Vor einigen Jahren tauchte in sozialen Feeds immer wieder eine Sorte Clip auf: Jemand auf einem alten Schwarzweißfoto blinzelte und begann zu sprechen. Für viele war das der erste Hinweis, dass ein Standbild reden kann. Die Technik dahinter ist kein Geheimnis — das Feld nennt sie Erzeugung sprechender Köpfe. Man gibt ein Gesicht und eine Tonspur, und sie sagt Mund, Blinzeln, Brauen und Kopfbewegung voraus und rendert ein Bild, das zum Ton passt.

D-ID gehört zu den frühesten und systematischsten Anbietern auf diesem Weg und hat die Fähigkeit in eine nutzbare Plattform gepackt: Avatarvideos im Offline-Betrieb auf der einen, Echtzeit-Agenten im Gespräch auf der anderen Seite.

Ein einziges Foto ist die ganze Eingabe

Die Einstiegshürde ist fast kontraintuitiv. Ein Foto eines Gesichts hochladen, ein Skript oder eine Tonspur anhängen, und man erhält ein Video dieser Person beim Sprechen. Die API-Dokumentation sagt es schlicht: ein einziges Bild genügt für ein Video mit sprechendem Kopf. Keine 3D-Modellierung, kein Motion-Capture-Aufbau, und die Person muss nicht anwesend sein.

Die Eingabe hat feste Grenzen: ein Bild bis 10 MB in JPEG, JPG oder PNG. Die Ausgabe ist immer MP4, und ein Standardavatar endet bei 1280×1280. Für 1080p braucht es einen Premium-Avatar mit HQ-Kennzeichnung.

Eine zweite Grenze fällt leichter durchs Raster und bestimmt, wofür das Werkzeug taugt: Ob im Studio oder über die API, ein einzelnes Video ist auf 5 Minuten begrenzt. Das passt zu Erklärstücken, Durchläufen und Begrüßungen. Einen ganzen Kurs in einem Lauf zu erzeugen ist unrealistisch; langes Material muss in Abschnitte zerlegt werden.

Heute Chinesisch, morgen weitere 119 Sprachen

Die Erzeugung ist nur der erste Schritt. Was D-ID in Unternehmen brauchbar macht, ist die Lokalisierung. Die Plattform unterstützt Erzeugung und Live-Interaktion in mehr als 120 Sprachen, und dasselbe Gesicht bleibt dasselbe — ein Sprachwechsel wird nicht zum Personenwechsel.

Wo Material schon existiert, übernimmt die Übersetzung: wenige Klicks machen aus einem fertigen Video mehrere Sprachen, die Stimme des ursprünglichen Sprechers wird geklont und die Lippenbewegung an die neue Sprache angepasst, statt eine Synchronisation darüberzulegen. Für ein Team mit globalem Rollout ist das der zeitsparende Teil — eine Quelle, eine Sitzung, mehrere Fassungen zugleich.

Ein Sprecher, mit dem man reden kann

In den letzten zwei Jahren hat sich der Schwerpunkt sichtbar zu den Visual Agents verschoben: kein festes Video, sondern ein Echtzeit-Avatar, der zuhört, antwortet und Mimik zeigt.

Die veröffentlichten Leistungswerte sind über 90% Trefferquote bei Antworten und Antworten innerhalb von zwei Sekunden. Der Aufbau läuft über wenige Schritte: eine Figur wählen, entweder fertig oder als eigener Avatar; eine Stimme bestimmen, ob synthetisches Timbre, Klon der eigenen Stimme oder hochgeladene Spur; Rolle und Persönlichkeit definieren; Wissen anhängen; und einen Webhook einhängen, damit der Agent eine äußere Aktion auslösen kann.

Die Wissensseite nimmt Dokumente an, bis zu 5 Stück mit höchstens 500,000 Zeichen je Dokument. Das Sprachmodell darf von jedem Anbieter kommen oder aus eigener Installation. Diese Dokumente wandern nicht ins Modell, sie dienen nur als Quelle für die Suche — weshalb sich internes Material überhaupt einspeisen lässt.

Der Einsatz ist breit: Der Agent lässt sich in eine Website, eine App, ein Lernmanagementsystem, ein Serviceportal, eine mobile Anwendung oder einen Terminal im Laden einbetten. Alle bekommen 200 kostenlose Gespräche zum Ausprobieren, danach greifen Tarife, wobei die Nutzung des Agenten mit einem halben Guthaben je 15 Sekunden zählt.

Die Compliance-Linie

Ein fremdes Gesicht sprechen zu lassen bringt Missbrauchsrisiken mit, deshalb hat D-ID mehr Aufwand in Compliance gesteckt als viele Wettbewerber. Es hält ISO/IEC 27001, ISO/IEC 27017, ISO/IEC 27018 und ISO/IEC 42001 sowie eine SOC-2-Zertifizierung; 27018 betrifft personenbezogene Daten in Cloud-Umgebungen und hängt direkt an der GDPR. Die Studio-Seite nennt zusätzlich TISAX und volle GDPR-Bereitschaft.

Eine praktischere Zusage steht neben den Zertifikaten: Deine Videos, Skripte, Dokumente und Avatare bleiben deine, die Plattform trainiert keine Modelle darauf, und Daten sind bei Übertragung und im Ruhezustand verschlüsselt. Für ein Unternehmen, das internes Schulungsmaterial oder Kundendaten durchschickt, wiegt dieser Satz mehr als eine Liste von Nummern.

Für Entwickler und was die Tarife erlauben

Neben dem Studio im Browser gibt es eine vollständige generative API für die Einbettung ins eigene Produkt und die Produktion in Serie. Die Dokumentation teilt die Videoerzeugung in Generationen: V4 Expressive trägt emotionale Vorträge, V3 Pro gibt Full HD mit natürlicher Körperbewegung aus, V3 Instant baut aus eigenem Material einen Avatar, und V2 Photo erzeugt den sprechenden Kopf aus einem Bild. Echtzeit-Streaming-Schnittstellen, ein SDK und einbettbare Komponenten ergänzen das.

Die Tarife kommen in fünf Stufen — Trial, Lite, Pro, Advanced und Enterprise —, Preise und enthaltene Minuten stehen auf der Preisseite. Die Unterschiede, die den Kauf entscheiden, sind enger als die Namen vermuten lassen. Trial trägt ein Vollbild-Wasserzeichen, erlaubt aber bereits einen 1080p-Premium-Avatar. Lite behält das Wasserzeichen und unterstützt Premium-Avatare gar nicht, die Auflösung bleibt bei 1280×1280. Pro entfernt das Wasserzeichen und öffnet 1080p, ist also der eigentliche kommerzielle Einstieg. Advanced erhöht Volumen und Rechte, Enterprise bringt eigene Nutzung, private Installation und dedizierten Support.

Zwei Abrechnungsdetails zählen: Enthaltene Minuten werden monatlich gerechnet und verfallen, und der Verbrauch über die API zehrt vom selben Guthaben wie das Studio. Ein Team mit schwankender Nachfrage sollte den Tarif unterhalb der Spitze wählen und Arbeit aufteilen, statt für einen Ausbruch zu zahlen, der sich nicht wiederholt.

Für wen es passt und wo es endet

Der Vorteil ist die niedrige Schwelle und die Flexibilität: ein Bild zum Start, wenige Minuten im Browser bis zum Clip, eine API für Serienarbeit und ein Live-Agent, der rund um die Uhr auf einer Website sitzen kann. Für ein Team, das einen Inhaltskörper in mehrere Sprachmärkte schiebt oder einen Erklärer 24 Stunden am Tag verfügbar haben will, ist diese Kombination wirklich praktisch.

Die Kanten sind ebenso klar. Die Grenze von 5 Minuten schließt lange Kurse aus. Lite kann keine Premium-Avatare nutzen und zahlt das mit Auflösung. Wasserzeichen weg und 1080p bedeutet Einstieg bei Pro. Und der Ausdruck konzentriert sich aufs Sprechen — was echte Performance oder einen echten Drehort braucht, liegt außerhalb.

Eine Frage gehört vor alles andere: Wessen Gesicht soll sprechen. Bei einem fremden Foto wird die Zustimmung zum schwierigeren Problem, was die Ethikbestimmungen der Seite ebenfalls wiederholt betonen.

Am besten nutzt man ein solches Werkzeug, indem man ihm die wiederkehrenden Auftritte übergibt und echte Präsenz echten Menschen lässt. Gespart wird nicht Produktionsbudget, sondern die Wartezeit auf einen Termin.