Zwei Konferenz-Openings, eine Sprecherin – wie aus einem Terminkonflikt ein KI-Usecase wurde

Der Eröffnungsfilm läuft aus und Charlotte Frieß begrüßt das Publikum der ersten Infinite AI Conference in Mannheim. Zur selben Zeit steht sie in einem weiteren Saal des m:con Congress Centers Rosengarten und eröffnet dort die DWX - Developer World Experience. Was auf der Leinwand der KI-Konferenz spricht, ist ein Rendering. Erscheinungsbild, Mimik und Gestik hat HeyGen generiert, die Stimme kommt aus ElevenLabs, das Skript stammt von Charlotte Frieß selbst. 

Der Auslöser: Für Charlotte Frieß, Director Events bei der Ebner Media Group, war klar, dass sie das Konferenz-Flaggschiff DWX gemeinsam mit CEO Annabel Ebner und Conference Chair Tilman Börner eröffnen musste. Das Problem: Zeitgleich startete zum ersten Mal die Infinite AI Conference – eine neue, reine KI-Konferenz, welche den gesamten Software-Lifecycle abdeckt. Charlotte Frieß hatte diese mit viel Herzblut kuratiert und auf die Beine gestellt. Von Bühne zu Bühne zu hetzen, kam für sie daher nicht infrage. „Das hätte auf die Teilnehmer:innen zwangsläufig wie eine lieblose Begrüßung gewirkt“, sagt Charlotte Frieß. „Wobei gerade das Gegenteil der Fall gewesen wäre.“ 

Plan B, die Begrüßung an ihre Kolleginnen zu delegieren, scheiterte an deren Veto: „Die erste Infinite AI Conference ohne Charlotte zu eröffnen war weder strategisch noch emotional der richtige Weg“, begründet Theresa Roth, DirectorBusiness und Portfolio Strategy. Charlotte Frieß hatte das Format über Monate als Gesicht nach außen getragen, Partner und Speaker betreut, den Kontakt zur Branche gepflegt. Die Lösung war ebenso pragmatisch wie dem Anlass angemessen: Während die echte Director Events auf der DWX-Bühne stand, eröffnete ihr Digitaler Zwilling die Infinite AI Conference – und zwar mit der gleichen Begeisterung wie das Original. 

Die Basis-Aufnahme entscheidet über alles Weitere

Jasmin Jonietz, AI Strategy Lead der Ebner Media Group, hat die Umsetzung übernommen – über mehrere Etappen und zwei Anbieter. Wobei die erste Etappe die Qualität aller späteren Ergebnisse bestimmt: das Ausgangsmaterial für den Avatar – sprich: die perfekte Aufnahme von Charlotte Frieß.

Im Büro entstand dafür kurzfristig ein Studiosetting mit professioneller Beleuchtung, 4K-Kamera und gutem Mikrofon. Tests im Vorfeld hatten gezeigt, dass das kein übertriebenes Set-up war, sondern die absolute Mindestanforderung, die den Avatar später professionell wirken lässt. Zwei bis fünf Minuten Video, in einem einzigen durchlaufenden Take ohne Schnitt.

Mindestens genauso ausschlaggebend für die Qualität des späteren Avatars ist der Text, den Charlotte Frieß während der Aufnahme vorlas. Komplexe Syntax, hohe Dichte an Fachbegriffen, ungewohnte Konsonantenfolgen. „Nicht gerade einfach zu sprechen“, kommentiert sie das vorgelegte Skript. Das war auch die Intention. Der Text sollte die Sprecherin zu möglichst vielen unterschiedlichen Mundbewegungen zwingen. Verfasst hat ihn Gemini genau nach dieser Vorgabe.

Die Stimme kommt aus einem zweiten System

Dort, wo der KI-Video-Generator HeyGen an seine Grenzen kommt, brilliert ElevenLabs, das sich auf generative Audio-Technologien spezialisiert hat. Und der Hand-over funktioniert via API zuverlässig. Für den Stimm-Klon reichten ElevenLabs vorhandene Aufnahmen aus Interviews, Podcasts und Anmoderationen. Ein überzeugendes Modell stand nach wenigen Minuten.

Aus Zeitgründen wurde allerdings auch mit der „Schnell-Variante“ der Voice-Cloning-Funktionalität gearbeitet. „Die Stimme kommt sehr nah an Charlottes Phonetik und Intonation heran, die 100 Prozent geben wir ihr jedoch noch nicht“, gesteht Jasmin Jonietz ein. Genau das ist beim schnellen Pfad zu erwarten. ElevenLabs unterscheidet bei der Stimmklonung mehrere Verfahren und gibt dem Nutzer die Chance, bis zu drei Stunden Audiomaterial hochzuladen, auf Basis dessen ein dezidiertes Modell entwickelt wird. Das Training dauert dann in der Regel mehrere Stunden. Schneller geht es mit weniger Material und der Methode, bei der kein eigenes Modell trainiert, sondern die Stimme aus vorhandenem Wissen abgeleitet wird.

Wo offizielle Best-Practices versagen

Das von Charlotte Frieß extra für die Infinite AI Besucher:innen verfasste Skript für die Begrüßung wanderte dann in HeyGen, das System erzeugte daraus eine erste Fassung des sprechenden und gestikulierenden Avatars. Und dannbegann die Feinarbeit. Betonung, Tempo und Emotion einzelner gesprochener Passagen können bearbeitet werden, teils automatisiert, teils manuell gebrieft. So lässt sich die Sprachmelodie passender auf den Kontext abgleichen. Ein unumgehbarer Schritt.

Unerwartet war die Nebenwirkung. Ein Eingriff in die Intonation an einer Stelle kann das Bild mitverändern, und zwar nicht nur an der bearbeiteten Passage. „Eine Änderung an einer Stelle kann eine ungewollte Änderung an einer anderen hervorrufen“, fasst Jasmin Jonietz zusammen. Der vermeintliche Editor ist eher Generator. Man korrigiert nicht, man wiederholt die Erstellung und beurteilt das Ergebnis auf ein Neues.

Kenne dein Publikum

Die Erfahrung hat gezeigt, dass der Nutzer gut und gerne mit einem sehr hohen Anspruch an die Videoerstellung gehen darf, dass aber ein zu rigider Perfektionismus fehl am Platze ist. Grund sind die Feinheiten, die sich nur bedingt steuern lassen.

„Der Mund des Avatars ist definitiv breiter als mein eigener“, sagt Charlotte Frieß, „und er hält das Kinn etwas zu weit oben, wenn er spricht.“ Dazu kommt die leicht überzeichnete Gestik: Der digitale Zwilling bewegte die Hände deutlich lebhafter als das Original. „Bei den Handbewegungen ist HeyGen etwas über das Ziel hinausgeschossen“, ergänzt Jasmin Jonietz.

Dem eigenen Team fallen solche Nuancen auf, der Betroffenen selbst am deutlichsten. Das Konferenzpublikum sah sie nicht. „Die Teilnehmer:innen erleben mich ja nicht im Alltag“, sagt Charlotte Frieß, „somit sind ihnen die feinen Abweichungen, die wir als Team sehen, überhaupt nicht aufgefallen.“

Wer eine Person kennt, prüft gegen ein internes Referenzmodell und realisiert Unterschiede im Millisekundenbereich. Wer sie nicht kennt, hat keine Vergleichsgrundlage. Um zu beurteilen, wofür sich ein Avatar, der so produziert wurde, eignet, muss man fragen, wie sich das Publikum zusammensetzt.

Freigabe und Kennzeichnung

Bei der Ebner Media Group war die Freigabe von Charlotte Frieß von Anfang an Teil des Ablaufs. „Ich war in jeden Schritt eingebunden und habe mein digitales Ich selbst mitgestaltet und freigegeben“, sagt Charlotte Frieß. Und die Veranstalter setzten auf volle Transparenz: Direkt nach dem Intro erklärte das Moderations-Team auf der Bühne, dass die echte Person parallel im anderen Saal spricht und sie von ihrem digitalen Gegenstück passend zum Anlass vertreten wurde. Die Reaktionen der Teilnehmer reichten von Schmunzeln bis Staunen.

War diese Auflösung zum Zeitpunkt der Konferenz noch eine freiwillige Entscheidung, ist sie inzwischen Pflicht: Seit dem 2. August 2026 gelten die Transparenzvorgaben aus Artikel 50 der KI-Verordnung. Wer solche Inhalte veröffentlicht, muss die künstliche Erzeugung offenlegen.

Was das Setup wert ist

Ein ROI lässt sich für diesen einen Auftritt nicht rechnen. Der erste vollständige Durchlauf kostete rund einen Arbeitstag, inklusive aller Umwege und Learnings.

Entscheidend ist, was danach bleibt: Ein Avatar-Modell, ein Stimmmodell und dokumentiertes Wissen darüber, welche Einstellungen brauchbare Ergebnisse liefern, wie lange welche Schritte benötigen und wo versteckte Hürden liegen. Für jedes weitere Video sinken die Kosten. Theresa Roth rechnet vor, wann das interessant wird: Videos in mehreren Sprachen, rein textbasiert, ohne Studiotermin, ohne Reise, ohne Team. „Dann reden wir über eine Kostenstruktur, die sich fundamental verändert.“

Avatare dieser Art und so eingesetzt können Präsenz schaffen, wo vorher keine möglich war: auf parallelen Bühnen, in anderen Zeitzonen oder in anderen Sprachen, auf Social Media zur konstanteren Bespielung einer Zielgruppe. Dabei zählt vor allem die Haltung. Bei der Ebner Media Group war das Credo: Der Avatar ersetzt niemanden, er verlängert eine echte Person.

Theresa Roth ordnet den Fall abschließend ein: „KI ist kein Personal-Replacement-Tool. Es ist ein Wertschöpfungs-Tool, um unsere besten Köpfe zu skalieren. Wer KI rein nutzt, um Köpfe zu sparen, verpasst den Punkt vollständig.“