Ihr KI-Avatar scheitert am eigenen Markennamen

Corporate-KI-Avatare scheitern an Eigennamen. Produktnamen, Submarken, die Nachnamen von Kolleginnen und Kollegen, die Stadt, in der die Veranstaltung stattfindet: Ein Sprachsynthesizer liest Buchstaben und liefert Ihnen ein plausibles Wort mit der Betonung an der falschen Stelle. Für einen Kongressfilm 2026 haben wir einen Namen in einer einzigen 15,5-Sekunden-Audiodatei acht Mal unterschiedlich umgeschrieben, bevor die Stimme ihn korrekt aussprach. Alle acht Versuche stehen bis heute im Dateinamen. Mit dem Renderer hatte die Lösung nichts zu tun.

Flavatars hat die KI-Ebene für EVOLUTION gebaut, den jährlichen Distributorenkongress von Pernod Ricard Kazakhstan: Design, Produktion, synthetische Stimmen und Animation für den KI-Host und die digitalen Zwillinge. Produziert wurde die Veranstaltung von FIRST MEDIA, Regie führte Iaroslav Gubskyi, im Kreativteam arbeiteten Andrey Glushik und Yana Abraimova. Der Host heisst ALEX und wird im Programm als virtueller Assistent und Analyst geführt. Er trägt 16 gesprochene Cues, 9 Minuten 47 Sekunden fertige Sprache, der längste einzelne Cue läuft 1:43. Über den Abend verteilt taucht er in sieben der Programmblöcke auf und bleibt in den Blöcken 5 und 6 vom Bildschirm fern.

Eine Datei aus diesem Material lief fünfzehneinhalb Sekunden. Sie enthielt einen Namen. Der Synthesizer produzierte immer wieder etwas, das dem Namen nur nahekam, und erneutes Rendern änderte daran nichts, weil das Modell genau das tat, was die Schreibweise ihm vorgab. Korrigieren heisst hier, das Wort absichtlich falsch zu schreiben und die Buchstaben so lange umzuformen, bis der Klang stimmt. Wie das Schriftbild dabei aussieht, spielt keine Rolle. Acht Versionen liefen durch, bevor der Take brauchbar war, und jede einzelne blieb im Dateinamen stehen, weshalb wir sie heute noch zählen können.

Das Publikum wird nie erfahren, dass irgendetwas davon passiert ist. Genau das ist der Massstab. Ein Avatar, der das falsch ausspricht, wofür er wirbt, verliert den Saal in einer einzigen Silbe, und der Saal kommt für nichts zurück, was danach folgt.

Bevor ALEX eine Stimme hatte, lasen dreizehn Kandidaten denselben kurzen Testtext in einer einzigen Session von fünfzig Minuten. Neunzehn Takes kamen dabei heraus. Zwei der dreizehn waren bewusst robotisch angelegt, um zu prüfen, ob das Format eine Maschine tragen kann, die auch nach Maschine klingt. Keine der beiden bekam die Rolle. Eine Woche später folgte eine zweite Runde mit sechs Takes, zwei davon markierten wir als "emotionaler", weil der erste Durchgang präzise und etwas kühl geraten war.

Das ist ein Casting in jedem Sinn, den ein Produzent wiedererkennen würde. Alle lesen denselben Text gegen dieselbe Shortlist, und entschieden wird nach Gehör. Die Kandidaten unterscheiden sich darin, wie sie mit ungewohnten Phonemen umgehen, wohin sie die Betonung von sich aus legen und was mit ihrem Rhythmus passiert, wenn ein Satz lang wird. Diese Unterschiede entscheiden darüber, wie viel am Skript später umgeschrieben werden muss. Damit sind die Casting-Entscheidung und das Ausspracheproblem eine Entscheidung, die zweimal getroffen wird.

Das Gesicht durchlief denselben Prozess und verlor unterwegs noch mehr Material. 25 Avatar-Stills wurden über zwei visuelle Routen verworfen, bevor der Host sein Aussehen hatte: sechzehn auf einer Porzellan-Route, neun auf einer Silver-Woman-Route. Diese ganze Bildarbeit zählt, und nichts davon übersteht das erste verstümmelte Wort.

Fast jede Zeile im finalen Skript wurde zweimal aufgenommen, und beide Takes blieben erhalten. Das Finale hat einen. Weitere drei Minuten zwanzig derselben Stimme sprechen die Videoinhalte der Veranstaltung, das Casting muss also auch weit ausserhalb des Avatars tragen.

Eine Figur, die nur existiert, solange sie spricht, wirkt in der Sekunde defekt, in der sie aufhört. ALEX setzt zwei der Programmblöcke komplett aus, und auch sonst gibt es zwischen den Cues Strecken, in denen er nichts zu sagen hat und der Bildschirm trotzdem leuchtet.

Genau dafür entstanden zwei Idle-Loops, je fünfzehn Sekunden, 9:16, für den vertikalen Screen neben der Bühne. In ihnen passiert nichts. Er atmet, verlagert sein Gewicht, wartet. Diese Loops sorgen dafür, dass die Figur über die Teile des Abends hinweg lebendig bleibt, die den menschlichen Rednern gehören, und das ist der grösste Teil.

Neben den Loops liefen auf dem Kongress fünfzehn digitale Zwillinge, im Programm als lebende Porträts geführt: je acht Sekunden, quadratisch, ohne Ton. Ein stummes Porträt kann nichts falsch aussprechen, und das ist der stille Vorteil des Formats. Beantworten kann es eine Frage ebenfalls nicht. Die lebenden Porträts und der Host wurden als zwei verschiedene Produkte kalkuliert, gebaut und eingeplant.

Unser erster Kunde war 2024 BoConcept Switzerland, im Direktvertrag. Wir bauten einen digitalen Zwilling des Inhabers Flemming Breen-Jensen, Master-Franchise-Partner für den Markt, auf HeyGen und mit einem Klon seiner echten Stimme. Der Zwilling spricht Englisch, Deutsch und Französisch. Flemming spricht kein Französisch.

Genau diese Lücke ist das Argument für so einen Zwilling. Wer ein Unternehmen in einem mehrsprachigen Land führt, kann einen französischsprachigen Kunden auf Französisch ansprechen, in der eigenen Stimme, ohne die Sprache zu lernen und ohne ein Double zu engagieren. Der Wert des gesamten Projekts liegt in dieser dritten Sprache, und in der dritten Sprache wird die Aussprachearbeit am schwierigsten, weil jeder Produktname eine französische Lesart genauso überstehen muss wie eine deutsche.

Derselbe Auftrag lehrte auch das Umgekehrte. Ein Drehtag deckte die Avatar-Aufnahme und ein Fotoshooting ab, und ein separater 42-Sekunden-Spot in 4K kam ganz ohne Zwilling aus. Die Erzählstimme übernahm eine per KI besetzte Stimme von ElevenLabs namens Brian, denn ein Markenfilm braucht einen Erzähler, und ein Gründer ist das selten. Für die Spots von Helena Christensen im Rahmen ihres Vertrags mit der Marke entstanden ebenfalls Voice-Cloning und Voice-overs, die unveröffentlicht bleiben. Produzent der BoConcept-Arbeiten: Allan Nielsen.

Am anderen Ende steht ein Auftrag ganz ohne Skript. Am 18. Dezember 2024 stellten wir in der Kursaal Arena in Bern einen live interaktiven CEO-Avatar vor mehrere hundert Mitarbeitende von Huawei Switzerland auf die Bühne, der Fragen aus dem Saal auf Englisch, Deutsch und Französisch beantwortete. Wieder HeyGen, diesmal mit einer trainierten Wissensdatenbank dahinter: Unternehmensfakten, Kolleginnen und Kollegen, Weihnachtswitze. Vorbereitet haben wir das über sechs Wochen, im Direktvertrag, ohne Agentur dazwischen.

Ein Skript, das nicht geschrieben wurde, lässt sich nicht phonetisch vorbereiten. Vorbereitet haben wir stattdessen die Wissensdatenbank, und das Ergebnis, das wir bis heute wiederverwenden, war ein Dokument und kein Video: "Instructions for Preparing Data for the CEO Avatar Knowledge Base". Namen, Produktlinien und interne Abkürzungen mussten in einer Schreibweise für Lesende und noch einmal in einer Schreibweise für Sprechende ankommen. Kundenmaterial aus diesem Projekt veröffentlichen wir nicht ohne Erlaubnis, zeigen können wir also die Methode.

Bei der Winter Dealer Conference 2026 in Almaty, umgesetzt mit Gubsky Talent Hub, trugen acht KI-Köpfe auf der LED-Wand acht Identitäten, jeder in einer eigenen Farbe. Der Redner auf der Bühne sagt seinen Satz, der Avatar antwortet, der Redner macht weiter. Niemand im Saal hält diesen Kopf für eine Fotografie der Person, und das muss auch niemand. Die Identität läuft über die Farbe und wird über die Länge des Blocks gehalten, zu dem sie gehört. Alle acht Köpfe wurden von den Rednern selbst freigegeben, und bei einem Abbild ist das die einzige Freigabe, die zählt.

Dieses Projekt beantwortet eine Frage, die Auftraggeber früh stellen. Die Redner akzeptierten Köpfe, die niemand für eine Fotografie halten würde. Keiner von ihnen hätte eine Antwort akzeptiert, die zu spät kam, während der ganze Saal ihm beim Warten zusah. Fotorealistische Ähnlichkeit ist wert, was sie wert ist; beim Timing gibt es keinerlei Spielraum.

Fünf Dinge, und keines davon ist technisch.

Schreiben Sie jeden Eigennamen aus dem Skript heraus und lassen Sie jemanden aus Ihrem Unternehmen jeden einzelnen laut aufnehmen: Produktnamen, Submarken, den Nachnamen des Gründers, die Stadt. Ein paar Minuten mit dem Telefon, und die günstigste Versicherung im ganzen Projekt.

Benennen Sie die Person, die die Aussprache freigibt. Es braucht ein Ohr, dem das Unternehmen vertraut, das am Tag selbst verfügbar ist und Nein sagen darf.

Planen Sie im Zeitplan Raum für ein Casting ein und führen Sie es auch als solches durch. Dreizehn Stimmen, die denselben kurzen Testtext lesen, dauern weniger als eine Stunde und entscheiden mehr als jeder Parameter, den Sie danach anfassen.

Legen Sie fest, was auf dem Bildschirm zu sehen ist, während niemand den Avatar anspricht, und wie lange dieser Zustand laufen darf, bevor er eingefroren wirkt.

Holen Sie von jeder Person, deren Gesicht oder Stimme verwendet wird, eine schriftliche Einwilligung ein, und klären Sie, wie das Publikum erfährt, dass die sprechende Figur synthetisch ist.

Ohne diese Namensliste und die dazugehörige Aufnahme starten wir kein Avatar-Projekt. Die Anfrage sieht nach Verwaltung aus, und es ist dieselbe, die ein Casting-Director stellt, wenn er vor der ersten Leseprobe fragt, wie der Nachname der Hauptrolle ausgesprochen wird. Ein Synthesizer sagt alles, was Sie ihm schreiben, in jeder Sprache, in der Sie es schreiben, und zwar mit vollständiger Überzeugung, und er hat keine Ahnung, auf welchem dieser Wörter Ihre Reputation ruht. Das muss jemand wissen, bevor die Render-Queue öffnet. Engagieren Sie zuerst dieses Ohr.