KI-Avatar erstellen lassen. Ablauf, Aufwand und Kosten

Was bei der Erstellung tatsächlich entsteht

Ein KI-Avatar ist ein Modell Ihres Aussehens und Ihrer Stimme. Was er kann, ist begrenzter als der Begriff vermuten lässt, und genau diese Grenze entscheidet darüber, ob sich der Aufwand für Sie lohnt.

Aus einer Aufnahme von etwa zwanzig Minuten entsteht ein Modell, das Ihr Gesicht, Ihre Mimik und Ihre Stimme wiedergeben kann. Danach genügt ein geschriebener Text, um daraus ein Video zu erzeugen. Sie stehen für jedes weitere Video nicht mehr vor der Kamera.

Was dabei nicht entsteht, ist ein Gesprächspartner. Der Avatar der Einstiegsstufe liest vor, was Sie ihm geben. Er reagiert nicht auf Zwischenfragen und improvisiert nicht. Wer ein Gegenüber braucht, das auf Rückfragen eingeht, braucht die interaktive Stufe mit Anbindung an eine Wissensbasis, und damit einen anderen Aufwand.

Der ehrliche Prüfstein: Wenn Sie den Text vorher aufschreiben können, ist ein Avatar geeignet. Wenn die Wirkung davon abhängt, dass jemand im Raum spürt, wann er vom Skript abweichen muss, dann nicht.

Der Ablauf in drei Schritten

Zwischen dem ersten Gespräch und dem einsatzfertigen Avatar liegen drei Schritte, von denen nur einer Ihre Anwesenheit erfordert.

Erster Schritt: die Aufnahme

Die abgebildete Person spricht rund zwanzig Minuten vorbereiteten Text in die Kamera, dazu einige Sequenzen ohne Sprache für Mimik und Haltung. Aufgenommen wird in 4K, damit das Modell auch für große Bildschirme taugt. Der Termin findet bei Ihnen statt, wenn ein ruhiger Raum mit gleichmäßigem Licht vorhanden ist.

Zweiter Schritt: das Modell

Aus den Aufnahmen wird das Modell berechnet, dazu wird die Stimme geklont. Das dauert einige Tage und läuft ohne Ihr Zutun. Am Ende steht ein Testvideo, an dem Sie hören und sehen, wie der Avatar spricht.

Dritter Schritt: die Freigabe

In einer Abstimmungsrunde legen Sie fest, was noch anders werden soll: Sprechtempo, Betonung, Bildausschnitt, Hintergrund. Danach ist der Avatar einsatzfertig, und jedes weitere Video entsteht aus einem Text.

Wofür Unternehmen einen Avatar einsetzen

Die Einsatzfelder lassen sich in zwei Richtungen ordnen, nach außen und nach innen. Die Richtung entscheidet über Tonfall und Aufwand, nicht die Branche.

Nach außen: Produkt, Vertrieb und Social Media

Nach außen tragen vor allem Inhalte, die ohnehin schon geschrieben vorliegen. Produktvideos, Erklärungen auf einer Landingpage, Angebotszusammenfassungen für einen bestimmten Kunden, kurze Beiträge für soziale Netze. Der Vorteil liegt weniger in der Neuheit als in der Wiederholbarkeit: Ändert sich eine Angabe, wird der Text geändert und das Video neu erzeugt, statt einen Drehtag zu organisieren.

Nach innen: Einarbeitung, Schulung und Unterweisung

Nach innen ist der Fall meist deutlicher. Einarbeitung, Produktschulung, Sicherheitsunterweisung und Statusmeldungen an die Belegschaft haben gemeinsam, dass derselbe Inhalt mehrfach und an mehreren Standorten vermittelt wird, oft in schwankender Qualität. Eine aufgezeichnete Fassung ist abrufbar, wenn jemand sie braucht, und nicht erst, wenn die Kollegin Zeit hat.

Was Führungskräfte betrifft, ist der häufigste Fall die regelmäßige Statusmeldung. Sie kostet in klassischer Form jedes Mal einen Termin mit Kamera und Schnitt, und genau deshalb findet sie oft nicht statt. Bei vertraulichen oder heiklen Anlässen gilt allerdings die Grenze aus dem nächsten Abschnitt.

Eine ausführlichere Gegenüberstellung von Nutzen und Grenzen steht unter Vorteile von KI-Video-Avataren.

Wo sich der Aufwand rechnet und wo nicht

Der Nutzen hängt davon ab, wie oft dieselbe Botschaft wiederholt wird. Zwei Beispiele aus dem Alltag zeigen den Unterschied deutlicher als jede Aufzählung von Einsatzgebieten.

In der Einarbeitung erklärt jemand jedes Quartal denselben Ablauf, oft an mehreren Standorten und in unterschiedlicher Qualität. Genau dort ist eine aufgezeichnete, immer gleiche Unterweisung im Vorteil. Sie ist abrufbar, wenn die neue Kollegin sie braucht, und nicht erst, wenn der Kollege Zeit hat.

Umgekehrt gibt es Anlässe, bei denen ein Avatar schadet. Eine Ansprache nach einer schlechten Nachricht, ein Dank an ein Team nach einem harten Projekt, eine Entschuldigung: Wer solche Momente aufzeichnen lässt, spart eine halbe Stunde und verliert mehr, als die halbe Stunde wert war.

Derselbe Avatar in mehreren Sprachen

Mehrsprachigkeit ist der Punkt, an dem der Unterschied zur klassischen Produktion am größten wird, weil dort jede Sprache einen eigenen Dreh bedeutet.

Ein einmal trainiertes Modell kann in über hundert Sprachen sprechen, ohne dass die abgebildete Person eine davon beherrschen muss. Die Stimme bleibt dabei erkennbar dieselbe. In der klassischen Produktion bräuchte jede Sprache einen eigenen Sprecher, einen eigenen Termin und einen eigenen Schnitt.

Kostenlos ist das trotzdem nicht. Jede weitere Sprache braucht jemanden, der gegenliest: Produktnamen, Eigennamen und Fachbegriffe werden sonst falsch betont, und gerade bei technischen Inhalten fällt das auf. Rechnen Sie je Sprache mit einer Abstimmungsrunde, nicht mit einem Knopfdruck.

Über die reine Übersetzung hinaus geht die Anpassung an den jeweiligen Markt. Ein Sicherheitshinweis, der in Deutschland als Vorschrift formuliert ist, wird in anderen Ländern anders eingeleitet. Diese Arbeit betrifft das Skript und nicht das Modell, sie fällt also unabhängig davon an, ob Sie mit Avatar oder mit Kamerateam arbeiten.

Was die Erstellung kostet

Eine öffentliche Zahl, drei Stufen. Was den Preis nach oben bewegt, hängt an der Zahl der Looks, der Sprachen und daran, ob der Avatar antworten können soll.

Der Einstieg umfasst die Aufnahme in 4K, den Stimmklon, das trainierte Modell, eine Abstimmungsrunde und die Rechte an Aufnahme und Modell. Mehrere Looks, Kleidungswechsel oder weitere Sprachen kommen darauf. Für die interaktive Stufe gibt es keine öffentliche Zahl, weil ihr Umfang von Ihrer Wissensbasis abhängt.

Drei Dinge bewegen den Preis, und zwar in dieser Reihenfolge. Erstens die Zahl der Looks: jeder Kleidungswechsel und jeder Hintergrund ist eine eigene Aufnahme und ein eigenes Modell. Zweitens die Sprachen: die erste ist enthalten, jede weitere kostet Abstimmung. Drittens die Interaktivität, und das ist der größte Sprung, weil dann nicht nur ein Modell gebaut, sondern eine Wissensbasis angebunden und gepflegt wird.

Nach der Erstellung fallen keine Studiokosten mehr an. Abgerechnet werden die tatsächlich erzeugten Videominuten, dazu ein Servicepaket, wenn Skript, Schnitt und Vertonung bei uns liegen sollen.

Die Aufschlüsselung steht auf der Seite zu Preisen und Kosten. Wie sich diese Zahlen zu Baukastenwerkzeugen und zum Selbstbau verhalten, ist im Marktvergleich aufgeführt.

Ab wann sich der Einstieg trägt

Ob die Rechnung aufgeht, hängt an zwei Größen: der Zahl der Videos pro Jahr und der Zahl der Sprachen. Beide kennen Sie besser als wir.

Ein klassisch produziertes Erklärvideo liegt am Markt je nach Aufwand zwischen 3.000 und 5.000 Euro. Gegen diese Spanne gerechnet ist der Einstieg nach zwei bis drei Videos ausgeglichen, Betriebskosten noch nicht eingerechnet. Die folgende Rechnung zeigt, wie sich das bei einem überschaubaren Vorhaben verhält.

Ob diese Rechnung in Ihrem Haus aufgeht, hängt an Ihren Zahlen. Im Erstgespräch rechnen wir sie an Ihrem Vorhaben nach, statt sie zu behaupten.

Was Sie vorbereiten sollten

Vier Dinge entscheiden darüber, ob der Aufnahmetag reibungslos läuft. Alle vier lassen sich in einer Woche klären.

• Die Person. Wer im Video zu sehen ist, sollte auch in zwei Jahren noch für das Unternehmen stehen. Ein Wechsel bedeutet eine neue Aufnahme.
• Der Raum. Ruhig, ohne Hall, mit gleichmäßigem Licht. Ein Besprechungsraum ohne Fensterfront im Rücken genügt.
• Der erste Anwendungsfall. Ein konkretes Video, das nach der Freigabe entsteht. Ohne diesen ersten Fall bleibt der Avatar liegen.
• Die Nutzungsvereinbarung. Zweck, Dauer und Widerruf, unterschrieben von der abgebildeten Person vor dem Aufnahmetag.

Der dritte Punkt wird am häufigsten übersehen. Wir haben Avatare gebaut, die monatelang ungenutzt lagen, weil im Unternehmen niemand benannt war, der die Texte schreibt. Klären Sie diese Rolle vor der Aufnahme, nicht danach.

Kennzeichnung, Einwilligung und Datenschutz

Drei rechtliche Punkte gehören geklärt, bevor die Kamera läuft. Sie sind beherrschbar, aber keiner davon lässt sich nachholen.

Kennzeichnungspflicht nach Artikel 50

Die KI-Verordnung der Europäischen Union verlangt, dass künstlich erzeugte Bild- und Toninhalte als solche erkennbar sind. Jedes ausgelieferte Video trägt deshalb einen sichtbaren Hinweis im Abspann und eine maschinenlesbare Kennzeichnung in den Metadaten. Das ist keine Kür, sondern Pflicht.

Einwilligung der abgebildeten Person

Gesicht und Stimme sind personenbezogene Daten und zugleich Teil des Persönlichkeitsrechts. Die abgebildete Person unterschreibt vor der Aufnahme eine Vereinbarung, die den Zweck, die Dauer und den Widerruf regelt. Scheidet sie aus dem Unternehmen aus, greift die vereinbarte Frist.

Wo die Daten liegen

Aufnahmen und Modell werden in Rechenzentren innerhalb der Europäischen Union verarbeitet. Für die Auftragsverarbeitung gibt es einen Vertrag nach Artikel 28 der Datenschutz-Grundverordnung. Wer strengere Vorgaben hat, etwa im Gesundheitswesen oder bei Behörden, bespricht das im Vorgespräch.

Häufige Fragen zur Erstellung