In fast jedem Unternehmen gibt es eine Sorte Video, die praktisch jedes Jahr neu entsteht: Onboarding, Compliance-Schulung, Produktbriefings. Der Inhalt ändert sich kaum, aber der Sprecher ist weg und drei Auslandsmärkte brauchen eigene Fassungen, also wird das Studio erneut gemietet, die Folien erneut vertont und der Schnitt erneut eingeplant. Schwierig ist nie der Dreh, sondern das, was dahinter liegt: eine Person, die nicht verfügbar ist, eine Sprache, die niemand im Team spricht, und eine Rechtsprüfung, die nicht durchgeht.

Synthesia ist gegen genau diese drei gebaut. Ein KI-Videostudio im Browser, das den Sprecher vor der Kamera durch eine digitale Figur ersetzt, den Aufnahmeraum durch ein Textskript und die Drehs in mehreren Sprachen durch einen Übersetzungslauf. Die veröffentlichten Zahlen sind groß: über eine Million Nutzer, mehr als 50 000 Teams, 90% der Fortune 100 haben die Compliance-Prüfung bestanden, und auf G2 stehen über 2 000 Fünf-Sterne-Bewertungen.

Ein fester Sprecher ohne Dreh

Der Editor beginnt mit der Wahl einer Figur. Mehr als 240 fertige Gestalten sind eingebaut, über Alter, Hauttöne und Kleidungsstile hinweg, und sie sind ganzfigurig statt des üblichen Brustbilds, mit Gesten und Mimik. Sie sind sofort einsatzfähig — kein Dreh, kein Einwilligungsverfahren, keine Konfiguration, wie die Seite es formuliert — und sprechen direkt los.

Was Unternehmen tatsächlich greifen, ist der persönliche Avatar. Synthesia baut ihn aus einem einzigen Foto, optional aus einem kurzen Video, das Bewegung und Mikroexpression näher an die echte Person bringt. Die Stimme lässt sich in derselben Sitzung klonen oder aus mehr als 1000 vorhandenen Stimmen wählen.

Ein Schritt dabei wird leicht übersehen und ist später wichtig: Für einen persönlichen Avatar muss die Person eine Einwilligung vor der Kamera aufnehmen, statt nur ein Foto hochzuladen. Die Plattform behandelt das eigene Abbild als digitales Selbst dieser Person, das ihre ausdrückliche Zustimmung braucht. Wer in einem Unternehmen Sprecherfiguren in Serie produziert, hat damit sowohl eine Hürde als auch den nützlichsten Beleg, wenn die interne Revision fragt.

Steht die Figur, liest sie jedes Skript in mehr als 160 Sprachen, mit unterschiedlichen Vortragsstilen und regionalen Akzenten. Ein Kurs wechselt die Sprache also ohne neue Sprechstimme und ohne neuen Termin.

Auch vorhandenes Material wechselt die Sprache

Nichts muss bei null beginnen. Wo ein fertiges Video existiert, übersetzt die Synchronfunktion es in mehr als 140 Sprachen und passt den Mund der Person im Bild an den neuen Ton an, statt nur die Originalspur abzusenken und eine zweite darüberzulegen. Timbre, Akzent und Intonation der ursprünglichen Stimme lassen sich erhalten.

Das Ergebnis geht auf zwei Wegen hinaus: als einzelne Dateien oder in einem mehrsprachigen Player, in dem der Zuschauer die Sprache wählt und ein Link alle Fassungen abdeckt. Die Unternehmensstufe ergänzt Massenübersetzung in mehr als 80 Sprachen und ein eigenes Glossar, damit Marken- und Produktnamen sowie Fachbegriffe vorab festgeschrieben werden, statt wörtlich aus der Maschine zu kommen.

Ein Kostendetail lohnt vor der Planung: Lippensynchronisation verbraucht doppelte Guthaben, solange sie an ist. Geht es nur um internes Verstehen, halbiert das Abschalten den Verbrauch.

Jedes Video soll wie eine Firma aussehen

Übersetzung löst das Verstandenwerden, das Brand-Kit löst das Gleichaussehen. Sind Logo, Farben, Schriften und die üblichen Figuren als Kit gesetzt, erbt jedes neue Video im Team diese Vorgaben, und niemand muss die visuelle Identität von Hand ausrichten.

Versionskontrolle ist das zweite still nützliche Stück. Der klassische Weg exportiert für jede Änderung eine neue Datei, wodurch im Lernsystem veraltete Links hängen und drei Fassungen im Chat kreisen. Hier aktualisiert sich ein per Einbettungscode oder Freigabelink ausgeliefertes Video an Ort und Stelle: alte Links bleiben gültig, keine Dubletten sammeln sich. Synthesia nennt das Smart Updates und schiebt eine Revision direkt ins Lernmanagementsystem, ohne das Kurspaket neu hochzuladen.

Zusammen mit eingebauten Zahlen zu Aufrufen, Sehdauer, Abbruchpunkt und Abschlussquote sieht eine Schulungsleitung, in welcher Minute die Lernenden aussteigen, und kann genau dieses Segment reparieren, statt den Kurs neu zu bauen.

Wie man an der Compliance vorbeikommt

Unternehmenskäufe hängen meist an der Compliance, nicht an den Funktionen, und die öffentlichen Angaben sind ungewöhnlich vollständig: SOC 2 Type II, ISO 42001 und GDPR, SAML und Single Sign-on, dazu Audit-Protokolle. Die Seite schreibt, dass 90% der Fortune 100 die Sicherheits- und Compliance-Prüfung bestanden haben.

Auch die Inhaltseite hat Grenzen. Jedes erzeugte Video durchläuft eine Prüfung aus menschlicher und automatischer Kontrolle, getragen von einem eigenen Trust-and-Safety-Team. Die Vorstellung, eine Figur könne alles sagen, gilt hier nicht — was für ein Unternehmen mit Rechtsabteilung und Markenausschuss ein Plus ist.

Auch der Export ist auf Schulung zugeschnitten: Die Unternehmensstufe exportiert SCORM-Pakete mit allen Übersetzungen darin, bereit für das Lernmanagementsystem, sodass mehrsprachige Kurse nicht getrennt gepflegt werden müssen.

Preise und die Grenzen, die zählen

Abgerechnet wird im Abo, monatlich oder jährlich, nicht pro Video. Der Verbrauch läuft über Guthaben: Generierung, Synchronisation und Lippenabgleich zehren aus einem Topf.

Basic ist kostenlos und gibt 10 Minuten im Monat innerhalb von 1200 Guthaben, 9 Figuren, nur Desktop und ein Wasserzeichen. Starter kostet 29 Dollar im Monat, jährlich 18: 10 Minuten im Monat, mehr als 125 Figuren, kein Wasserzeichen, ein KI-Videoassistent und 3 persönliche Avatare. Creator kostet 89 Dollar im Monat, jährlich 64: 30 Minuten im Monat, mehr als 180 Figuren, API-Zugang, 5 persönliche Avatare und interaktive Videos. Enterprise wird individuell angeboten, mit unbegrenzten Minuten, mehr als 240 Figuren, Single Sign-on, Brand-Kit, SCORM-Export und Massenübersetzung in 80 oder mehr Sprachen.

Zwei Einschränkungen wiegen mehr, als sie aussehen. Ungenutztes Guthaben verfällt, und ist die Grenze erreicht, ruht die Produktion bis zum nächsten Abrechnungszyklus, sofern man nicht den Tarif anhebt. Die kostenlose Stufe kann zudem kein MP4 herunterladen und trägt immer das Wasserzeichen, für einen echten Kurs beginnt man also bei Starter. Auch persönliche Avatare sind gedeckelt — 3 bei Starter, 5 bei Creator, unbegrenzt bei Enterprise —, und diese Zahl sollte zuerst geklärt werden, wenn ein ganzes Trainerteam eine Figur bekommen soll.

Wie man es einordnen sollte

Die Positionierung ist klar: kein Spielzeug für Kurzvideo-Produzenten, sondern Infrastruktur für Organisationen, die Schulung, interne Kommunikation und Marketinginhalte in Serie brauchen. Die Stärke ist nicht, dass ein Video großartig aussieht, sondern dass ein Inhaltskörper billig in Dutzende Sprachfassungen zu vervielfachen ist und der Prozess eine Sicherheits- und Rechtsprüfung übersteht.

Umgekehrt gilt dasselbe. Wenn ein filmischer Markenfilm mit komplexen Kamerafahrten und Performance am Drehort gefragt ist, ist eine digitale Figur das falsche Werkzeug. Was sie gut kann, ist Information übertragen — den Punkt klar sagen, den Ablauf erklären, Mitarbeitende in verschiedenen Ländern dasselbe Material sehen lassen.

Bei der Wahl eines solchen Werkzeugs zählt nicht, was ein Video spart, sondern ob die ganze Kette erneut gegangen werden muss, wenn der Inhalt sich ändert, die Märkte mehr werden und der Sprecher geht.