die Betonung, der emotionale Druck hinter einem Satz.
Dubbing v2 geht laut ElevenLabs einen anderen Weg: Das Modell konditioniert direkt auf das Original-Audio, statt die Darbietung durch reinen Text zu schleusen. Dadurch sollen Intonation, Sprechtempo und emotionale Gewichtung der Ausgangsstimme in die Zielsprache übertragen werden. Ein wütender Satz bleibt wütend, ein zögerliches Flüstern bleibt zögerlich — auch wenn die Worte plötzlich auf Spanisch, Japanisch oder Deutsch erklingen.
Was Dubbing v2 konkret mitbringt
Die wichtigsten Funktionen im Überblick:
- 90+ Sprachen mit BCP-47-Dialektsteuerung — das erlaubt gezieltes Targeting regionaler Varianten, etwa kastilisches gegenüber lateinamerikanischem Spanisch.
- Transkriptfreie Verarbeitung: Die Übersetzung läuft über das Original-Audio, nicht über einen Textzwischenschritt.
- Bis zu 32 Sprecher pro Datei mit automatischer Sprechertrennung — relevant für Dialogszenen, Interviews und Ensemble-Stücke.
- Hintergrund-Audio: Musik und Soundeffekte lassen sich getrennt aus- und wieder einmischen, statt in der Übersetzung unterzugehen.
- Sync-bewusste Übersetzung: Phrasierung und Timing werden an den Rhythmus des Originals angepasst, damit die Zielsprache nicht aus dem Takt läuft.
Auf der technischen Seite verarbeitet die API Dateien bis 3 GB, erlaubt drei parallele Jobs im Standard- und zehn im Enterprise-Tarif und nutzt BCP-47-Sprachcodes für präzises Dialekt-Targeting. Preislich ruft ElevenLabs 0,33 US-Dollar pro Quellminute mit Wasserzeichen und 0,50 US-Dollar pro Quellminute ohne Wasserzeichen auf — abgerechnet wird also nach der Länge des Ausgangsmaterials, nicht nach Zielsprache.
Wichtig: Was Dubbing v2 (noch) nicht liefert
Hier lohnt der nüchterne Blick, damit im Projekt keine falschen Erwartungen entstehen. Dubbing v2 gibt ausschließlich Audio aus — kein fertiges Video, keine automatische Lippensynchronisation. Die neue Tonspur muss in einem separaten Schnitt- oder Compositing-Schritt mit dem Bild zusammengeführt werden. Für lippensynchrone Ergebnisse braucht es zusätzliche Werkzeuge oder Handarbeit.
Dazu kommt der Status: Die v2-Engine trägt noch eine Alpha-Kennzeichnung, gelegentliche Qualitätsschwankungen sind also einzuplanen. Und: Die Transkript-Bearbeitungswerkzeuge, mit denen man Übersetzungen manuell nachjustieren kann, stehen vorerst nur in Version 1 zur Verfügung, nicht in v2. Wer feingranulare textliche Kontrolle über jede Zeile braucht, muss das bei der Tool-Wahl bedenken.
Die eigentliche Neuerung ist nicht „mehr Sprachen", sondern dass die Emotion der Originalstimme erhalten bleibt. Dubbing war lange der Schritt, an dem KI-Content international seine Seele verlor — genau hier setzt v2 an.
Warum die API-Freigabe der eigentliche Schritt ist
Dubbing v2 gab es als Oberfläche schon seit dem Frühjahr. Der jetzt entscheidende Schritt ist die Öffnung über die API. Denn erst dadurch wird die Vertonung automatisierbar: Sie lässt sich in bestehende Pipelines einklinken, per Skript für ganze Batches auslösen und in Content-Management- oder Lokalisierungs-Workflows integrieren. Für eine Produktion, die regelmäßig dieselben Formate in mehreren Märkten ausspielt, ist der Unterschied zwischen „jemand klickt sich manuell durch ein Web-Interface" und „der Prozess läuft automatisiert über eine Schnittstelle" enorm — er entscheidet darüber, ob Mehrsprachigkeit ein Sonderprojekt oder ein Standardschritt ist.
32 Sprecher und getrennte Tonebenen: warum das im Alltag zählt
Zwei Funktionen, die in der Featureliste leicht untergehen, sind für die Praxis besonders wertvoll. Zum einen die automatische Trennung von bis zu 32 Sprechern pro Datei: Gerade bei Dialogszenen, Panels oder Interviews war die Zuordnung „wer spricht wann" bisher oft Handarbeit. Wenn das Modell die Sprecher selbst auseinanderhält und jeder Figur konsistent die passende Stimme in der Zielsprache zuweist, spart das in der Postproduktion spürbar Zeit — und verhindert die typischen Verwechslungen, bei denen plötzlich zwei Rollen gleich klingen.
Zum anderen die getrennte Behandlung von Hintergrund-Audio. Musik, Atmosphären und Soundeffekte werden aus- und nach der Übersetzung wieder eingemischt, statt in einem Rutsch mit der Sprache verarbeitet zu werden. Das ist entscheidend für die Klangqualität: Wird alles gemeinsam durch die Übersetzung geschickt, leiden Musik und Effekte hörbar. Die saubere Trennung erlaubt es, die neue Sprachspur präzise in ein bestehendes Sounddesign einzubetten — ein Detail, das den Unterschied zwischen „nachvertont" und „professionell lokalisiert" ausmacht.
Einordnung: Der Ton holt beim Bild auf
Der Release passt in einen größeren Trend. Während die Bildmodelle — Sora, Veo, Kling, Wan, Seedance — sich seit Monaten mit immer längeren, hochauflösenderen Clips überbieten, war die Tonebene lange der unterschätzte Flaschenhals. Native Audio-Fähigkeiten in Videomodellen wie MiniMax H3 oder FLUX 3 sind ein Teil der Antwort; spezialisierte Werkzeuge wie Dubbing v2 sind der andere. Beides zusammen bedeutet: Die Lücke zwischen „technisch beeindruckendem Bild" und „emotional funktionierendem, mehrsprachigem Endprodukt" schließt sich zusehends.
Für die Postproduktion verschiebt das die Rolle. Dubbing wird vom teuren, langsamen Spezialgewerk zu einem Schritt, den man in den eigenen Workflow einbauen kann — ohne dabei automatisch die emotionale Qualität zu opfern, die gutes Dubbing seit jeher ausmacht.
Was das für eure Projekte bedeutet
Drei praktische Konsequenzen. Erstens Reichweite ohne Neuvertonung: Bestehende deutsche oder englische Produktionen lassen sich mit überschaubarem Aufwand in weitere Märkte bringen, ohne für jede Sprache ein eigenes Voice-Over-Casting aufzusetzen — die Emotion der Originalstimme reist mit. Zweitens plant den Bild-Ton-Merge fest ein: Weil Dubbing v2 nur Audio liefert, gehört das Zusammenführen mit dem Video und — wo nötig — die Lippensynchronisation als eigener Postproduktions-Schritt in die Kalkulation. Rechnet Zeit für Feinabstimmung und Level-Balancing zwischen Sprachspur, Musik und Effekten ein. Drittens testet vor dem Serieneinsatz: Solange die Engine als Alpha läuft, gehört ein Qualitätscheck pro Sprache zum Pflichtprogramm. Prüft besonders emotionale und schnelle Passagen, denn dort zeigt sich, ob die Konditionierung auf das Original wirklich trägt.
Unterm Strich ist Dubbing v2 kein „Knopf drücken, fertig"-Werkzeug — aber ein starker Baustein, um KI-Content über Sprachgrenzen hinweg auszuspielen, ohne dass die Performance auf dem Weg verloren geht. Für uns in der Postproduktion ist es vor allem eine Einladung, Mehrsprachigkeit früher mitzudenken: nicht als teures Add-on am Ende, sondern als planbaren Schritt im Workflow. Wer die 0,33 bis 0,50 Dollar pro Quellminute gegen die Kosten eines klassischen Synchronstudios hält, versteht schnell, warum diese Rechnung für viele Formate aufgeht.