Blog

Benutzerhandbuch

ElevenLabs Sound Effects v3 Prompt-Formulierung: Soundeffekt-Beschreibungen mit Material, Aktion und Distanz strukturieren

Nov 18, 2026
Auf warmem Sandton angeordnete, stufenförmige horizontale Farbbänder, geschichtet in Terrakotta- und Brauntönen, als Blog-Titelbild.
Auf dieser Seite

Warum der Prompt in Material, Aktion und Distanz aufgeteilt werden sollte

Der häufigste Fehler beim Schreiben von Soundeffekt-Prompts besteht darin, einen Satz fertigzustellen und ihn abzuschicken: „ein knackiges Klickgeräusch“. Dieser Satz enthält ein Adjektiv, aber keine Information, an der das Modell ansetzen kann – welches Material klingt? Ist die Aktion schnell oder langsam? Wie weit ist der Hörer davon entfernt? Das Soundeffekt-Generierungsmodell muss diese Dimensionen ergänzen, und die Art, wie es sie ergänzt, ist unkontrollierbar. So erhält man beim zweimaligen Ausführen desselben Prompts zwei völlig unterschiedliche Ergebnisse, und das Debugging wird zum Glücksspiel.

Der stabilere Ansatz besteht darin, die Beschreibung in drei Schichten strukturierter Informationen aufzuteilen:

  • Material bestimmt die Klangfarbe und Textur: Holz, Glas, Metall, Stoff, Wasser, Kunststoff – jedes hat eine eigene Resonanzweise und eigene Hochfrequenzanteile. Das Material klar zu benennen bedeutet, einen Bezugspunkt für die Klangfarbe zu setzen.
  • Aktion bestimmt Rhythmus und Hüllkurve: Einzelklick oder Serienklick, leichtes Abstellen oder hartes Fallenlassen, langsames Reiben oder schnelles Kratzen. Das Aktionswort bestimmt den Attack, den Abfall und die Verteilung der Dauer des Klangs.
  • Distanz bestimmt Raumgefühl und Hallneigung: direkt am Ohr, innerhalb eines Meters, auf der anderen Seite des Raums, draußen in der Ferne. Je weiter die Distanz, desto schwächer der Direktschall und desto höher der Anteil von Hall und tiefen Frequenzen; auch die Raumvorstellung des Modells ändert sich entsprechend.

Diese drei Schichten sind keine Vorlage, bei der alle gleich gewichtet sein müssen, sondern ein Analysegerüst: Bei einer Soundeffekt-Anforderung bestimmt man zuerst, von welcher Schicht sie am meisten abhängt, formuliert die entsprechenden Wörter konkret und ergänzt die anderen beiden Schichten nach Bedarf. UI-Feedback-Klänge hängen fast ausschließlich von Aktion und Material ab, bei Objekt-Foley ist das Material das Subjekt, und Umgebungsatmosphäre wird von Distanz und Raum getragen. Die folgenden Abschnitte gehen jeweils darauf ein.

Innerhalb der Obergrenze von 450 Zeichen hat dieses Gerüst noch einen praktischen Vorteil: Es hilft dir von Natur aus, die Informationsdichte zu kontrollieren. Je ein Satz pro Schicht reicht in der Regel aus; bleibst du darunter, ist die Beschreibung noch nicht konkret genug, überschreitest du sie, häufst du Synonyme an.

Material, Aktion und Distanz bilden jeweils eine Stufe und laufen schließlich in einem strukturierten Prompt zusammen.

Schnittstellenform und drei einstellbare Parameter

Zuerst wird der Vertrag festgelegt, damit die spätere Schreibweise einen gemeinsamen Bezugspunkt hat. Die aktuelle Task-API entspricht dem Modell elevenlabs/sound-effects-v3, die Eingabefelder liegen unter input:

  • prompt: Pflichtzeichenkette, beschreibt den gewünschten Soundeffekt und muss Aktion, Szene, Atmosphäre und Darstellungsweise abdecken, maximal 450 Zeichen.
  • duration_seconds: Pflichtzahl, Einheit Sekunden, Wertebereich 0,5 bis 30, Standard 2. Automatische Dauer wird nicht unterstützt – du musst je nach Soundeffekt-Typ aktiv eine feste Dauer festlegen.
  • loop: optionaler boolescher Wert, Standard false, steuert, ob ein nahtlos wiederholbarer Soundeffekt generiert wird.
  • prompt_influence: optionale Zahl, 0 bis 1, Standard 0,3. Je niedriger der Wert, desto zufälliger und variabler, je höher, desto strenger an der Beschreibung ausgerichtet.

Von den drei optionalen bzw. halboptionalen Parametern wird die durch Standardwerte verursachte Abweichung am leichtesten übersehen. Der Standardwert von prompt_influence ist 0,3, was bedeutet, dass das Modell einen recht großen Freiheitsgrad hat, „zu improvisieren“; in der Erkundungsphase ist das gut, aber wenn du die Beschreibung bereits präzise ausgearbeitet hast und reproduzieren möchtest, wird es zum Rauschen. duration_seconds hat den Standardwert 2 Sekunden, was für kurze UI-Klänge gerade passt, für Atmosphärenklänge aber bei weitem nicht ausreicht.

Aufrufbeispiel (gemäß der input-Struktur der Task-API):

{
  "input": {
    "prompt": "wooden drawer sliding open slowly on a dry track, close perspective, slight creak",
    "duration_seconds": 3,
    "loop": false,
    "prompt_influence": 0.6
  }
}

Die vollständigen Felder und Werte der Schnittstelle findest du auf der Modellseite; die aktuellen Parameter und die Integrationsweise kannst du unter ElevenLabs Sound Effects v3 einsehen. Die folgenden drei Abschnitte behandeln, wie man Prompts für die drei Szenariotypen schreibt, und kommen dann darauf zurück, wie die Parameter dazu passen.

Die drei Eingabeelemente – Prompt, Dauer und Einflussstärke – werden durch Breite und Zusammenlaufen der Stufenbänder ausgedrückt und bündeln sich zu einem einzigen Ergebnis generierten Audios.

UI-Feedback-Klänge: kurz, trocken, handlungsorientiert

UI-Feedback-Klänge erfordern von den drei Typen am wenigsten Vorstellungskraft, lassen sich aber am leichtesten schlecht schreiben. Die Anforderungen sind klar: kurz, trocken, klarer Attack, kein schleppender Ausklang. Beim Schreiben solcher Prompts sollte die Aktion am Satzanfang stehen, das Material direkt danach, und die Distanz immer als Nahfeld angegeben werden.

Ein brauchbares Gerüst:

[Aktion] + [Material/Objekt] + [Höreindruck-Einschränkung]

Zum Beispiel:

soft plastic button click, single press, very close, no reverb, tight transient
short glass tick, light tap, near field, clean tail
quick mechanical switch flip, small metal lever, close perspective, dry

Drei Details sind hervorzuheben:

Die Aktion muss als Einzelereignis oder Serie angegeben werden. „click“ und „rapid double click“ sind hinsichtlich der Hüllkurve völlig verschiedene Dinge. UI-Klänge sind meist Einzelereignisse; „single press“ reduziert die Wahrscheinlichkeit, dass das Modell von selbst einen Rhythmus hinzufügt.

Den Raum mit „no reverb“ und „dry“ unterdrücken. Wenn UI-Klänge deutlichen Hall mitbringen, wirken sie in der UI schmutzig. Als Distanzwörter „very close“ und „near field“ verwenden und zusätzlich eine Trocken-Einschränkung ergänzen – das führt in der Regel zu einer deutlichen Eingrenzung.

Lieber kürzer als länger. duration_seconds beginnt bei diesen Soundeffekten bei 0,5; rund 1 Sekunde ist oft bereits ausreichend; bei mehr als zwei Sekunden sollte man sich fragen, ob man einen unerwünschten Ausklang hineingeschrieben hat. Gibt man die Dauer zu lang an, neigt das Modell dazu, Inhalte zu füllen – und zieht einen eigentlich sauberen Klick zu einer Atmosphäre in die Länge.

Die Materialwahl ist im Grunde die Wahl der Klangfarbenfamilie: Kunststoff liegt im Mitteltonbereich mit einer gewissen Dumpfheit, Glas ist hochfrequent und klar, Metall hat Nachklang und Obertöne. Bei derselben „Klick“-Aktion lassen sich mit einem Wechsel des Materialworts die meisten UI-Feedback-Anforderungen abdecken. Deshalb ist das Material in diesem Szenario keine Dekoration, sondern eines der Subjekte.

Objekt-Foley: Das Material zum Subjekt machen

Die Schwierigkeit beim Objekt-Foley besteht darin, dass dieselbe Aktion auf verschiedenen Materialien völlig unterschiedlich klingt. Das Wort „Aufprall“ trägt selbst keine Klangfarbeninformation; es sind „wooden crate“, „ceramic mug“ und „chain“, die sprechen. Daher sollte die Syntax solcher Prompts das Material zum Subjekt machen und die Aktion bzw. die Krafteinwirkung zum Prädikat.

Empfohlene Reihenfolge: Material → Aktion/Krafteinwirkung → zusätzliche Textur → Distanz.

heavy ceramic mug placed on wooden tabletop, hard contact, short resonant thud, close perspective
metal chain dropped onto concrete, links colliding, bright clatter with metallic ring, one meter away
fabric curtain pulled across a metal rod, continuous friction, soft rustle with occasional ring

Einige Beurteilungskriterien, um zu prüfen, ob das Materialwort wirklich wirkt:

  • Bleibt die Beschreibung gültig, wenn man das Material austauscht? Wenn die Beschreibung nach dem Austausch des Materialworts leer wirkt, war das Material tatsächlich der Kern des Satzes; wenn es keinen Unterschied macht, hast du eine verallgemeinerte Aktion beschrieben und das Modell kann nur raten.
  • Muss die Krafteinwirkung angegeben werden? „placed“ (abgestellt) und „slammed“ (hingeschleudert) bestimmen Kraft und Transiente. Reibungsartige Aktionen wie „colliding“, „scraping“ und „sliding“ erfordern eine Angabe, ob sie kontinuierlich sind, denn die Hüllkurve kontinuierlicher Reibung unterscheidet sich völlig von der eines Aufpralls.
  • Soll Resonanz bleiben? Metall, Glas und Keramik haben einen erkennbaren Nachklang, Holz ist kurz, Stoff hat fast nur Rauschen. Wenn du keinen Nachklang möchtest, schreibe direkt „damped“ oder „dry“ in den Prompt; wenn doch, schreibe klar „resonant“ oder „ring out“.

Bei der Dauer reichen für Aufpralltypen in der Regel 0,5 bis 2 Sekunden, während Reibungs- und Öffnungs-/Schließvorgänge den vollständigen Ablauf abdecken müssen und 2 bis 5 Sekunden benötigen können. Erwarte nicht, dass das Modell eine drei Sekunden dauernde Schubladen-Öffnungsaktion in 1 Sekunde unterbringt – duration_seconds ist dein einziges Mittel, ihm „wie lange“ mitzuteilen; es passt sich nicht automatisch an.

Die Stufenbänder werden in verschiedene Materialschichten geschnitten: harte hochfrequente Splittervibrationen, weiche breite Nachschwingungen und konzentrische Wellen eines einzelnen Einschlags – sie zeigen, wie Materialwörter die Klangfarbe von Objekten verändern.

Umgebungsatmosphäre: Szenen mit Distanz und Raum schreiben

Umgebungsatmosphäre unterscheidet sich grundlegend von den beiden vorigen Typen: Sie beschreibt kein Ereignis, sondern einen andauernden Raumzustand. Die Hüllkurve eines Ereignisses hat Anfang und Ende, eine Atmosphäre muss die gesamte Dauer ausfüllen und stabil bleiben. In solchen Prompts sind Distanz und Raumtyp das Gerüst, Material und Aktion treten in den Hintergrund.

Beim Schreiben beantwortet man zuerst drei Fragen:

  1. Was ist der Raumtyp: kleines Zimmer drinnen, Halle, Straße, Wald, Tiefgarage, offenes Außengelände.
  2. Wo und wie weit ist die Schallquelle: eine einzige kontinuierliche Quelle oder mehrere Schichten in unterschiedlicher Entfernung.
  3. Ist der Dauerzustand stabil: Sollen Schwankungen vorhanden sein oder eher ein stationärer Zustand nahe Weißem Rauschen?

Entsprechend in der Schreibweise:

quiet indoor room tone, distant traffic hum through a closed window, low level, steady ambience
office background, faint keyboard taps and air conditioning drone two meters away, continuous
outdoor night field, crickets at varying distances, soft wind over grass, spacious, wide stereo image

Achte auf Formulierungen wie „varying distances“ – sie führen eher zu einem Ergebnis mit Tiefe als eine einzige Distanz. Die Textur von Atmosphärenklängen entsteht oft aus der Schichtung von Nähe und Ferne, nicht aus einem einzelnen hervortretenden Geräusch. Wenn im Prompt alle Elemente „ganz nah“ sind, wirkt das Ergebnis wie eine Nahaufnahme direkt vor dem Gesicht und es fehlt der Raum.

Looping ist der entscheidende Streitpunkt in diesem Abschnitt. Atmosphärenklänge müssen in der Regel in Schleife wiedergegeben werden, und ob der Loop-Punkt natürlich ist, hängt direkt von der Dauer ab. Wenn loop auf true gesetzt ist, musst du bedenken: Bleibt der Inhalt über die gesamte Dauer im selben Zustand? Wenn im Prompt eine gerichtete Beschreibung wie „gradually rising wind“ steht, wird der Rücksprung an der Nahtstelle hörbar. Der sichere Ansatz ist, die Atmosphäre stationär zu halten und eine ausreichend lange duration_seconds anzugeben – ist die Loop-Sektion zu kurz, tritt die Naht häufig auf; bei zehn Sekunden oder mehr, bis nahe an die Obergrenze, klingt die Schleife erst kontinuierlich.

Umgekehrt: Wenn die Atmosphäre in einem einmaligen Szenario verwendet wird (Übergang, Vorspann), bleibt loop auf false, die Dauer wird nach Szenenbedarf angegeben, und du kannst getrost Schwankungen und Veränderungen einbauen.

Wie Parameter mit dem Prompt abgestimmt werden

Prompt und Parameter sind keine getrennten Dinge; die Parametrierung sollte in fester Reihenfolge erfolgen, um nicht mehrere Variablen gleichzeitig zu ändern.

Schritt 1: duration_seconds festlegen. Der Wert ist Pflicht und nicht automatisch; lege zunächst je nach Soundeffekt-Typ einen sinnvollen Wert fest – UI-Klänge 0,5 bis 1 Sekunde, Aufprall-Foley 1 bis 2 Sekunden, Reibung und Öffnen/Schließen 2 bis 5 Sekunden, Atmosphärenklänge je nach Loop-Bedarf über zehn Sekunden. Ist dieser Wert festgelegt, organisiert der spätere Prompt den Inhalt innerhalb dieses Zeitfensters.

Schritt 2: loop festlegen. Nur Atmosphärenklänge und einige wenige kontinuierliche mechanische Geräusche benötigen true; Ereignis-Soundeffekte immer auf false. Bei true prüfst du den Prompt erneut auf gerichtete Beschreibungen (anschwellend, abklingend, allmählich in die Ferne rückend) und änderst sie gegebenenfalls in stationäre Formulierungen.

Schritt 3: prompt_influence einstellen. Der Standardwert 0,3 ist eher divergent und für die Erkundungsphase geeignet – um zu sehen, was das Modell liefert. Wenn du bereits eine zufriedenstellende Version hast und denselben Stil reproduzieren möchtest, erhöhe ihn auf den Bereich 0,5 bis 0,8, damit die Ausgabe näher am Text bleibt. Umgekehrt: Wenn die Beschreibung zu konkret geraten ist, aber immer steif wirkt und natürliche Zufälligkeit fehlt, kannst du ihn entsprechend absenken.

Schritt 4: Erst dann den Prompt ändern. Wenn es nach dem Einstellen der Parameter noch nicht passt, liegt das Problem in der Beschreibung selbst: Das Materialwort ist nicht konkret genug, oder Aktion und Dauer passen nicht zusammen (z. B. eine drei Sekunden dauernde Öffnungsbewegung ist als einzelner Aufprall beschrieben).

Zusammenfassung der Schwerpunkte nach Szenario: Bei UI-Feedback-Klängen ist vor allem eine kurze duration_seconds und ein eher hoher prompt_influence zu sichern (stabile Reproduktion); bei Objekt-Foley ist das Material präzise zu schreiben, prompt_influence mittel; bei Umgebungsatmosphäre ist vor allem ausreichende Dauer und korrektes loop zu sichern, prompt_influence kann moderat gesenkt werden, um Natürlichkeit zu gewinnen.

Häufige Prompt-Probleme und Korrekturrichtungen

Die folgenden Situationen treten beim Debugging am häufigsten auf und lassen sich durch Selbstprüfung schnell lokalisieren.

Vage Beschreibung. Typisches Merkmal: nur Adjektive, keine Substanz – „a cool sound“, „an exciting swoosh“. Die Beurteilung ist einfach: Was bleibt übrig, wenn man die Adjektive streicht? Wenn nichts bleibt, kann das Modell nur frei improvisieren. Die Korrekturrichtung besteht darin, Material und Aktion zu ergänzen und „a cool click“ durch „a short glass click, single press, close“ zu ersetzen.

Informationsüberlastung. In einen Prompt werden fünf oder sechs Elemente gepackt: Material, Aktion, Umgebung, Stimmung, Hallgrad, Stereobreite – alles geschrieben, und noch widersprüchlich. Das Ergebnis ist, dass das Modell seine Aufmerksamkeit gleichmäßig verteilt und nichts davon trifft. Die Korrekturrichtung ist, je nach Szenario auf zwei bis drei Schichten zu kürzen: Bei UI-Klängen nur Aktion und Material behalten, bei Atmosphärenklängen nur Raum und Distanz.

Längenüberschreitung. prompt hat eine Obergrenze von 450 Zeichen; wird sie überschritten, wird der Prompt abgeschnitten oder die Validierung schlägt fehl. Das Anhäufen von Synonymen ist die Hauptursache für Überschreitungen, z. B. reicht von „loud, noisy, booming, thunderous“ eigentlich eines. Nach dem Schreiben einmal kürzen: von synonymen Adjektiven eines behalten, entbehrliche Modifikatoren direkt löschen.

Konflikt zwischen Aktion und Dauer. Eine kontinuierliche Reibungsaktion ist beschrieben, aber nur 0,5 Sekunden angegeben; oder ein einzelner Aufprall ist beschrieben, aber zehn Sekunden angegeben. Im ersteren Fall kann das Modell nur zu einem kurzen Rauschen komprimieren, im letzteren füllt es mit Ausklang auf. Die Korrekturrichtung ist, duration_seconds an die semantische Dauer der Aktion anzupassen.

Looping funktioniert nicht. Wird ein Ereignisklang mit deutlichem Anfang und Ende auf loop: true gesetzt, ist die Nahtstelle zwangsläufig abrupt. Looping eignet sich nur für stationäre Inhalte; Ereignisklänge sollten es nicht aktivieren.

Vermischung von Vorlagen verschiedener Szenarien. „no reverb, dry“ von UI-Klängen für eine Außenatmosphäre zu verwenden, drückt das Raumgefühl weg; „spacious, distant“ von Atmosphärenklängen für einen Klickklang zu verwenden, ergibt einen Brei. Die drei Szenariotypen getrennt zu schreiben und getrennt zu iterieren, ist deutlich stabiler, als dieselbe Vorlage zu verwenden.

Betrachte Material, Aktion und Distanz als drei Prüfpunkte und gehe sie vor jeder Übermittlung einmal durch – die meisten Instabilitäten lassen sich bereits in der Prompt-Phase beseitigen.

Ähnliche Artikel

Alle Artikel ansehen →

Starte mit persistenten KI-Artefakten

Hol dir deinen API-Key und rufe Bild-, Video- und Audiomodelle über eine einzige task-basierte API auf.

API-Dokumentation lesen