Avatar-Konsistenz heißt: dein KI-Avatar zeigt über alle Szenen eines Videos dasselbe Gesicht, dieselbe Kleidung, dieselbe Lichtsituation. Sie entsteht nicht durch ein besseres Werkzeug, sondern durch eine feste Reihenfolge. Du schreibst einmal einen Ankertext fest, baust in zwei Durchgängen, begrenzt dich auf drei Posen und prüfst vor dem Posten zwei zufällige Szenen gegen. Beim ersten Mal kostet das etwa 20 Minuten, danach fünf.
Warum sieht dein KI-Avatar in Szene drei plötzlich anders aus?
Weil jeder Auftrag bei null anfängt. Ein Bildmodell wie Stable Diffusion "generiert Bilder, indem es iterativ ein aus zufälligem Rauschen bestehendes Bild entrauscht, bis eine konfigurierte Anzahl von Schritten erreicht ist" (Wikipedia, Stable Diffusion). Der Startpunkt ist also jedes Mal neu gewürfelt. Alles, was du nicht beschrieben hast, füllt das Modell mit dem Durchschnitt aus seinen Trainingsdaten: glattere Haut, gleichmäßigeres Gesicht, hellere Zähne. Deshalb driften Avatare fast immer in dieselbe Richtung, nämlich ins Makellose. Bei Szene eins fällt das nicht auf, weil dir der Vergleich fehlt. Bei Szene drei hast du ihn.
Der zweite Fehler steckt im Auftrag selbst. Du verlangst zwei Dinge gleichzeitig: die Szene bauen und die Schrift ins Bild setzen. Beides zusammen ist ein Kompromiss, und der geht zulasten des Gesichts.
Wie viele Leute das betrifft, zeigt eine Zahl aus dem Marketing. In einer nicht repräsentativen Bitkom-Befragung unter 180 Unternehmen aus dem eigenen Netzwerk sagen 51 Prozent, generative KI übernehme heute schon einen erheblichen Teil der kreativen Marketingarbeit (Bitkom, Februar 2026). Wer in dem Takt produziert, produziert die Brüche mit.
Welche drei Dinge schreibst du fest, bevor du generierst?
Gesicht, Kleidung, Umgebung. Alle drei in einen kurzen Textblock, bevor der erste Auftrag rausgeht.
Gesicht. Nicht "sympathischer Mann Mitte 40", das ist eine Kategorie und keine Person. Schreib die Merkmale auf, die sich mit der Stimmung nicht verschieben: Gesichtsform, Nasenrücken und Nasenbreite, Kinnlinie, Augenabstand, Haaransatz, sichtbare Falten oder Muttermale. Technische Gesichtserkennung geht nach demselben Prinzip vor. Das BSI beschreibt, dass dort "solche Merkmale des Gesichts" genutzt werden, "die sich aufgrund der Mimik nicht ständig verändern", genannt werden die oberen Kanten der Augenhöhlen, die Gebiete um die Wangenknochen und die Seitenpartien des Mundes (BSI, Biometrie).
Kleidung. Ein Teil, das nie wechselt, plus ein kleines Detail. Dunkelgrauer Rollkragen und eine schmale Kette reicht. Das Detail ist wichtiger, als es klingt: Es ist das Erste, was du beim Prüfen siehst, und das Erste, was verschwindet, wenn das Modell neu gewürfelt hat.
Umgebung. Woher das Licht kommt, wie hart es ist, und der Abstand zur Kamera. Zum Beispiel weiches Fensterlicht von links, keine Deckenlampe, halbnah von Brust bis Kopf auf Augenhöhe. Diese beiden Angaben entscheiden mehr über die Wiedererkennung als der Hintergrund.
Diese drei Absätze sind dein Ankertext. Er wird nicht neu formuliert, er wird kopiert, wortgleich, in jeden Auftrag. Wer ihn jedes Mal neu tippt, ändert unbemerkt etwas und wundert sich später. Ein ausfüllbares Blatt nur für diesen Schritt ist das Anker-Blatt für konsistente Avatar-Szenen. Wie du die Identität davor überhaupt festlegst, steht im Beitrag zum KI-Klon.
Warum baust du Szene und Schrift in zwei Durchgängen?
Das ist der Kern der Methode. Erst die Szene, danach die Schrift, nie zusammen.
Durchgang eins baut nur das Bild: Raum, Licht, Hintergrund, Kameraabstand, dazu dein Ankertext. Keine Schrift, kein Etikett, keine Beschriftung auf dem Bildschirm im Hintergrund. Sobald das Bild sitzt, speicherst du es. Ab jetzt ist es deine Referenz, nicht mehr deine Beschreibung. Für jede weitere Szene heißt das: Auch Durchgang eins bekommt dieses gespeicherte Bild oder deine trainierte Identität als Referenz mit, nicht nur den Ankertext. Der Text beschreibt Merkmale, aber nur die Referenz hält dieselbe Person. Zwei Läufe aus reinem Text ergeben zwei Gesichter, die sich ähneln und doch verschieden sind.
Durchgang zwei legt auf dieses gespeicherte Bild das Detail: den Schriftzug, das Produkt in der Hand, das Schild an der Wand. Du änderst dabei genau eine Sache und sagst dazu, dass alles andere unverändert bleibt. Im ersten Durchgang löst die Maschine nur eine Aufgabe. Im zweiten hat sie ein fertiges Bild als Vorlage und muss nichts mehr erfinden. Warum das Nachbearbeiten trotzdem oft das ganze Bild umbaut, steht im Beitrag über KI-Bilder verbessern.
Wie viele Posen brauchst du wirklich?
Drei. Jede weitere Pose ist eine neue Gelegenheit für das Modell, dein Gesicht neu zu erfinden.
Eine halbnahe Einstellung frontal und sprechend. Ein leichter Dreiviertel-Winkel, höchstens etwa 45 Grad, beide Augen sichtbar. Eine weitere Einstellung mit Oberkörper und Umgebung. Profilansichten und starke Untersichten lässt du weg, dort kippen Avatare zuerst.
Der wichtige Unterschied: Abwechslung entsteht durch Schnitt, nicht durch Generierung. Aus drei sauberen Posen holst du mit Ausschnitt, Zoomstufe und Reihenfolge ein Dutzend Bildwechsel. Zwölf neue Würfe zeigen dagegen zwölf Mal jemand anderen.
Woran prüfst du eine Szene, bevor sie rausgeht?
An zwei zufälligen Szenen, nicht an der ersten und nicht an der, an der du zuletzt gearbeitet hast. Die erste hast du am längsten angesehen, an ihr bist du blind geworden. Leg beide nebeneinander und geh vier Punkte durch.
Gesicht. Nasenbreite, Kinnlinie, Augenabstand, Haaransatz, einzeln statt nach Gesamteindruck. Wer nach Gefühl prüft, findet nur den groben Bruch.
Hände. Fünf Finger, plausible Länge, Handgelenk passend zum Arm. Dazu Hals und Schlüsselbein: Ein Gesicht Mitte 50 mit glattem Hals fällt sofort auf.
Schrift. Jeden Buchstaben lesen statt überfliegen. "Buchstaben und Zahlen fallen KI-Bildgeneratoren wie Dall-E und Midjourney schwer", schreibt t3n in einer Anleitung zum Erkennen von KI-Bildern (t3n, April 2024).
Umlaute. Der eigene Punkt, weil deutsche Umlaute und das scharfe s fast immer als Erstes brechen. Aus "Prüfung" wird "Prufung". Das ist der Fehler, den dein Zuschauer zuerst bemerkt.
Fällt ein Punkt durch, änderst du nicht deinen Ankertext. Du gibst das gespeicherte Referenzbild noch einmal mit. Der Text bleibt stehen, die Referenz ist die Stellschraube. Eine ausführlichere Prüfstrecke dafür ist der Avatar-Bruch-Check.
Was machst du, wenn das halbe Video schon kaputt ist?
Nicht neu anfangen. Such dir aus dem vorhandenen Material die beste Szene, also die, in der die Person am meisten nach der Person aussieht, die du meinst. Schreib deinen Ankertext aus diesem Bild ab, nicht aus dem Kopf. Sichere das Bild als Referenz. Rendere nur die kaputten Szenen neu, mit Ankertext und Referenzbild, in zwei Durchgängen. Setz die Schrift ganz am Schluss. Dann prüfst du zwei zufällige Szenen. Rechne mit rund 30 Minuten für ein halbfertiges Video.
Ehrlich bleibt: Diese vier Schritte halten eine Serie zusammen, sie reparieren kein wackeliges Fundament. Wenn du dich selbst klonst und deine Trainingsbasis aus 20 Fotos derselben Situation besteht, rettet kein Ankertext das Gesicht. Dann brauchst du 8 bis 20 echte Fotos aus verschiedenen Winkeln, ideal sind 8 bis 12,, mit unterschiedlichem Licht und unterschiedlicher Kleidung. Wie so ein Avatar von null entsteht, zeigt der Beitrag KI-Avatar in 10 Minuten.
Wir schreiben das so genau auf, weil wir unseren eigenen Content in Menge produzieren und über unser eigenes Paid-System rund 9.000 Leads im Monat kommen. Bei dem Takt ist Konsistenz der Unterschied zwischen einer Bibliothek und einem Haufen Einzelstücke.
Im PDF liegt dieselbe Reihenfolge als Blatt zum Abhaken: pro Schritt eine eigene Checkliste, dazu ein ausfüllbares Protokoll mit Feldern für Gesicht, Kleidung, Umgebung, die drei Posen, den Speicherort deines Referenzbildes und die beiden geprüften Szenennummern. Ein Blatt pro Video, auf sieben Seiten gebrandet und zum Ausdrucken. Trag unten deine E-Mail ein, dann bekommst du es sofort als Download.