Benutzerhandbuch
ElevenLabs Music v2 Leitfaden zur Abnahme vor dem Launch: eine Hörprobetabelle für Musik-Kandidaten anlegen
Auf dieser Seite
Warum man die Hörprobetabelle schon vor dem Modell-Launch vorbereiten sollte
Die häufigste Art, wie eine Musikbewertung schiefgeht, ist nicht ein schlechtes Modell, sondern keine gemeinsame Messlatte. Nach dem Launch setzt sich jeder seine eigenen Kopfhörer auf und spielt einen anderen Ausschnitt ab: Der eine hört die ersten acht Sekunden des Vorspanns, der andere die Wiederholung des Refrains, und am Ende bleibt nur „fühlt sich ganz okay an“ oder „irgendwie seltsam“ – solche Aussagen sind weder reproduzierbar noch nachvollziehbar.
Gerade bevor das Modell offiziell verfügbar ist, ist das beste Zeitfenster, um die Abnahme-Assets vorzubereiten: Es gibt keinen Fertigstellungsdruck und kein „erst mal launchen, dann sehen wir weiter“, das Team kann in Ruhe festhalten, was „brauchbar“ bedeutet, und es in einer Tabelle festhalten, die man ankreuzen, bewerten und vergleichen kann. Sobald das Modell läuft, führt man die Tabelle einfach aus – aus einer Diskussionsrunde wird eine Prüfrunde.
Zuerst muss die Grenze klar sein: ElevenLabs Music v2 befindet sich derzeit im Status **coming soon**. Dieser Artikel enthält keine Testergebnisse und keine Aufrufbeispiele. Hier wird ein Methoden-Asset beschrieben – wie die Hörprobetabelle aussieht, wie Mängel festgehalten werden und wie Versionen verglichen werden. Sobald das Modell verfügbar ist, füllt man die Kandidaten-Audios einfach in die Tabelle ein.
Die Vorbereitung im Voraus hat einen versteckten Zusatznutzen: Sobald die Abnahmedimensionen schriftlich festgehalten sind, stellt das Team fest, dass viele Meinungsverschiedenheiten eigentlich aus nicht abgeglichenen Szenarien stammen und nicht aus der Klangqualität selbst. Diese Erkenntnis kommt je früher, desto besser.

Zuerst die Einsatzszenarien der Musik und die Abnahmedimensionen definieren
Die Granularität des Prüfgegenstands sollte mit dem fertigen Film übereinstimmen und nicht „ob ein isoliertes Musikstück gut klingt“ lauten. Empfohlen wird eine geschichtete Stichprobe nach der realen Verwendung im fertigen Film:
- Vorspann/Opening: Die ersten Sekunden müssen sitzen; wichtig ist, ob der Einstieg klar ist und ob es wirkungslose Vorläufe gibt.
- Hintergrunduntermalung: Langes Zuhören mit geringer Aufmerksamkeit; wichtig ist, ob es sich gut anhört und ob es Stimme oder Off-Kommentar überdeckt.
- Übergänge/Szenenwechsel: Ob der emotionale Anschluss natürlich ist und ob der Übergang innerhalb der vorgegebenen Dauer gelingt.
- Loop-Abschnitte: Ob Anfang und Ende nahtlos zusammenpassen und ob nach mehreren Wiederholungen ein deutliches mechanisches Wiederholungsgefühl entsteht.
Für jedes Szenario werden dann beobachtbare Dimensionen festgelegt, um Wörter wie „schön“ oder „hochwertig“ zu vermeiden:
- Strukturelle Vollständigkeit: Gibt es eine erkennbare Einleitung, Steigerung, Wendung und Auflösung, oder ist alles durchgehend gleichmäßig ausgebreitet?
- Loop-Anschluss: Gibt es beim Übergang vom Endframe zurück zum ersten Frame Knackser, Brüche oder rhythmische Verschiebungen?
- Dynamikumfang: Liegt der Kontrast zwischen stark und schwach in einem sinnvollen Bereich, ist die Kompression zu stark?
- Stilkonsistenz: Entspricht der tatsächliche Klang dem im Prompt beschriebenen Stil und der Instrumentierung?
- Nutzbare Dichte: Wie hoch ist der Anteil der effektiv direkt verwendbaren Abschnitte an der Gesamtdauer des fertigen Films?
Die Anzahl der Dimensionen sollte auf fünf bis sieben begrenzt sein – zu viele kann der Prüfer nicht ausfüllen, zu wenige lassen nicht erkennen, wo das Problem liegt. Jede Dimension braucht eine Beurteilungsanweisung – was als bestanden gilt und was als Mangel –, die vorab festgeschrieben wird.
Aufbau der Hörprobetabelle: Felder und Bewertungsmaßstab
Der Kern der Hörprobetabelle ist nicht „schön“, sondern dass verschiedene Prüfer für dasselbe Audio vergleichbare Ergebnisse eintragen. Die Felder lassen sich in vier Gruppen unterteilen:
Zuordnungsfelder
Szenario (Vorspann/Untermalung/Übergang/Loop), Kandidatennummer, Dauer, Erzeugungsdatum. Diese Spalten beantworten, für welche Position das Audio vorbereitet wurde.
Eingabefelder
Prompt-Originaltext (wörtlich festhalten, nicht umschreiben), maßgebliche Parameter (Dauer, Stilbeschreibung usw.). Der Prompt muss unverändert gespeichert werden; jede Abkürzung lässt die spätere Reproduktion scheitern.
Bewertungsfelder
Jede Abnahmedimension verwendet eine einheitliche dreistufige Skala, z. B. „bestanden / knapp / nicht bestanden“, mit optionaler Anmerkung. Drei Stufen sind stabiler als fünf Stufen oder eine Zehn-Punkte-Skala; die Urteile der Prüfer lassen sich leichter angleichen. Je feiner die Abstufung, desto größer das subjektive Rauschen.
Ergebnisfelder
Mangel-Tag (aus einer vorgegebenen Wortliste auswählen, keine freie Formulierung) + Ein-Satz-Erläuterung + Empfehlung für den Kandidaten (behalten / überarbeiten / verwerfen).
Zwei praktische Details:
- Ein Kandidat pro Zeile, nicht mehrere Kandidaten in eine Zeile packen, sonst ist kein Versionsvergleich möglich.
- In der Tabelle eine Spalte „Nachbewertung“ vorsehen, die festhält, ob sich das Urteil in der zweiten Runde geändert hat – eine Urteilsänderung ist selbst wertvolle Information und zeigt, dass eine Dimension unklar definiert ist.
Der Bewertungsmaßstab muss im Tabellenkopf klarstehen: mit welchem Gerät gehört wird, wie oft, ob Pausen erlaubt sind. Diese scheinbar trivialen Vereinbarungen entscheiden darüber, ob die Daten brauchbar sind.

Mängelerfassung: Probleme reproduzierbar und klassifizierbar machen
Ein nicht reproduzierbarer Mangel-Eintrag ist so gut wie nicht vorhanden. Die minimale Informationsmenge sollte vier Punkte umfassen:
- Prompt-Originaltext: vollständig, unredigiert, einschließlich Satzzeichen.
- Parameterangabe: Dauer und Stileinstellung dieser Erzeugung, klar in Worten beschrieben, kein vages „Standard“.
- Prüfbedingungen: Kopfhörer oder Lautsprecher, Lautstärkebereich, ob in Schleife abgespielt wird.
- Phänomenbeschreibung: zu welchem Zeitpunkt, was gehört wurde, was erwartet wurde.
Die Phänomenbeschreibung sollte keine Anhäufung von Adjektiven enthalten. „Bei etwa Sekunde 12 wird der Tiefton plötzlich dünn und weicht vom ersten Abschnitt ab“ ist brauchbar; „die Klangqualität ist irgendwie schlecht“ ist nicht brauchbar.
Die Mangelklassifikation sollte nach zuordenbarer Ursache erfolgen, nicht nach Höreindruck:
Strukturell
Fehlende Abschnitte, harte Übergänge, abgeschnittenes Ende, falsch sitzender Loop-Punkt. Solche Probleme hängen meist mit Dauer- und Strukturanforderungen zusammen.
Konsistenz
Stilabweichung, plötzlicher Instrumentierungswechsel, zu große Unterschiede bei mehrfacher Erzeugung aus demselben Prompt.
Mix
Unausgewogene Lautstärke, zu starke Kompression, Stimme oder Off-Kommentar wird verdeckt.
Nutzbarkeit
Der insgesamt nutzbare Anteil ist zu gering; viele Abschnitte können nicht direkt in den fertigen Film übernommen werden.
Für jede Kategorie fünf bis acht Tags vorgeben; die Prüfer wählen aus der Wortliste und erfinden keine neuen Begriffe. Erst wenn die Wortliste stabil ist, lässt sich die Mangel-Datenbank auswerten und beantworten, „wie hoch der Anteil dieser Problemart ist“.
Versionsvergleich: nur eine Variable ändern
Der häufigste Fehler beim Versionsvergleich ist, Modellunterschiede und Prompt-Unterschiede zu vermischen. Wenn z. B. in der ersten Runde ein kurzer Prompt verwendet wird und in der zweiten Runde ein langer Prompt sowie eine andere Dauer, und dann das Fazit lautet „die neue Version ist besser“ – dieses Fazit ist methodisch nicht haltbar.
Drei Regeln zur Kontrolle der Variablen:
Gleicher Prompt, gleiche Dauer
Beim Vergleich zweier Erzeugungsrunden müssen Prompt-Originaltext und Dauer vollständig identisch sein. Wenn der Prompt geändert werden muss, wird die Änderung als separate Versuchsgruppe geführt und nicht mit dem Versionsvergleich in eine Tabelle gemischt.
Blindhören
Die Prüfer sollten vorab nicht wissen, welcher Kandidat zu welcher Version gehört, sonst verfälschen Erwartungen das Urteil. Die Kandidatennummern werden zufällig vergeben; die Versionsinformation liegt nur beim Organisator.
Zufällige Reihenfolge
Die Abspielreihenfolge einer Kandidatencharge muss gemischt werden, um Positionseffekte wie „das zuerst Gehörte klingt besser“ zu vermeiden. Vor jeder Bewertungsrunde neu mischen.
Das Ergebnis des Vergleichs ist nicht „A ist besser als B“, sondern die Unterschiede je Dimension: ob strukturelle Mängel abnehmen, ob der Loop-Anschluss besser wird, ob sich die nutzbare Dichte ändert. Nur wenn die Unterschiede auf Dimensionen heruntergebrochen werden, können sie den nächsten Schritt anleiten – ob die Prompt-Strategie angepasst wird oder ob man auf die nächste Modelliteration wartet.
Wenn zwei Runden in mehreren Dimensionen wechselseitig Vor- und Nachteile zeigen, sollte man nicht mit Gewalt eine Gesamtpunktzahl erzwingen. Festzuhalten, „in welchem Szenario wer besser geeignet ist“, ist nützlicher als eine Gesamtpunktzahl.
Bewertungsprozess und Ergebnisausgang
Die Bewertung braucht Beteiligte, Runden und einen Ausgang, sonst zieht sie sich endlos hin.
Wer bewertet
Mindestens zwei Rollen: Anwender (Personen, die tatsächlich schneiden und Musik unterlegen) und Freigabe-Verantwortliche (Personen, die für die Qualität des fertigen Films verantwortlich sind). Der Anwender beurteilt die nutzbare Dichte, der Freigabe-Verantwortliche die Untergrenze. Es wird nicht empfohlen, alle einzubeziehen; je mehr Personen, desto uneinheitlicher die Messlatte.
Wie viele Runden
Zwei Runden genügen. In der ersten Runde wird unabhängig ausgefüllt, ohne Diskussion; in der zweiten Runde werden nur die Kandidaten nachbewertet, bei denen in der ersten Runde abweichende Urteile vorlagen – die Abweichung selbst zeigt, welche Dimensionsdefinition geklärt werden muss. Mehr als zwei Runden bedeuten meist, dass die Dimensionen nicht klar definiert sind; die Tabelle zu überarbeiten ist effektiver als weiter zu tagen.
Ergebnisausgang
Jeder Kandidat und jedes Szenario muss in eines von drei Ergebnissen münden:
- Verwendbar: kann direkt in den fertigen Film übernommen werden; das Mangel-Tag ist leer oder enthält nur eine Anmerkung auf Dokumentationsebene.
- Bedingt verwendbar: in bestimmten Szenarien verwendbar oder mit leichter manueller Kürzung bzw. Montage; die Bedingung muss ausdrücklich angegeben werden.
- Nicht verwendbar: Hauptdimensionen nicht bestanden oder Mängel lassen sich in der Postproduktion nicht beheben.
„Fühlt sich ganz okay an“ gehört zu keiner der Kategorien und muss zugeordnet werden. Die Folgeaktionen der drei Ergebnisarten sollten ebenfalls vorab vereinbart werden: Verwendbares kommt in die Materialbibliothek, bedingt Verwendbares erhält eine Bearbeitungshinweise, nicht Verwendbares kommt als Regressionsstichprobe in die Mangel-Datenbank.
Schließlich sollte die Gesamtabnahme einen schriftlichen Abschluss erhalten: welche Szenarien die Anforderungen erfüllen, welche noch systematische Mängel aufweisen, worauf in der nächsten Abnahmerunde besonders zu achten ist. Dieser Abschnitt ist wichtiger als jede Punktzahl.
Wie man dieses Abnahme-Asset nach dem Launch wiederverwendet
Sobald das Modell offiziell verfügbar ist, wird dieses Asset nicht archiviert, sondern in den Regelbetrieb überführt:
- Die Hörprobetabelle wird zum festen Formular bei jeder neuen Prompt-Strategie oder neuen Version; die Felder bleiben unverändert, nur die Kandidaten werden ausgetauscht.
- Die Mangel-Datenbank wird zur Regressionsstichprobensammlung; bei jeder Iteration werden zuerst diese Stichproben durchlaufen, um zu sehen, ob alte Probleme wieder auftreten.
- Die Dimensionsdefinitionen werden mit den Geschäftsanforderungen in kleinen Schritten angepasst, aber jede Anpassung erhält eine Versionsnummer, sonst sind historische Daten nicht vergleichbar.
Eine pragmatische Vorgehensweise: Hörprobetabelle, Mangel-Wortliste und Nachbewertungsaufzeichnungen an einem Ort ablegen; neue Teammitglieder lesen zuerst den Tabellenkopf und hören dann die Stichproben – das ist viel schneller, als die Bewertungsmaßstäbe mündlich weiterzugeben.
Der konkrete Launch-Status und die Zugangsinformationen zu ElevenLabs Music v2 finden sich auf der Modellseite. Sobald das Modell verfügbar ist, füllt man die erste Charge Kandidaten-Audios nach der obigen Tabelle aus – damit ist der Abnahmeprozess durchlaufen.
Ähnliche Artikel
Alle Artikel ansehen →-
Benutzerhandbuch
Leitfaden für den Einstieg in gpt-6.2-sol: Grenzen der Fähigkeiten, API-Anbindung und Hinweise zur Token-Abrechnung
Entscheidungshilfen und praktische Hinweise zur Anbindung für Engineering-Teams
-
Benutzerhandbuch
gpt-6.2-astra Einstiegsleitfaden: Grenzen der Textmodell-Fähigkeiten, Integrationspunkte und Kostenkontrolle
-
Benutzerhandbuch
Tripo H3.1 Einstiegsleitfaden: Drei Eingabewege, Parameter und Preiswahl
Praktische Entscheidungsfindung und Kostenkontrolle bei der 3D-Generierungsintegration für Entwickler