Bilder sprechen lassen mit KI: Aus einem Standbild wird ein Sprecher

Wenn du Bilder sprechen lassen willst, nimmt eine KI ein Standbild und lässt das Gesicht sprechen. Das Modell hört eine Stimme, ermittelt, welche Mundformen zu welchen Lauten gehören, und animiert das Gesicht so, dass es die Worte zu sagen scheint. Am Ende steht ein kurzer Clip statt eines Bildes.

Hinter dem Suchbegriff stecken zwei ziemlich verschiedene Dinge. Das eine ist ein sprechendes Foto einer Person, oft eines Verwandten oder einer Freundin, zum Spaß. Das andere ist ein sprechender Clip einer Figur, die du selbst gestaltet hast. RYLA ist für die zweite Art gebaut. Es arbeitet mit fiktiven KI-Charakteren, die du erstellst, und ist kein Werkzeug, um einer echten Person Worte in den Mund zu legen, die nicht zugestimmt hat.

Avatar Video nimmt ein Porträtbild und eine Stimme und erzeugt daraus einen sprechenden Clip. Die Stimme kommt als hochgeladene Aufnahme (MP3, WAV oder M4A). RYLA klont keine Stimmen. Eine Aufnahme muss also Audio sein, dessen Nutzung dir erlaubt ist, und du solltest nie eine andere Person ohne ihre Einwilligung nachahmen.

Das Bild stammt von deinem Charakter. Hast du noch keinen, erstelle ihn zuerst im KI-Influencer-Generator oder mache ein frisches Porträt mit dem KI-Fotogenerator. Clips dauern 5 oder 10 Sekunden, das Audio darf bis zu 15 Sekunden lang sein; wähle also eine Länge, die zu deiner Zeile passt. Avatar Video gibt es nur im Pro-Tarif, und jeder Clip verbraucht Credits: Standard-Qualität kostet 80 Credits pro Sekunde, die höhere Qualitätsstufe 150, berechnet für die gewählte Clip-Länge. Was jeder Tarif enthält, siehst du unter Tarife und Preise.

Die meisten schwachen Ergebnisse kommen von der Eingabe und nicht vom Werkzeug. Diese Gewohnheiten helfen:

• Ein frontales Gesicht wählen. Ein abgewandtes, von der Hand verdecktes oder vom Rand angeschnittenes Gesicht bietet dem Modell weniger Material.
• Weit offene oder fest geschlossene Münder meiden. Ein entspannter, leicht geschlossener Mund lässt Raum für natürliche Bewegung.
• Gleichmäßiges Licht nutzen. Harte Schatten über dem Mund lassen die Bewegung verschmiert wirken.
• Die Stimme sauber halten. Eine Stimme, keine Musik, kein Hall. Rauschen lässt sich schwer mit den Lippen abgleichen.
• Ruhig sprechen. Schnelles Sprechen mit vielen kurzen Lauten ist schwerer anzupassen als eine gleichmäßige Stimme.
• Kurz bleiben. Zehn bis fünfzehn Wörter passen in einen Clip von 5 Sekunden, der den Test klein hält. Für eine längere Botschaft reihst du mehrere Clips aneinander.
• Das erste Ergebnis als Entwurf sehen. Ändere eine Sache, das Bild oder das Audio, und generiere erneut.

Die Beispielzeilen unten sind für kurze Clips geschrieben. Nimm sie selbst auf und lade die Aufnahme hoch.

Die Mundbewegung wird erzeugt und nicht gefilmt. Sie folgt dem Ton, kann aber leicht daneben liegen, vor allem bei schnellem Sprechen, seltenen Lauten oder wenn der Mund im Bild schwer zu sehen ist. Kopf und Körper bewegen sich nur wenig. Sieh ein sprechendes Bild als kurzen, ausdrucksstarken Clip und nicht als Ersatz für eine gefilmte Moderation.

RYLA erzeugt Bilder und Clips fiktiver erwachsener KI-Charaktere. Avatar Video gibt es nur im Pro-Tarif. Nutze keine Fotos anderer Personen ohne deren Einwilligung, und verwende ein sprechendes Bild nicht, um jemanden nachzuahmen, Zuschauer zu täuschen oder eine echte Person Dinge sagen zu lassen, die sie nie gesagt hat. Nichts mit Minderjährigen wird jemals erstellt. Wenn du einen sprechenden Clip veröffentlichst, ist ein Hinweis auf die KI-Erzeugung gute Praxis.