AI Avatar Generator, wie die Werkzeuge arbeiten und welche Einstellungen über den Realismus entscheiden

Was ein Generator zwischen Ihrem Text und der fertigen Datei tut

Fünf Stationen, und an welcher es meistens klemmt.

Das Wort Generator legt eine Maschine nahe, in die oben Text hineingeht und unten ein Video herausfällt. Dahinter steht eine Kette aus fünf Stationen, und jede kann für sich gut oder schlecht arbeiten. Wer weiß, welche Station welches Ergebnis verantwortet, kann eine Beschwerde wie „sieht komisch aus“ in eine Aufgabe verwandeln, die sich lösen lässt.

Die Reihenfolge ist streng. Was an Station eins fehlt, holt keine spätere zurück, weil die Bildberechnung nur zeigen kann, was im Modell steckt. Deshalb ist die häufigste wirksame Maßnahme bei einem unbefriedigenden Ergebnis eine neue Aufnahme und nicht ein anderes Werkzeug. Wie eine brauchbare Vorlage entsteht, steht auf der Seite zur Aufnahme, und was das Modell daraus lernt, auf der Seite zum Modell.

Drei Bauarten, und für wen welche zählt

Im Browser, über eine Schnittstelle, im eigenen Betrieb.

Angebote werben mit Funktionslisten, die sich stark ähneln. Die Unterscheidung, die im Haus den Unterschied macht, steht selten darin, nämlich der Ort, an dem die Software läuft. Daran hängen der Verbleib der Aufnahmen, der Aufwand im Betrieb und die Frage, wer das Werkzeug freigeben muss.

Im Browser, der übliche Weg

Sie melden sich an, wählen ein Gesicht oder laden eine Aufnahme hoch, tippen Text und erhalten nach einigen Minuten eine Datei. Das trägt die meisten Vorhaben im Mittelstand. Zwei Punkte klären Sie vor der ersten Aufnahme: ob der Tarif eine Nutzung in der Werbung erlaubt und ob die Ausgabe ein sichtbares Zeichen des Anbieters trägt. Bei kostenlosen Zugängen ist Letzteres die Regel, was für einen Test genügt und für eine Veröffentlichung nicht. Näheres dazu auf der Seite zu den kostenlosen Wegen.

Über eine Schnittstelle, wenn Videos aus Daten entstehen

Interessant wird die Schnittstelle, sobald die Zahl der Videos mit einer Zahl in Ihren Systemen wächst, etwa mit der Zahl der Produkte, der Filialen oder der Bewerbungen. Dann schreibt nicht mehr jemand Text in ein Formular, sondern Ihre Anwendung erzeugt ihn und schickt ihn los. Der Aufwand liegt einmal in der Anbindung und danach in ihrer Pflege, denn Schnittstellen von Anbietern ändern sich. Wer diesen Weg erwägt, sollte die Zusage zur Abkündigungsfrist schriftlich haben.

Im eigenen Betrieb, für Material, das bleiben muss

Für Sprachsynthese und Mundbewegung gibt es offene Modelle, ein bekanntes Verfahren für die Lippen ist Wav2Lip, veröffentlicht 2020 auf der ACM Multimedia. Damit lässt sich ein Generator im eigenen Netz betreiben, und für Aufnahmen mit Personalbezug oder Patientenbezug ist das gelegentlich der einzige zulässige Weg. Das Ergebnis liegt heute hinter den gepflegten Diensten, und der Betrieb bindet dauerhaft Zeit. Für vier Videos im Quartal rechnet sich das in keiner Aufstellung.

Woran es liegt, wenn das Ergebnis unecht wirkt

Vier Ursachen, nach Häufigkeit geordnet.

„Sieht irgendwie unecht aus“ ist die häufigste Rückmeldung aus einer ersten Runde, und sie kommt fast immer ohne Begründung. Die Ursachen verteilen sich erfahrungsgemäß so, dass die naheliegende Vermutung an vierter Stelle steht.

1. Die Vorlage. Licht von der Seite, ein feines Muster im Hemd, ein Blick wenige Grad neben der Linse. Das begrenzt jedes Modell, und keine Einstellung im Werkzeug hebt es auf.
2. Der Text. Geschriebene Sätze mit drei Nebensätzen klingen gesprochen gleichförmig, weil die Sprachsynthese die Betonung aus dem Satzbau ableitet.
3. Die Länge. Bis etwa einer Minute wirkt das Ergebnis ruhig, danach wiederholen sich die verfügbaren Bewegungen sichtbar. Zwei Stücke von je vierzig Sekunden tragen besser als eines von achtzig.
4. Das Werkzeug. Es gibt Unterschiede, vor allem bei der Mundbewegung in anderen Sprachen. Sie sind kleiner als der Abstand zwischen einer guten und einer schlechten Aufnahme.

Diese Reihenfolge hat eine praktische Folge für die Prüfung eines Werkzeugs. Wer zwei Generatoren mit derselben schlechten Vorlage vergleicht, misst den Abstand zwischen zwei Ergebnissen, die beide von derselben Grenze gedeckelt sind. Der Vergleich sagt dann nichts über die Werkzeuge, und er endet meist mit dem Satz, dass sich beide nicht lohnen.

Erst die Vorlage prüfen, dann den Text, dann die Länge. Wer mit dem Werkzeug beginnt, tauscht das Teil aus, das am wenigsten beiträgt.

Was Zuschauer im Einzelnen verrät und warum die Frage nach dem Deepfake daneben liegt, steht auf der Seite zu den fotorealistischen Avataren. Wie man ein gezeigtes Beispiel liest, ohne sich täuschen zu lassen, auf der Seite zur Beurteilung.

Die Einstellungen, die tatsächlich etwas ändern

Vier Größen mit Wirkung, zwei ohne.

Die Oberflächen der Werkzeuge bieten mehr Schalter, als das Ergebnis beeinflussen. Vier Größen sind es, die im Alltag einen Unterschied machen, und sie hängen am Kanal, für den das Video gedacht ist.

Zwei weitere Schalter tragen weniger, als ihr Name verspricht. Die Verstärkung der Mimik erzeugt in der Regel ein unruhiges Gesicht, weil sie vorhandene Bewegungen überzeichnet. Und die Wahl eines anderen Modells innerhalb desselben Werkzeugs ändert das Ergebnis meist weniger als eine Kürzung des Textes um ein Viertel.

Sprachen und Stimme, und wo die Lippen nicht mehr mitkommen

Eine Aufnahme, mehrere Sprachen, drei bekannte Grenzen.

Ein Generator trennt Bild und Ton. Aus einer Aufnahme lassen sich deshalb mehrere Sprachen erzeugen, ohne erneut aufzunehmen, und das ist der Punkt, an dem sich der Aufwand bei mehrsprachigen Vorhaben am deutlichsten lohnt. Drei Grenzen gehören dazu, und sie werden in Angeboten selten genannt.

• Die Mundbewegung wird nachgerechnet und trifft nicht in jeder Sprache gleich gut. Sprachen mit vielen Zischlauten und schnellem Sprechtempo fallen häufiger auf als Deutsch oder Englisch.
• Ein Stimmklon klingt in einer Sprache, die die Person nicht spricht, für Muttersprachler oft fremd, weil Sprachmelodie und Akzent mitgehen.
• Die Übersetzung im Werkzeug ist eine maschinelle Übersetzung. Fachbegriffe, Produktnamen und Zahlenformate brauchen eine fachliche Freigabe im Zielland, bevor das Video veröffentlicht wird.

Für die Stimme gibt es zwei Wege mit unterschiedlichen Folgen. Eine Bibliotheksstimme ist beim Anbieter lizenziert und braucht keine Einwilligung. Ein Klon der eigenen Stimme braucht eine Einwilligung, ist widerruflich und gehört mit einer Regel versehen, wer ihn freischalten darf. Der Grund ist praktisch: Ein Anruf braucht keine Bildqualität, ein missbrauchter Stimmklon richtet deshalb schneller Schaden an. Näheres auf der Seite zum Stimmklon und zu mehreren Sprachen auf der Seite zum mehrsprachigen Avatar.

Zwei Eingriffe verbessern das Ergebnis in jeder Sprache, und beide liegen im Text. Der erste ist die Lautschrift für Eigennamen, Produktbezeichnungen und Abkürzungen. Die meisten Werkzeuge nehmen dafür eine eigene Schreibweise oder eine Aussprachetabelle an, und eine einmal gepflegte Liste gilt für alle folgenden Videos. Der zweite ist die gesetzte Pause. Wo im geschriebenen Text ein Komma steht, atmet ein Mensch nicht zwingend, und die Sprachsynthese liest darüber hinweg. Ein Punkt an der richtigen Stelle wirkt stärker als jede Einstellung in der Oberfläche. Beides zusammen kostet eine Viertelstunde je Skript.

Untertitel gehören unabhängig von der Sprache dazu. Ein erheblicher Teil der Zuschauer beginnt in sozialen Netzwerken ohne Ton, und im Intranet sitzen Menschen in Räumen, in denen sie den Ton nicht aufdrehen können. Erzeugen die Werkzeuge Untertitel selbst, lohnt eine Durchsicht: Fachbegriffe und Zahlen sind die Stellen, an denen die Erkennung daneben liegt.

Was vor der Freigabe im Haus zu prüfen ist

Vier Angaben, schriftlich, vor der ersten Aufnahme.

Bis hierher ging es um das Ergebnis. Ob ein Werkzeug eingesetzt werden darf, entscheidet daneben eine kurze Liste, und sie ist kürzer, als ihr Ruf vermuten lässt. Vier Angaben genügen für eine belastbare Entscheidung, und alle vier stehen entweder in den Vertragsunterlagen oder sie fehlen dort.

Dazu kommen zwei Punkte, die kein Datenschutzthema sind und im Ernstfall genauso wichtig werden. Erstens der Ausstieg: dass das Modell auf Verlangen gelöscht wird, mit Frist und Nachweis, und dass Sie den Avatar kurzfristig sperren können, wenn die gezeigte Person das Haus verlässt. Zweitens die Abkündigung: was passiert, wenn der Anbieter das Modell oder die Schnittstelle einstellt, und wie viel Vorlauf Sie dann haben.

Wo eine Person gezeigt oder gehört wird, braucht es außerdem ihre Einwilligung nach Paragraf 22 des Kunsturhebergesetzes, schriftlich und mit benanntem Zweck. Werden Beschäftigte gezeigt, gehört die Mitbestimmung dazu. Diese Punkte kosten mehr Zeit als die Auswahl des Werkzeugs und stehen in Zeitplänen am seltensten.

Kennzeichnung, und ob der Generator sie mitliefert

Pflicht seit dem 2. August 2026, und sie trifft nicht das Werkzeug.

Artikel 50 der Verordnung (EU) 2024/1689 verlangt, dass künstlich erzeugte oder veränderte Bild- und Tonaufnahmen als solche erkennbar sind. Nach Artikel 113 gelten diese Transparenzpflichten seit dem 2. August 2026. Verpflichtet ist, wer veröffentlicht, und das ist Ihr Haus.

Manche Werkzeuge helfen dabei. Einige setzen ein sichtbares Zeichen in das Bild, einige schreiben Angaben zur Herkunft in die Datei, etwa als Content Credentials nach der Spezifikation der C2PA. Beides ist nützlich und beides ist unzuverlässig als einzige Maßnahme, weil ein Zeichen beim Schneiden verloren geht und Angaben in der Datei beim Hochladen häufig entfernt werden. Tragfähig ist eine Regel im Haus, die die Kennzeichnung an die Veröffentlichung bindet: ein Satz in der Beschreibung, ein Hinweis im Abspann, ein Vermerk in der Ablage.

Zwei weitere Vorschriften geraten leicht aus dem Blick. Wird eine erfundene Person in der Werbung so gezeigt, dass Zuschauer sie für echt halten, ist das eine Irreführung durch Verschweigen nach Paragraf 5a des Gesetzes gegen den unlauteren Wettbewerb. Und eine erzeugte Kundenstimme ist auch mit einem Hinweis am Seitenende keine zulässige Werbung. Welche Rechte an Gesicht und Stimme im Angebot geregelt sein müssen, steht in der Prüfliste für die Anbieterauswahl.

Kein Werkzeug erfüllt die Kennzeichnungspflicht für Sie. Es kann sie nur leichter machen.

Ein Werkzeug prüfen, in fünf Schritten und einem halben Tag

Mit Ihrem Material, nicht mit dem Beispieltext des Anbieters.

Probemonate verstreichen, weil niemand die Zeit hat, sie zu nutzen. Ein halber Tag mit einem festen Ablauf beantwortet mehr als vier Wochen gelegentlichen Ausprobierens, und er liefert etwas, das im Freigabegespräch vorgelegt werden kann.

1. Nehmen Sie dreißig Sekunden Text aus einem echten Vorhaben, mit zwei Eigennamen, einer Zahl und einem Fachbegriff Ihres Hauses.
2. Erzeugen Sie das Ergebnis in zwei Werkzeugen, jeweils mit derselben Vorlage und denselben Ausgabeeinstellungen.
3. Sehen Sie beide auf dem Gerät an, auf dem später zugeschaut wird, und einmal ohne Ton, weil viele Zuschauer so beginnen.
4. Lassen Sie drei Personen urteilen, die das Thema kennen, mit einer einzigen Frage: Würden Sie das im eigenen Namen verschicken?
5. Fordern Sie die vier Angaben zur Freigabe schriftlich an und messen Sie, wie lange die Antwort braucht. Diese Zeit sagt etwas über die Zusammenarbeit.

Nächste Schritte

Wohin es von hier weitergeht.

Wenn Sie ein Werkzeug ausgewählt haben, liegt die nächste Entscheidung bei der Vorlage. Wer eine bestimmte Person zeigen will, findet die Aufnahmeanleitung auf der Seite zur Aufnahme. Wer noch nicht weiß, ob ein Vorlagengesicht genügt, findet die vier Verfahren im Vergleich auf der Seite zu den Verfahren. Und wer mit einem einzelnen Anbieter beginnen will, findet einen Ablauf auf der Anleitungsseite.

Wer den Überblick über den Markt und die belegten Zahlen dazu sucht, findet ihn im Überblick zu KI-Avataren. Was ein eigener Avatar kostet und was laufend anfällt, steht auf der Preisseite.

Häufige Fragen zu Avatar-Generatoren