Start / Videoavatar erstellen
Bewegtbild
Videoavatar erstellen, was im Bewegtbild geht und wo es aufhört
Wie Lippenbewegung und Stimme berechnet werden, ab welcher Länge die Wiederholung auffällt, was ein Avatar nicht kann, was in weiteren Sprachen bricht und in welchen vier Fällen wir zu einer gedrehten Aufnahme raten.
Diese Seite beschreibt, was im erzeugten Bewegtbild technisch geschieht und wo es an Grenzen kommt. Die Angaben zu Plattformfunktionen geben den Stand vom August 2026 wieder und ändern sich schnell. Erfahrungswerte aus eigenen Projekten sind als solche gekennzeichnet und keine Zusage für Ihren Fall.
Ein erzeugtes Sprechervideo besteht aus drei Schichten: Gesicht und Oberkörper kommen aus der Aufnahme, Lippen und Kiefer werden aus dem Text berechnet, die Stimme wird erzeugt. Deshalb behebt eine Umformulierung mehr Fehler als eine neue Erzeugung. Ab etwa einer bis zwei Minuten bemerken Zuschauer die Wiederholung der Bewegungen, weshalb Kapitel besser tragen als Vorträge. Zeigen, Halten und Reagieren gehen nicht, dafür gibt es Umwege. Weitere Sprachen sind technisch einfach und fachlich die eigentliche Arbeit, weil jemand jede Fassung freigeben muss. Die Erzeugung selbst ist der kürzeste Schritt im ganzen Ablauf.
Was im Bewegtbild wirklich geschieht
Drei Schichten, und nur eine kommt aus der Aufnahme.
Ein erzeugtes Sprechervideo entsteht aus drei Schichten, die getrennt gerechnet werden. Wer weiß, welche Schicht was liefert, kann Fehler dort beheben, wo sie entstehen, statt das Video neu erzeugen zu lassen.
| Schicht | Woher sie kommt | Was sie begrenzt |
|---|---|---|
| Gesicht und Oberkörper | Aus der Aufnahme, als Modell gespeichert | Bandbreite der aufgenommenen Zustände, feste Beleuchtung |
| Lippen und Kiefer | Aus dem Text berechnet, Laut für Laut | Schwierige Lautfolgen, schnelles Sprechtempo |
| Stimme | Aus der Texteingabe erzeugt, Bibliothek oder Klon | Betonung über Satzgrenzen, Fremdwörter, Zahlen |
Daraus folgt eine praktische Regel für die Fehlersuche. Passt die Lippenbewegung an einer Stelle nicht, liegt es meist am Text und nicht am Modell. Wirkt die Betonung falsch, hilft eine andere Satzzeichensetzung. Wirkt das Gesicht steif, ist die Aufnahme die Ursache, und dann hilft nur eine neue.
Die Länge, an der es kippt
Neunzig Sekunden tragen, acht Minuten fallen auf.
Die häufigste Enttäuschung in diesem Format kommt nicht von der Technik, sondern von der Länge. Ein Video von einer Minute wirkt überzeugend, dasselbe Modell wirkt in einem Vortrag von zehn Minuten hölzern. Der Grund ist nicht die Qualität des Modells, sondern die begrenzte Zahl an Bewegungen, aus denen es schöpft.
In unseren Projekten liegt die Grenze, ab der Zuschauer die Wiederholung bemerken, ohne sie zu benennen, bei etwa einer bis zwei Minuten. Danach beschreibt die Rückmeldung meist nicht das Bild, sondern das Gefühl: Es sei anstrengend, es wirke gleichförmig. Wo dieselben Inhalte in Kapitel von neunzig Sekunden geteilt wurden, kam diese Rückmeldung nicht.
- Kapitel statt Vortrag. Ein Thema je Stück, ein Stück je Frage, die jemand wirklich hat.
- Wechsel im Bild statt Wechsel im Sprecher. Eine Einblendung, eine Abbildung, eine Aufzählung im Bild geben dem Auge etwas anderes zu tun.
- Text für das Ohr schreiben. Kurze Sätze, ein Gedanke je Satz, Zahlen ausgeschrieben. Was auf Papier gut liest, klingt gesprochen oft überladen.
Nicht das Modell entscheidet über die Wirkung, sondern die Länge des Stücks und der Wechsel im Bild.
Was ein Avatar nicht kann
Zeigen, halten, reagieren, sich bewegen.
Die Grenzen dieses Formats sind schärfer als die Grenzen der Bildqualität, und sie werden in Angeboten seltener genannt. Vier Dinge gehen nicht, und für drei davon gibt es einen brauchbaren Umweg.
| Geht nicht | Umweg | Wann der Umweg nicht reicht |
|---|---|---|
| Auf etwas im Bild zeigen | Einblendung oder geteiltes Bild | Wenn die Bewegung selbst die Aussage ist |
| Einen Gegenstand halten | Standbild des Gegenstands neben dem Avatar | Bei Produkten, deren Größe gezeigt werden soll |
| Auf eine Frage reagieren | Vorbereitete Antworten in einem interaktiven Aufbau | Bei offenen Gesprächen |
| Sich im Raum bewegen | Kein Umweg, das Format ist ein Sprecherkopf | Immer, wenn Ortswechsel gebraucht wird |
Zur dritten Zeile eine Einordnung, weil sie oft anders dargestellt wird: Es gibt Aufbauten, in denen ein Avatar auf Eingaben antwortet, und sie funktionieren dort, wo die Fragen vorhersehbar sind. Was dabei antwortet, ist ein Sprachmodell mit einer Wissensbasis, und die Qualität hängt an dieser Basis und nicht am Avatar. Wer nur ein Video braucht, braucht diesen Aufbau nicht.
Weitere Sprachen, und wo sie brechen
Zwei technische Grenzen und eine fachliche.
Die Mehrsprachigkeit ist das Argument, das in diesem Format am häufigsten trägt, weil eine gedrehte Fassung je Sprache eine eigene Produktion ist und eine erzeugte nicht. Drei Einschränkungen gehören dazu, und die dritte ist die wichtigste.
Die Lippen
Die Bewegung wird für die Zielsprache neu berechnet. Bei Sprachen mit ähnlicher Lautstruktur fällt das Ergebnis nicht auf, bei deutlich anderer Lautstruktur schon. Praktisch heißt das: Wer für eine Sprache mit hoher Sichtbarkeit arbeitet, sieht sich eine Probe an, bevor zwanzig Videos entstehen.
Die Stimme
Ein Stimmklon überträgt Klangfarbe und Sprachmelodie der aufgenommenen Person, und dazu ihren Akzent. In einer Sprache, die die Person nicht spricht, klingt das für Muttersprachler fremd. Wo mehrere Sprachen im Vordergrund stehen, ist eine muttersprachliche Bibliotheksstimme je Sprache in der Regel die bessere Wahl, auch wenn die Wiedererkennung darunter leidet.
Die fachliche Prüfung
Die Übersetzung liefert die Plattform, die Verantwortung für den Inhalt bleibt bei Ihnen. Ob ein Fachbegriff, eine Sicherheitsanweisung oder eine Frist in der Zielsprache richtig getroffen ist, weiß die Übersetzung nicht. Deshalb ist die sinnvolle Zahl der Sprachen die Zahl derjenigen, die jemand lesen und freigeben kann, und nicht die Zahl, die die Plattform anbietet.
Vom Skript zum fertigen Video
Fünf Schritte, und der längste ist keine Rechenzeit.
Der Ablauf ist bei allen Plattformen ähnlich. Die Zeitangaben sind Erfahrungswerte aus eigenen Projekten und keine Zusage; sie sollen zeigen, wo der Aufwand tatsächlich liegt.
| Schritt | Wer | Zeit |
|---|---|---|
| Skript schreiben, für das Ohr | Sie, oft mit Vorlage | Eine bis drei Stunden je Video |
| Fachliche Freigabe | Sie, nicht auslagerbar | Ein bis mehrere Tage, je nach Haus |
| Erzeugung | Plattform | Minuten |
| Nachbearbeitung, Untertitel, Einblendungen | Sie oder beauftragt | Eine halbe bis zwei Stunden |
| Änderungslauf | Beide | Meist einer bis zwei je Video |
Die Tabelle erklärt, warum die Zeitersparnis dieses Formats in Werbeaussagen häufig zu hoch angesetzt wird. Gespart wird der Dreh, also Termin, Studio, Reise und Schnitt der Aufnahme. Nicht gespart wird das Schreiben und die Freigabe, und diese beiden Posten wachsen mit der Zahl der Videos. Wer zwanzig Videos plant, plant zwanzigmal Skript und Freigabe.
Wann gedreht besser ist
Vier Fälle, in denen wir von diesem Format abraten.
Dieser Abschnitt steht hier, weil die Antwort auf die Frage nach dem Format nicht immer der Avatar ist. In diesen vier Fällen empfehlen wir eine gedrehte Aufnahme, auch wenn wir das erzeugte Video liefern könnten.
- Der Ort ist die Botschaft. Eine Fertigung, eine Baustelle, ein Labor: Wer den Ort zeigt, zeigt mehr als jede Beschreibung, und ein Sprecherkopf davor bringt nichts.
- Es geht um ein Gerät oder ein Produkt in der Hand. Größe, Gewicht und Bedienung erschließen sich aus der Bewegung, nicht aus dem Wort.
- Mehrere Personen sprechen miteinander. Ein Gespräch mit Reaktionen ist mit erzeugten Sprechern nicht überzeugend zu erreichen.
- Es geht um Nähe in einer schwierigen Lage. Eine Entschuldigung, eine schlechte Nachricht, ein Beileid: Hier ist die erzeugte Ansprache das falsche Mittel, unabhängig von ihrer Qualität.
In vielen Vorhaben ist die tragfähige Antwort eine gemischte: gedrehte Aufnahmen dort, wo sie wirken, erzeugte Videos für die vielen kleinen Stücke, die sonst nicht entstünden. Die ausführliche Gegenüberstellung steht auf der Seite zu Videomarketing und klassischer Produktion.
Nächste Schritte
Wohin es von hier weitergeht.
Wer noch bei der Wahl des Verfahrens steht, findet die vier Arten und ihre Einsatzbereiche auf der Übersichtsseite. Wer die Aufnahme plant, findet die Anleitung dazu auf der Seite zur eigenen Aufnahme, und was aus der Aufnahme technisch entsteht, auf der Seite zum Modell.
Wer sehen will, wie die Qualitätsstufen dieses Formats aussehen und woran man sie unterscheidet, findet das auf der Beispielseite. Was ein Vorhaben kostet, steht auf der Preisseite.
Häufige Fragen zum Videoavatar
Wie gut ist die Lippensynchronisation?
In der Ausgangssprache der Aufnahme so gut, dass sie in kurzen Videos nicht auffällt. Sie wird berechnet, nicht abgefilmt, und deshalb hängt sie an der Lautfolge. Deutsche Texte mit vielen aufeinanderfolgenden Konsonanten geraten häufiger daneben als Sätze mit offenen Silben. Wer eine Stelle sieht, an der die Lippen nicht passen, kann sie meist durch eine Umformulierung beheben, nicht durch eine neue Erzeugung.
Warum wirkt ein längeres Video steifer als ein kurzes?
Weil die Bandbreite der Bewegungen aus der Aufnahme begrenzt ist und das Modell sie wiederverwenden muss. Nach etwa einer Minute erkennt das Auge die Wiederholung, auch wenn es sie nicht benennt. Deshalb tragen mehrere Stücke von neunzig Sekunden besser als ein Stück von acht Minuten, und deshalb ist eine Schulung mit Kapiteln die geeignetere Form.
Kann ein Avatar auf etwas zeigen oder etwas hochhalten?
Ein reines Avatarvideo nicht, weil die Hände nur in der Bandbreite der Aufnahme vorkommen und kein Gegenstand hinzugerechnet wird. Wer auf etwas zeigen will, arbeitet mit Einblendungen im Bild oder mit einem geteilten Bild: Avatar links, Abbildung rechts. Wer ein Produkt in der Hand halten will, dreht diese Einstellung, und das ist einer der Fälle, in denen eine gemischte Produktion die bessere Wahl ist.
Wie lange dauert die Erzeugung eines Videos?
Bei den verbreiteten Plattformen wenige Minuten für ein Video von zwei Minuten Länge, bei hoher Auflösung länger. Die Erzeugung ist deshalb nicht der Engpass. In unseren Projekten liegt die Zeit von der Skriptfreigabe bis zum fertigen Video meist bei einem bis zwei Werktagen, und der Anteil der Rechenzeit daran ist gering.
Wie viele Sprachen sind sinnvoll?
Technisch beliebig viele, praktisch so viele, wie jemand fachlich prüfen kann. Die Übersetzung erzeugt die Plattform, aber ob ein Fachbegriff in der Zielsprache richtig getroffen ist, weiß sie nicht. Ein Video in sieben Sprachen, das in fünf davon niemand gelesen hat, ist ein Risiko und keine Reichweite.
Bricht etwas, wenn dieselbe Aufnahme mehrere Sprachen sprechen soll?
Zwei Dinge. Die Lippenbewegung wird für die Zielsprache nachgerechnet und trifft nicht überall gleich gut, am schwächsten bei Sprachen mit deutlich anderer Lautstruktur. Und ein Stimmklon trägt den Akzent der Ausgangssprache mit, was für Muttersprachler der Zielsprache fremd klingt. Wo mehrere Sprachen im Vordergrund stehen, ist eine Bibliotheksstimme je Sprache meist die bessere Wahl als der Klon.
Was kostet ein Video, wenn das Modell steht?
Die Erzeugung selbst ist bei den Plattformen nach Minuten abgerechnet und im Verhältnis zum Rest gering. Der Aufwand liegt beim Skript, bei der fachlichen Freigabe und bei den Änderungsläufen. Konkrete Beträge stehen auf der Preisseite; für die Planung ist die nützlichere Zahl die Zahl der Änderungsläufe je Video, weil sie den Aufwand bestimmt.
Sieht man an der Auflösung, dass ein Video erzeugt ist?
Nein, das ist der falsche Ort zum Suchen. Erzeugte Videos liegen technisch bei denselben Auflösungen wie gedrehte. Wer den Unterschied erkennt, erkennt ihn an der Betonung, an wiederkehrender Gestik und daran, dass die Person nicht auf das reagiert, was sie sagt. Was man sieht und was nicht, behandelt die Seite zur Nähe zum Original.
Wann ist eine gedrehte Aufnahme die bessere Wahl?
Wenn das Video von Bewegung lebt, wenn ein Gegenstand oder eine Maschine im Bild gezeigt wird, wenn mehrere Personen miteinander sprechen oder wenn der Ort selbst die Botschaft ist. Ein Avatar ersetzt einen Sprecherkopf, keine Reportage. Die Gegenüberstellung beider Wege steht auf der Seite zu Videomarketing und klassischer Produktion.
Zum Mitnehmen
- Lippenbewegung wird berechnet, nicht abgefilmt. Schwierige Lautfolgen löst eine Umformulierung besser als eine neue Erzeugung.
- Nach etwa einer Minute erkennt das Auge die Wiederholung der Bewegungen. Kapitel statt Vorträge.
- Zeigen und Halten geht nicht. Dafür gibt es Einblendungen, geteilte Bilder oder eine gedrehte Einstellung.
- Die Erzeugung ist nicht der Engpass. Skript, fachliche Freigabe und Änderungsläufe bestimmen die Zeit.
- Weitere Sprachen nur so viele, wie fachlich geprüft werden können.
- Ein Stimmklon trägt den Akzent der Ausgangssprache mit. Für mehrsprachige Vorhaben ist die Bibliotheksstimme meist besser.
Ihr Format, eine halbe Stunde, ergebnisoffen
Schildern Sie, was das Video zeigen soll und wie lang es werden müsste. Wenn Ihr Fall in eine der vier Lagen fällt, in denen gedreht besser ist, sagen wir das. Sie gehen mit einer Einschätzung aus dem Gespräch, nicht mit einem Angebot.
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.
Format einschätzen lassen30 Minuten, ohne Vorbereitung