Start / Eigenen Avatar erstellen
Anleitung
Eigenen Avatar erstellen, die Anleitung für die Aufnahme
Was Sie wirklich brauchen, wie Raum, Licht und Ton eingerichtet werden, welche zehn Fehler in der Praxis am häufigsten auftreten und was vor dem Termin geklärt sein muss.
Diese Anleitung ist für den Fall geschrieben, dass Sie selbst aufnehmen. Sie enthält deshalb auch die Stellen, an denen wir nicht gebraucht werden. Die Angaben zu Plattformanforderungen geben den Stand vom August 2026 wieder und sollten vor dem Termin beim jeweiligen Anbieter nachgesehen werden. Rechtsberatung ist die Seite nicht.
Vier Dinge entscheiden über die Aufnahme, und die Kamera steht dabei an letzter Stelle: ein Stativ, weiches Licht von vorn, ein Mikrofon nah an der Person und erst dann die Optik. Zwei bis fünf Minuten genügen, wenn darin Kopfdrehung, Lächeln, ernster Ausdruck und eine Pause vorkommen, denn Bandbreite zählt mehr als Länge. Licht, Kleidung und Frisur werden fest in das Modell übernommen, weshalb mehrere Fassungen in einem Termin sinnvoll sind. Einwilligung und, bei Beschäftigten, der Betriebsrat gehören vor den Termin. Vor dem Hochladen prüfen Sie am großen Bildschirm vier Dinge: Schärfe der Augen, wandernde Schatten, Reflexe und den Ton.
Was Sie tatsächlich brauchen
Vier Dinge, und die Kamera ist nicht das wichtigste.
Die Ausstattungsfrage wird meist zuerst gestellt und ist die am wenigsten entscheidende. Wer eine gute Kamera aus der Hand hält, in einen Raum mit Deckenlicht spricht und den Ton der Kamera nimmt, erhält ein schlechteres Ergebnis als jemand mit einem Mobiltelefon auf einem Stativ, einem Fenster als Lichtquelle und einem Ansteckmikrofon.
| Was | Warum | Was genügt |
|---|---|---|
| Stativ oder feste Auflage | Jede Handbewegung erzeugt Bewegungsunschärfe, die das Modell mitlernt | Jedes Stativ mit Halterung, notfalls ein Bücherstapel |
| Weiches Licht von vorn | Harte Schatten werden für Teile des Gesichts gehalten | Ein großes Fenster mit Vorhang, oder zwei Leuchten mit Diffusor |
| Mikrofon nah an der Person | Abstand erzeugt Hall, und Hall ist nicht entfernbar | Ansteckmikrofon im zweistelligen Preisbereich |
| Kamera | Auflösung und ruhige Belichtung | Ein Mobiltelefon der letzten Jahre in der höchsten Einstellung |
Was Sie nicht brauchen, ist ein Studio. Was ein Studio liefert, ist Wiederholbarkeit: dasselbe Licht beim zweiten Termin in einem halben Jahr. Wer einmal aufnimmt, kann das im eigenen Besprechungsraum erreichen, wenn er sich notiert, wo Kamera, Person und Leuchten gestanden haben.
Der Raum
Abstand zum Hintergrund, und drei stille Störquellen.
Der Raum entscheidet über Ton und Hintergrund, und beides fällt bei der Aufnahme seltener auf als später im Ergebnis. Drei Dinge sind wichtig, und alle drei kosten nichts.
- Abstand zur Wand, mindestens ein Meter, besser zwei. Ein Regal oder ein Bild direkt hinter dem Kopf erzeugt Kanten, die bei Bewegung flackern, weil die Freistellung dort arbeiten muss.
- Ruhige Fläche im Hintergrund, ohne Muster und ohne starken Kontrast. Eine einfarbige Wand trägt, ein Bücherregal mit vielen Rücken nicht.
- Kein Fenster im Bild und keines im Rücken der Person. Wechselndes Tageslicht verändert die Belichtung mitten in der Aufnahme, und Gegenlicht macht das Gesicht dunkel.
Zum Ton drei Störquellen, die im Raum meist überhört werden und in der Aufnahme deutlich zu hören sind: eine Lüftung oder Klimaanlage, ein Kühlschrank im Nebenraum und der eigene Rechner. Schalten Sie aus, was ausschaltbar ist, und nehmen Sie zehn Sekunden Stille auf, bevor die Person spricht. Diese zehn Sekunden sagen Ihnen mehr über den Raum als jede Einschätzung.
Zu vermeiden ist außerdem Leuchtstoff- und billige LED-Beleuchtung, die im Netzrhythmus flackert. Auf dem Auge fällt das nicht auf, in der Aufnahme erscheint es als leichtes Pulsieren der Helligkeit, und ein Modell aus einer solchen Aufnahme pulsiert dauerhaft mit.
Licht
Weich, von vorn, aus einer Richtung und in einer Farbe.
Licht ist die Größe mit der stärksten Wirkung auf das Ergebnis, weil es eingebacken wird. Ein Modell aus einer seitlich beleuchteten Aufnahme bleibt in jedem späteren Video seitlich beleuchtet, auch wenn der Hintergrund gewechselt wird.
Die einfache Fassung
Die Person sitzt oder steht dem Fenster gegenüber, das Fenster ist mit einem hellen Vorhang abgedeckt, die Kamera steht zwischen Fenster und Person. Das ergibt weiches Licht von vorn, das an einem bewölkten Tag über Stunden gleich bleibt. An einem sonnigen Tag wandert es, weshalb der Vorhang nicht optional ist.
Mit Leuchten
Zwei Flächenleuchten links und rechts der Kamera, beide mit Diffusor, eine davon etwas heller, damit das Gesicht nicht flach wirkt. Eine dritte hinter der Person löst sie vom Hintergrund. Wichtig ist eine gleiche Farbtemperatur aller Leuchten und kein zusätzliches Deckenlicht, weil gemischte Farben später als ungleichmäßiger Hautton erscheinen.
Zwei Kontrollen zeigen, ob das Licht sitzt. Erstens: Die Person dreht den Kopf langsam nach links und rechts. Wandert dabei ein Schatten über Wange oder Nase, ist eine Lichtquelle zu klein oder zu seitlich. Zweitens: Glänzt die Stirn? Dann hilft Mattierpuder mehr als eine Änderung am Licht.
Ton
Nah an der Person, und Hall ist endgültig.
Der Ton entscheidet doppelt: Er geht in die Lippenbewegung ein, die das Modell lernt, und er ist die Grundlage, wenn ein Stimmklon geplant ist. Zwei Fehler erklären fast alle unbrauchbaren Aufnahmen.
- Zu großer Abstand. Das Kameramikrofon ist zwei Meter entfernt und nimmt den Raum mit auf. Ein Ansteckmikrofon sitzt eine Handbreit unter dem Kinn und nimmt die Person auf.
- Zu hohe Aussteuerung. Wo die Spitzen anschlagen, sind sie verloren, und nachträglich lässt sich das nicht heilen. Zielen Sie auf einen deutlichen Abstand zum oberen Anschlag und heben Sie den Pegel später an.
Wenn ein Stimmklon vorgesehen ist, kommen zwei Anforderungen hinzu. Die Aufnahme soll in einem Raum mit weichen Flächen entstehen, also mit Teppich, Vorhang oder Regalen, weil ein leerer Besprechungsraum Hall erzeugt. Und die Person soll gleichmäßig sprechen, mit ihrer normalen Sprechgeschwindigkeit; ein besonders deutliches Sprechen klingt im Klon später steif.
Die Person vor der Kamera
Kleidung, Erscheinung und was in der Aufnahme vorkommen soll.
Für die aufgenommene Person ist der Termin ungewohnt, und das hört man dem Ergebnis an. Zwei Vorbereitungen nehmen dem Termin die Anspannung: Die Person weiß vorher, welchen Text sie spricht, und sie weiß, dass mehrere Anläufe normal sind.
Zur Kleidung gilt, was oben in der Frageliste steht: einfarbig, matt, mittlerer Ton, sichtbarer Unterschied zum Hintergrund. Hinzu kommt der Punkt, der leicht vergessen wird: Diese Kleidung ist für die Laufzeit des Modells festgelegt. Ein Weihnachtspullover eignet sich deshalb nicht, ein Sakko, das die Person auch in zwei Jahren trägt, schon.
Was in der Aufnahme vorkommen soll, ist die Bandbreite, aus der das Modell später schöpft. Nützlich sind einige Sekunden mit geschlossenem Mund, ein Lächeln, ein ernster Ausdruck, eine leichte Drehung nach links und rechts und eine bewusste Pause. Nicht nützlich sind große Gesten, weil sie in kurzen Videos nicht vorkommen, und Kaubewegungen, weil sie die Lippenerkennung stören.
Was die Person in der Aufnahme nicht tut, kann das Modell später nicht zeigen.
Die zehn häufigsten Fehler
Was schiefgeht, was es kostet und wie es zu vermeiden ist.
Die folgende Aufstellung stammt aus Aufnahmen, die bei uns nachgearbeitet oder wiederholt werden mussten. Sie ist nach Häufigkeit sortiert, nicht nach Schwere.
| Fehler | Folge im Ergebnis | Abhilfe |
|---|---|---|
| Kamera aus der Hand | Unruhiges Bild, unscharfe Einzelbilder im Modell | Stativ oder feste Auflage |
| Mikrofon der Kamera genutzt | Hall und Rauschen, Stimmklon nicht brauchbar | Ansteckmikrofon nah an der Person |
| Fenster im Rücken | Gesicht dunkel, Hintergrund ausgebrannt | Person zum Fenster drehen |
| Deckenlicht zusätzlich an | Gemischte Farbtemperatur, ungleichmäßiger Hautton | Nur eine Lichtart verwenden |
| Reflex in der Brille | Wanderndes helles Feld über den Augen | Leuchten höher und weiter außen, entspiegelte Gläser |
| Feines Muster in der Kleidung | Störmuster, das in jedem Video wiederkehrt | Einfarbig und matt |
| Wand direkt hinter dem Kopf | Flackernde Kanten bei Bewegung | Zwei Meter Abstand |
| Text abgelesen | Gleichförmige Betonung im Modell | Vertrauten Text frei sprechen |
| Zu kurze oder gleichförmige Aufnahme | Schmale Bandbreite, wiederkehrende Bewegung | Kopfdrehung, Lächeln, Pause einbauen |
| Nur auf dem Kameradisplay geprüft | Unschärfe und Reflexe erst nach dem Hochladen sichtbar | Vor dem Abbau am großen Bildschirm ansehen |
Was vor dem Termin geklärt sein muss
Einwilligung, Betriebsrat und der Zweck.
Dieser Abschnitt steht bewusst nach der Technik und vor dem Hochladen, weil er in dieser Reihenfolge oft vergessen wird. Wer aufnimmt, ohne ihn erledigt zu haben, hat Material, das nicht verwendet werden darf.
- Die Einwilligung der aufgenommenen Person nach Paragraf 22 des Kunsturhebergesetzes, schriftlich. Darin gehören der Zweck, die Kanäle, die Dauer und eine Regelung für den Fall, dass die Person das Unternehmen verlässt.
- Bei Beschäftigten die Beteiligung des Betriebsrats. Nach Paragraf 87 Absatz 1 Nummer 6 des Betriebsverfassungsgesetzes ist die Einführung technischer Einrichtungen mitbestimmt, die zur Überwachung von Verhalten oder Leistung geeignet sind, und die Freiwilligkeit der Teilnahme ist der zweite Punkt, der besprochen gehört.
- Der Zweck, so konkret, dass er in der Einwilligung stehen kann. Eine Einwilligung für alles ist keine, und eine für die Einarbeitung deckt keine Werbung.
- Die Kennzeichnung der späteren Videos nach Artikel 50 der Verordnung (EU) 2024/1689. Sie trifft den, der veröffentlicht, und sie gehört in die Planung, nicht in die Nacharbeit.
Was das für die Zeitplanung heißt: Die Klärung dauert in den meisten Häusern länger als die Technik. Wer beides parallel beginnt, ist nach drei bis sechs Wochen beim ersten freigegebenen Video. Wer die Aufnahme vorzieht, wartet danach auf die Freigabe und hat nichts gewonnen. Die Rechte der einzelnen Person behandelt eine eigene Seite.
Vor dem Hochladen prüfen
Vier Kontrollen, solange die Ausstattung noch steht.
Die Aufnahme wandert in der Regel direkt in die Plattform, und dort zeigt sich erst nach der Verarbeitung, was fehlt. Diese vier Kontrollen am großen Bildschirm dauern zehn Minuten und ersparen den zweiten Termin.
- Augen scharf? Die Schärfe gehört auf die Augen, nicht auf die Nasenspitze und nicht auf den Hintergrund.
- Wandert ein Schatten, wenn die Person den Kopf dreht? Dann steht das Licht zu seitlich oder ist zu klein.
- Spiegelt sich etwas in Brille, Stirn oder Schmuck? Reflexe sind der häufigste Grund für ein unruhiges Modell.
- Mit Kopfhörern hören: Rauschen, Brummen, Hall, Straßenlärm? Ton ist die einzige Größe, die sich nachträglich gar nicht verbessern lässt.
Wenn eine dieser vier Kontrollen ungünstig ausfällt, wiederholen Sie die Aufnahme, solange alles noch steht. Eine Wiederholung kostet zwanzig Minuten. Ein Modell mit einem eingebackenen Fehler kostet die Nacharbeit an jedem Video, das in den nächsten zwei Jahren daraus entsteht.
Nächste Schritte
Wohin es von hier weitergeht.
Wenn die Aufnahme steht, ist die nächste Frage, was daraus technisch entsteht und wo die Grenzen liegen. Das steht auf der Seite zum Modell, die Besonderheiten des Bewegtbilds auf der Seite zum Videoavatar. Wer wissen will, wie weit das Ergebnis an das Original heranreicht, findet das auf der Seite zur Nähe zum Original.
Wer nach dieser Anleitung zu dem Schluss kommt, dass der Aufwand im Haus nicht sinnvoll ist, findet die Gegenüberstellung beider Wege auf der Entscheidungsseite. Dort stehen auch die drei Fälle, in denen wir von einem Auftrag abraten.
Diese Anleitung sagt, wie aufgenommen wird. Wofür jeder einzelne Punkt darin gut ist, also welche Wirkung im späteren Video an Licht, Ton und Bandbreite hängt, steht auf der Seite zu realistische KI-Avatare erstellen. Wer beides nebeneinander liest, erkennt schneller, an welchem Punkt sich der Aufwand am Aufnahmetag wirklich lohnt.
Häufige Fragen zur eigenen Aufnahme
Reicht ein Mobiltelefon für die Aufnahme?
Für ein brauchbares Ergebnis ja, sofern drei Dinge stimmen: ein Stativ, weiches Licht von vorn und ein Mikrofon, das nicht im Telefon steckt. Die Kamera moderner Geräte liefert genug Auflösung. Was Aufnahmen mit dem Telefon regelmäßig verdirbt, ist nicht die Optik, sondern die Halterung aus der Hand und der Ton aus zwei Metern Entfernung.
Wie lang muss die Aufnahme sein?
Zwei bis fünf Minuten, je nach Plattform. Wichtiger als die Länge ist, was darin vorkommt: verschiedene Kopfhaltungen, offene und geschlossene Lippen, ein Lächeln, ein ernster Ausdruck, eine kurze Pause. Ein gleichförmig abgelesener Text von fünf Minuten liefert ein schwächeres Modell als zwei Minuten mit Bewegung.
Welche Kleidung ist geeignet?
Einfarbig und matt, mit sichtbarem Unterschied zum Hintergrund. Feine Streifen, Karos und Pepita erzeugen Störmuster, weil das Muster unterhalb der Auflösung liegt. Reines Weiß und tiefes Schwarz nehmen Zeichnung weg, ein mittlerer Ton hält sie. Glänzende Stoffe spiegeln das Licht und erzeugen wandernde Flecken. Und weil Kleidung im Modell fest bleibt, ist die Frage nicht nur technisch: Sie sehen dieses Hemd in jedem Video der nächsten zwei Jahre.
Brille ab oder Brille auf?
Auf, wenn die Person sie immer trägt, denn die Wiedererkennung hängt daran. Zwei Vorkehrungen gehören dazu: das Licht so setzen, dass keine Lichtquelle sich in den Gläsern spiegelt, und entspiegelte Gläser bevorzugen. Ein wandernder Reflex ist der häufigste Grund, warum ein sonst gutes Modell im Ergebnis unruhig wirkt.
Was ist mit dem Ton, wenn kein Stimmklon geplant ist?
Auch dann zählt er, weil viele Plattformen die Lippenbewegung aus der Aufnahme lernen und dabei den Ton mitverwenden. Ein Ansteckmikrofon für wenig Geld verbessert das Ergebnis mehr als eine bessere Kamera. Wenn ein Stimmklon geplant ist, wird der Ton zur wichtigsten Größe des Termins, und Raumhall lässt sich nachträglich nicht entfernen.
Welchen Text soll die Person sprechen?
Den, den die Plattform vorgibt, und dazu den Einwilligungssatz, den sie verlangt. Wo Sie freien Text wählen dürfen, nehmen Sie etwas aus dem eigenen Arbeitsalltag, das die Person ohne Ablesen sprechen kann. Ablesen erzeugt eine gleichförmige Betonung, und die überträgt sich auf das Modell.
Kann ich mehrere Fassungen in einem Termin aufnehmen?
Ja, und das ist der wichtigste Spartipp dieser Seite. Kleidung, Frisur und Umgebung stecken fest im Modell. Wer denselben Sprecher in zwei Kleidungen oder zwei Umgebungen braucht, nimmt zwei Fassungen auf. Das kostet eine halbe Stunde zusätzlich statt eines zweiten Termins mit allen Beteiligten.
Was muss vor dem Termin geklärt sein?
Die Einwilligung der aufgenommenen Person, schriftlich, mit benanntem Zweck und einer Regelung für den Fall, dass die Person das Unternehmen verlässt. Wenn Beschäftigte aufgenommen werden, kommt die Beteiligung des Betriebsrats hinzu, weil die Nutzung eine technische Einrichtung betrifft, die zur Verhaltens- oder Leistungskontrolle geeignet sein kann. Wer den Termin vor dieser Klärung ansetzt, nimmt in Kauf, dass das Material nicht verwendet werden darf.
Woran erkenne ich vor dem Hochladen, dass die Aufnahme brauchbar ist?
An vier Kontrollen am Bildschirm, nicht am Kameradisplay: Sind die Augen scharf? Wandert ein Schatten über das Gesicht, wenn die Person den Kopf dreht? Spiegelt sich etwas in Brille oder Stirn? Und hören Sie mit Kopfhörern ein Grundrauschen, ein Brummen oder Hall? Wo eine dieser vier Fragen ungünstig ausfällt, ist eine Wiederholung billiger als die Nacharbeit an allen späteren Videos.
Zum Mitnehmen
- Drei Dinge entscheiden mehr als die Kamera: ein Stativ, weiches Licht von vorn und ein Mikrofon nah an der Person.
- Bandbreite statt Länge. Kopfdrehung, Lächeln, ernster Ausdruck und eine Pause gehören in die Aufnahme.
- Kleidung, Frisur und Licht bleiben im Modell. Was hier festgelegt wird, gilt für Jahre.
- Mehrere Fassungen in einem Termin aufnehmen. Ein zweiter Termin kostet deutlich mehr als eine halbe Stunde.
- Einwilligung und, bei Beschäftigten, der Betriebsrat gehören vor den Termin und nicht danach.
- Vier Kontrollen am Bildschirm vor dem Hochladen: Augen scharf, kein wandernder Schatten, kein Reflex, kein Hall.
Ihren Aufnahmeort einmal durchsehen lassen
Schicken Sie zwei Fotos Ihres Raums und eine Tonaufnahme von zehn Sekunden. In einer halben Stunde sagen wir Ihnen, was an diesem Ort gegen ein brauchbares Ergebnis spricht und wie es sich ohne Anschaffung beheben lässt. Wenn Sie danach selbst aufnehmen, ist das der Zweck dieser Seite.
Termin vereinbaren
Wählen Sie einen Zeitpunkt, der Ihnen passt. Das Gespräch dauert dreißig Minuten und findet als Videokonferenz statt.
Die Terminbuchung läuft über Calendly. Beim Laden des Kalenders werden Daten an Calendly übertragen, unter anderem Ihre IP-Adresse. Näheres in der Datenschutzerklärung.
Anfrage stellen
Wenn Ihnen ein Termin zu früh ist, schildern Sie hier kurz Ihr Vorhaben. Sie bekommen eine Einschätzung, ob sich die Rechnung bei Ihrem Aufkommen trägt.
Ihre Anfrage ist angekommen. Wir melden uns in der Regel am selben Werktag.
Die Anfrage ließ sich nicht zustellen. Schreiben Sie uns bitte an info@aidentical.de.
AIdentical Redaktion, Video- und Avatarproduktion der sensified AI GmbH. Diese Seite ist eine Modellrechnung mit offengelegten Annahmen und keine Kundenreferenz. Wo Marktpreise genannt sind, stehen Herkunft und Stand dabei. Stand: August 2026. Mehr zur Redaktion
Die auf dieser Seite gezeigten Bilder sind ganz oder teilweise künstlich erzeugt. Kennzeichnung nach Artikel 50 der Verordnung (EU) 2024/1689. Weitere Angaben unter Transparenz.
Aufnahmeort durchsehen lassen30 Minuten, ohne Vorbereitung