Fotorealistische KI-Avatare, die Technik dahinter und die Grenze zum Deepfake

Drei Bauarten, und woran sie sich unterscheiden

Woher das Gesicht kommt, woher die Aufnahme kommt und wer es sonst noch verwendet.

Wer über die Qualität von Avataren spricht, spricht meistens über drei ganz verschiedene Dinge, ohne sie zu trennen. Das erste ist ein Vorlagengesicht: eine Person, die eine Plattform aufgenommen hat und die allen Kunden dieser Plattform zur Verfügung steht. Das zweite ist ein eigener Avatar aus einer Selbstaufnahme, meist mit Notebook oder Telefon aufgenommen. Das dritte ist ein Zwilling aus einer geplanten Aufnahme mit Licht, Ton und Regie. Alle drei heißen im Markt Avatar, und sie taugen für verschiedene Aufgaben.

Ein Merkmal wird beim Vorlagengesicht regelmäßig übersehen: Es tritt auch in den Videos anderer Kunden derselben Plattform auf. Für eine Übersetzung oder eine interne Ansage ist das ohne Bedeutung. Für eine Seite, die einen Absender hat, ist es eines, denn dasselbe Gesicht kann am selben Tag für ein anderes Unternehmen sprechen. Wer das vermeiden will, braucht eine eigene Aufnahme, und damit beginnt die Frage nach ihrer Qualität.

Die Frage lautet nicht, welche Bauart die beste ist, sondern welche zu dem Anlass passt. Für eine interne Ansage ist der Studiotag verschwendet, für die Startseite ist die Selbstaufnahme zu wenig.

Was die Aufnahme entscheidet

Licht, Brennweite, Hintergrund und Ton übertragen sich in jedes spätere Video.

Für die Technik hinter Avataren gilt, was für jedes lernende Verfahren gilt: Was in der Grundlage fehlt, kommt später nicht dazu. Bei einer Aufnahme mit seitlichem Fensterlicht steht der Schatten auf der Wange in jedem Video, das später entsteht. Bei einer Aufnahme mit einer kurzen Brennweite aus zu geringem Abstand bleibt die Verzeichnung der Nase erhalten. Und ein Raum mit Hall liefert eine Stimme, die in jedem Satz hallt.

Vier Dinge sind es, die den Unterschied machen, und keines davon hängt am Anbieter. Erstens gleichmäßiges Licht von vorn, das Augenhöhlen und Kinn nicht verschattet. Zweitens ein Abstand, der eine Brennweite um fünfzig bis fünfundachtzig Millimeter erlaubt, weil Gesichter darin so aussehen, wie man sie im Gespräch sieht. Drittens ein ruhiger Hintergrund ohne Muster und ohne Bewegung, weil beides in der Aufbereitung Artefakte erzeugt. Viertens Ton mit einem Mikrofon in Mundnähe, in einem Raum mit Teppich oder Vorhang.

Dazu kommt ein Punkt, der mit Technik nichts zu tun hat: die Sprechhaltung. Eine Aufnahme, in der jemand vorliest, liefert einen Avatar, der vorliest. Wer später zugewandt klingen soll, muss in der Aufnahme zugewandt sprechen, mit Pausen, mit Blick in die Linse, mit den kleinen Bewegungen, die Menschen beim Erklären machen. Deshalb gehört zu einem Aufnahmetag jemand, der Regie führt, und nicht nur jemand, der die Kamera bedient. Das ist der Teil, den Preisvergleiche nie abbilden, und der Teil, an dem man das Ergebnis später erkennt.

Was in einer Stunde aufgenommen sein sollte

• Ruhige Erklärhaltung, mehrere Minuten, weil sie die Grundlage für den größten Teil der späteren Videos ist.
• Begrüßung und Abschluss, weil sie in fast jedem Video vorkommen und einen anderen Ton haben.
• Zuhörhaltung ohne Sprechen, für Schnitte und für Inhalte mit Bildschirmaufnahme.
• Zahlen, Eigennamen und Fachbegriffe Ihres Hauses, laut gesprochen, weil die Aussprache später sonst geraten wird.
• Zwei Kleidungsvarianten, wenn die Inhalte in unterschiedlichen Anlässen laufen sollen.

Das Uncanny Valley, und was daran belegt ist

Eine Hypothese von 1970, die als Argument taugt und nicht als Beweis.

Die Annahme, dass eine fast menschliche Darstellung unheimlicher wirkt als eine deutlich künstliche, geht auf den japanischen Robotiker Masahiro Mori zurück und auf einen Aufsatz aus dem Jahr 1970. Sie ist eine Hypothese und wird im Markt gern wie ein Naturgesetz verwendet, meistens dann, wenn ein Anbieter erklären will, warum das Angebot des anderen nicht taugt.

Der Forschungsstand ist gemischt. Übersichtsarbeiten zu Gesichtern und Figuren finden den Effekt in einem Teil der Versuche und in anderen nicht, und wo er gefunden wird, hängt er an Einzelheiten: an der Stimmigkeit zwischen Bild und Ton, an der Bewegung der Augen, an der Erwartung, mit der jemand hinsieht. Für die Praxis folgt daraus etwas Nützlicheres als eine Kurve: Unstimmigkeit zwischen den Kanälen ist das Problem, nicht der Grad des Realismus. Ein Video, in dem die Stimme wärmer ist als das Gesicht, wirkt falsch. Ein deutlich gezeichneter Erklärfilm wirkt nicht falsch, weil niemand ihn für eine Aufnahme hält.

Deshalb ist der praktische Rat unspektakulär. Prüfen Sie das Ergebnis nicht auf einem großen Bildschirm im ruhigen Raum, sondern dort, wo es später läuft, auf einem Telefon in einer Bahn. Prüfen Sie es mit Ton und ohne Ton. Und lassen Sie drei Menschen zusehen, die den Text nicht kennen, denn wer den Text geschrieben hat, hört über jede Unstimmigkeit hinweg.

Die Stimme, und wo das Klonen scheitert

Nicht am Klang, sondern an Zahlen, Eigennamen und Betonung.

Der Klang einer geklonten Stimme ist heute selten das Problem. Wo es regelmäßig auffällt, ist die Betonung, und zwar an vier Stellen. Zahlen werden falsch gruppiert, aus einer Artikelnummer wird ein Datum. Eigennamen werden geraten, besonders bei Ortsnamen und bei Namen mit stummen Buchstaben. Abkürzungen werden buchstabiert, wo sie gesprochen gehören, oder umgekehrt. Und die Satzmelodie in langen Schachtelsätzen bricht, weil das Verfahren den Bogen nicht hält, den ein Mensch beim Sprechen mitdenkt.

Alle vier lassen sich behandeln, und keine Behandlung ist teuer. Zahlen und Abkürzungen werden im Skript so geschrieben, wie sie klingen sollen. Eigennamen werden einmal gesprochen aufgenommen und als Aussprachehinweis hinterlegt. Und Sätze werden kürzer geschrieben, was den Nebeneffekt hat, dass sie auch besser verstanden werden. Wer diese Arbeit einmal macht, hat sie für alle künftigen Videos gemacht. Wer sie nie macht, hört den Fehler in jedem Video wieder.

Zu den weiteren Sprachen gehört ein Hinweis, der in Angeboten oft fehlt. Dass eine geklonte Stimme in einer Sprache spricht, die die Person nicht beherrscht, ist technisch unproblematisch und inhaltlich riskant. Niemand im Haus kann prüfen, ob die Fassung sagt, was sie sagen soll, wenn niemand die Sprache liest. Deshalb gehört zu jeder Sprachfassung eine Person, die sie fachlich freigibt, und diese Prüfung ist der eigentliche Kostenposten bei mehreren Sprachen, nicht die Erzeugung.

Was mit der Stimme nicht geht

Spontane Reaktion. Eine geklonte Stimme spricht, was im Skript steht, und sie tut es jedes Mal gleich. Für eine Erklärung ist das ein Vorteil, für ein Gespräch ist es die Grenze. Wer auf Rückfragen antworten will, braucht ein anderes Verfahren und trägt dessen Fehlerbild: Antworten, die frei formuliert sind und deshalb geprüft werden müssen, bevor sie an Kunden gehen.

Avatar und Deepfake, an den Normen entlang

Die Verfahren sind verwandt. Getrennt werden sie durch Einwilligung und Offenlegung.

Die Frage kommt in jedem zweiten Erstgespräch, und sie ist berechtigt. Die Verfahren hinter einem Unternehmensavatar und hinter einer gefälschten Videobotschaft sind verwandt. Der Bestand dieser Seite beantwortete das mit Zustimmung und Absicht und schloss mit dem Satz, der Einsatz sei ethisch und rechtlich sicher, solange er transparent erfolge. Das ist als Haltung richtig und als Auskunft zu wenig, denn welche Pflichten gelten, steht in Normen und nicht in einer Haltung.

Aus der Tabelle folgt eine Trennung, die einfacher ist als die Debatte darüber. Die Einwilligung regelt das Verhältnis zur abgebildeten Person. Die Kennzeichnung regelt das Verhältnis zum Publikum. Beide sind nötig, und keines ersetzt das andere. Ein Video mit Einwilligung und ohne Kennzeichnung ist gegenüber der Person in Ordnung und gegenüber dem Publikum ein Verstoß. Ein gekennzeichnetes Video ohne Einwilligung bleibt ein Eingriff in das Persönlichkeitsrecht, auch wenn niemand getäuscht wird.

Was einen Unternehmensavatar von einer Fälschung unterscheidet, ist nicht die Technik und nicht die gute Absicht, sondern eine Unterschrift und eine Angabe am Video.

Was vor der ersten Aufnahme vereinbart sein muss

Fünf Punkte, die eine Fotofreigabe nicht abdeckt.

Die meisten Häuser lassen vor einem Dreh eine Einverständniserklärung unterschreiben, wie sie für Fotos verwendet wird. Für einen Avatar reicht sie nicht, weil bei ihm nicht eine Aufnahme entsteht, sondern die Möglichkeit, beliebig viele neue zu erzeugen. Fünf Punkte gehören deshalb ausdrücklich geregelt, und zwar vor dem Aufnahmetag und nicht danach.

• Zweck: für welche Arten von Inhalten der Avatar sprechen darf, und für welche ausdrücklich nicht. Werbung, Schulung und Stellungnahmen in eigener Sache sind verschiedene Dinge.
• Dauer: wie lange die Verwendung läuft, und was mit vorhandenen Videos geschieht, wenn die Zeit abgelaufen ist.
• Widerruf: wie widerrufen wird, welche Frist gilt und welche Inhalte in dieser Frist noch laufen dürfen.
• Ausscheiden: was gilt, wenn die Person das Haus verlässt. Ohne diese Regelung steht die Frage im ungünstigsten Moment im Raum.
• Freigabe je Inhalt: ob die Person jedes Skript sieht oder nur die erste Fassung. Beides ist möglich, aber es muss entschieden sein.

Dazu ein praktischer Rat zur Auswahl der Person. Die Geschäftsführung ist die naheliegende Wahl und die unbeständigste. Wer eine Rolle aufnimmt, die bleibt, etwa aus dem Kundenerfolg oder aus der Ausbildung, hat nach einem Wechsel in der Leitung kein Problem mit sechzig Videos. Für Ansprachen der Leitung bleibt die Leitung, für alles Wiederkehrende ist die stabilere Rolle die bessere.

Wo verarbeitet wird

Je Auftrag in der Europäischen Union oder bei Anbietern außerhalb. Der Ort gehört in den Vertrag.

Der Bestand dieser Seite behauptete, die Hardware für das Rechnen stehe ausschließlich in Deutschland. Das trifft nicht durchgängig zu. Der Verarbeitungsort hängt am Auftrag und an der gewählten Technik: Ein Teil der Arbeiten läuft in der Europäischen Union, ein Teil bei Anbietern außerhalb, und welche Verfahren zur Verfügung stehen, ist eine Folge dieser Wahl und nicht umgekehrt.

Für Sie hat das drei praktische Folgen. Erstens gehört die Anforderung an den Anfang: Wenn eine Verarbeitung ausschließlich in der Union nötig ist, weil eine interne Vorgabe, eine Betriebsvereinbarung oder eine Kundenklausel das verlangt, sagen Sie es im ersten Gespräch. Zweitens gehört der Ort in den Vertrag, zusammen mit der Auftragsverarbeitung nach Artikel 28 DSGVO und den Unterauftragnehmern. Drittens ist bei Aufnahmen von Beschäftigten die Mitbestimmung zu bedenken, weil die Verarbeitung ihrer Aufnahmen eine Frage der betrieblichen Ordnung berührt.

Was wir nicht tun, ist die Frage mit einem Siegel beantworten. Eine Zusage, alles bleibe in Deutschland, ist schnell gemacht und im Einzelfall falsch, und dann steht sie im Angebot, während die Verarbeitung anders läuft. Die genaue Antwort hängt an Ihrem Fall, und sie steht danach schriftlich da.

Häufige Fehler

Vier Muster, die sich beim ersten Avatar wiederholen.

Der erste Fehler ist die Aufnahme ohne Plan für den Inhalt. Wer einen Aufnahmetag bucht, ohne zu wissen, welche zwanzig Videos danach entstehen sollen, nimmt die falschen Haltungen auf und stellt es drei Monate später fest. Die Liste der geplanten Inhalte gehört vor die Kamera und nicht dahinter.

Der zweite Fehler ist die Bauart nach dem Preis zu wählen statt nach dem Anlass. Für interne Ansagen ist ein Vorlagengesicht ausreichend und ein Studiotag verschwendet. Für die Startseite ist es umgekehrt. Der dritte Fehler ist die Kennzeichnung als Nachgedanke: Sie gehört an das Video, und wer sie erst nach der Veröffentlichung ergänzt, hat in der Zwischenzeit veröffentlicht, ohne die Pflicht aus Artikel 50 zu erfüllen.

Der vierte Fehler ist das Versprechen, das Ergebnis sei von einer echten Aufnahme nicht zu unterscheiden. Als Verkaufsargument ist der Satz wirkungsvoll, als Ziel ist er ungeeignet, denn genau diese Ununterscheidbarkeit löst die Offenlegungspflicht aus. Was Sie brauchen, ist ein Video, dem man zuhört, und nicht eines, das seine Herkunft verbirgt.

Damit bleibt eine Frage offen, und sie ist die praktische: Wenn nicht Ununterscheidbarkeit das Ziel ist, welches Maß dann? Die Seite zu realistische KI-Avatare erstellen beantwortet das über die Aufnahme statt über das Modell, mit den Stellen, an denen ein Zuschauer tatsächlich hängen bleibt. Wer stattdessen wissen will, welche Bauarten es neben der Personenaufnahme gibt, findet die Einordnung unter generative KI-Avatare, samt der Frage, wann ein erzeugtes Gesicht die bessere Wahl ist.

Häufige Fragen zu Technik und Recht