KI-Avatar
Ein KI-Avatar (AI Avatar) ist eine generierte Videofigur, oft nach dem Vorbild einer echten Person, die ein Skript oder Live-Antworten mit passenden Gesichts-, Lippen- und Kopfbewegungen spricht.
Auch: talking head, digital human, AI presenter, talking avatar
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
KI-Avatare sind die Sprecher in Schulungsvideos, Produkterklärungen und Kundenservice-Bildschirmen, für die nie ein Kamerateam nötig war. Du wählst einen Standard-Avatar oder erstellst einen aus Aufnahmen von dir selbst, tippst ein Skript, und der Dienst rendert ein Video, in dem der Avatar es spricht.
So funktioniert es
Ein Avatar-System verkettet mehrere Modelle. Text-to-Speech oder Voice Cloning erzeugt den Ton. Ein Talking-Head-Modell animiert dann passend dazu ein Gesicht. SadTalker, ein offenes Forschungsmodell, zeigt einen Ansatz: Es sagt aus dem Ton 3D-Kopfhaltung und Gesichtsausdruck vorher und rendert dann aus einem einzigen Foto ein Video. Modelle für Lip Sync kümmern sich speziell um den Mund. Live-Avatare ergänzen ein Sprachmodell und Speech-to-Speech oder eine schnelle Pipeline, damit sie ein Gespräch führen können.
Wo du ihnen begegnest
Dienste wie Synthesia, HeyGen und Tavus bieten Studio-Avatare und API-Zugang für personalisierte oder interaktive Videos.
Avatar oder Deepfake
Die Technik ist dieselbe wie bei einem Deepfake. Der Unterschied liegt in Einwilligung und Offenlegung: Ein Business-Avatar entsteht mit Erlaubnis der Person und ist meist als KI gekennzeichnet. Seriöse Dienste prüfen die Identität, bevor sie ein Gesicht klonen. Gesetze zu Persönlichkeitsrechten und KI-Kennzeichnung unterscheiden sich von Land zu Land.
Grenzen
Hände, Körperbewegung und emotionale Bandbreite wirken oft steif, und bei langen Aufnahmen kann die Identität wegdriften.
Verwandte Begriffe
- Lip Sync (KI-Video)
- KI-Lip-Sync (Lippensynchronisation) ist der Einsatz eines Modells, um die Mundbewegungen einer Person in einem Video oder Bild so zu verändern, dass sie zu einer neuen Tonspur passen, etwa einer übersetzten oder umgeschriebenen Zeile.
- Deepfake
- Ein Deepfake ist ein Bild-, Audio- oder Videoinhalt, der mit KI erstellt oder verändert wurde, sodass er überzeugend eine echte Person, einen Ort oder ein Ereignis so zeigt, wie es nicht geschehen ist, und als echt durchgehen könnte.
- Text-to-Speech
- Text-to-Speech (TTS, Sprachsynthese) ist Software, die geschriebenen Text in gesprochenes Audio verwandelt. Modernes TTS nutzt neuronale Netze, die aus dem Text den Klang der Sprache vorhersagen und ihn dann als Wellenform ausgeben.
- Voice Cloning
- Voice Cloning (Stimmklonen) ist der Einsatz von KI, um ein Text-to-Speech-System mit der Stimme einer bestimmten Person sprechen zu lassen, gelernt aus einer Aufnahme dieser Person. Manche Systeme brauchen nur eine kurze Probe.
- Voice Agent
- Ein Voice Agent (Sprachagent) ist ein KI-Agent, der in Echtzeit ein gesprochenes Gespräch führt: Er hört einer Person zu, entscheidet, was er sagen oder tun soll, und antwortet mit einer synthetischen Stimme, oft über eine Telefonleitung oder in einer App.
- Text-to-Video
- Text-to-Video ist die Aufgabe, aus einem geschriebenen Prompt einen kurzen Videoclip zu erzeugen. Modelle müssen Frames erzeugen, die jeder für sich stimmig aussehen und sich zudem von einem Frame zum nächsten konsistent bewegen.