Lippensynchronisation mit KI: Technik, Kosten, Recht

Ein fertiges Video soll in eine andere Sprache. Die Tonspur zu tauschen ist der einfache Teil dieser Aufgabe. Sobald die neue Stimme läuft, passt der Mund im Bild nicht mehr dazu, und dieser Bruch entscheidet darüber, ob Zuschauer bei der Sache bleiben oder nach zwanzig Sekunden wegklicken.

Lippensynchronisation mit KI setzt genau hier an. Die Mundpartie im Bild wird Bild für Bild neu berechnet, damit sie zum neuen Ton passt. Dieser Ratgeber erklärt, wie die Verfahren technisch arbeiten, woran du ein misslungenes Ergebnis erkennst, was die verbreiteten Werkzeuge kosten und welche Pflichten seit dem 2. August 2026 in der EU gelten. Alle Preise und Funktionsangaben haben den Stand von August 2026.

Was bedeutet Lippensynchronisation mit KI genau?

Der Begriff meint zwei sehr verschiedene Dinge, und die Verwechslung sorgt für die meisten Enttäuschungen. Im Tonstudio bedeutet Synchronisation, dass ein Sprecher seinen Text so einspricht, dass er zu den vorhandenen Mundbewegungen im Bild passt. Das Bild bleibt unangetastet, der Mensch passt sich an.

Bei der KI-Variante läuft es umgekehrt. Der Ton wird vorgegeben, und die Software rechnet die Mundpartie im Video neu, bis sie zu diesem Ton passt. Damit wird ein bestehendes Bildmaterial verändert. Aus dieser einen technischen Tatsache folgen später alle rechtlichen Fragen dieses Ratgebers, vom Recht am eigenen Bild bis zur Kennzeichnungspflicht.

Wie arbeiten die Verfahren hinter der Lippensynchronisation?

Der Weg vom Audiosignal zum veränderten Bild läuft in drei Stufen ab, und jede davon hat ihre eigenen Schwachstellen.

Was vor der Berechnung mit dem Bild passiert

Zuerst sucht das System in jedem Einzelbild das Gesicht und setzt darauf sogenannte Gesichtslandmarken, also Messpunkte an Lippenrand, Mundwinkeln, Kinnlinie und Nasenbasis. Diese Punkte legen fest, wo der Mund sitzt, wie groß er im Bild ist und in welchem Winkel der Kopf steht. Aus ihnen wird ein rechteckiger Ausschnitt geschnitten, der später überschrieben wird. Sitzen die Landmarken falsch, weil eine Hand, eine Haarsträhne oder ein Mikrofon den Mund verdeckt, ist das Ergebnis schon vor der eigentlichen Berechnung verloren.

Warum Viseme allein nicht ausreichen

Die Tonspur wird in Laute zerlegt, also in Phoneme. Jedem Laut entspricht eine typische Mundstellung, ein Visem. Die Zuordnung ist allerdings nicht eindeutig, denn mehrere Laute sehen gleich aus. Die deutschen Laute p, b und m entstehen alle durch geschlossene Lippen und liefern dasselbe Visem. Aus dem Bild allein lässt sich also gar nicht ablesen, welcher der drei Laute gerade gesprochen wird.

Dazu kommt die Koartikulation. Ein Mund formt keine Kette einzelner Standbilder, er bewegt sich vorausschauend auf den nächsten Laut zu. Deshalb arbeiten die heutigen Modelle nicht mit einer Tabelle aus Lauten und Mundformen, sondern verarbeiten ganze Tonabschnitte im Zusammenhang und glätten die Bewegung zeitlich. Genau diese Glättung sorgt allerdings dafür, dass harte Lippenschlüsse bei p, b und m gern verschliffen werden. Der Mund geht dann nicht mehr richtig zu, und das Ohr merkt den Fehler, bevor das Auge ihn benennen kann.

Wie sich GAN und Diffusionsmodell unterscheiden

Die erste Generation arbeitete mit gegnerischen Netzen. Das bekannteste Modell dieser Art ist Wav2Lip aus dem Jahr 2020. Ein zweites Netz, trainiert als Prüfer für Synchronität, bewertet während des Trainings, ob Ton und generiertes Bild zusammenpassen. Das Ergebnis sitzt zeitlich erstaunlich genau, der Mundausschnitt wird jedoch in sehr niedriger Auflösung berechnet und danach ins Bild zurückskaliert. Daher stammt der weiche, leicht verwaschene Mund, den man in älteren Ergebnissen sofort sieht.

Die neuere Generation nutzt Diffusionsmodelle, wie sie aus der Bildgenerierung bekannt sind. Der Mundbereich wird dabei schrittweise aus Rauschen neu aufgebaut, gesteuert vom Ton. ByteDance hat mit LatentSync ein solches Modell offengelegt, das auf Stable Diffusion aufsetzt und in Version 1.6 seit Juni 2025 auf Videos mit 512 mal 512 Bildpunkten trainiert wird, um genau dieses Unschärfeproblem zu verringern. Andere Ansätze schieben eine Zwischenstufe ein und sagen erst die Bewegung der Lippen- und Kieferlandmarken voraus, bevor daraus ein Bild entsteht. Zusätzliche zeitliche Schichten im Modell sollen das Flimmern zwischen aufeinanderfolgenden Bildern dämpfen.

Worin unterscheiden sich Untertitel, Synchronton, Stimmklon und Lippenanpassung?

Vier Stufen werden im Marketing der Anbieter gern in einen Topf geworfen, kosten aber sehr unterschiedlich viel und greifen unterschiedlich tief in das Material ein.

• Untertitel: Der Originalton bleibt, der übersetzte Text läuft im Bild mit. Kein Eingriff in Bild oder Ton, keine Kennzeichnungsfrage, geringste Kosten.
• Neue Tonspur mit synthetischer Stimme: Der Text wird übersetzt und von einer künstlichen Stimme gesprochen. Das Bild bleibt unverändert, der Mund passt sichtbar nicht.
• Stimmklon: Die neue Tonspur klingt nach der Originalperson, die dann in einer Sprache spricht, die sie nie gesprochen hat. Das Bild bleibt weiterhin unverändert.
• Lippenanpassung: Zusätzlich wird die Mundpartie im Bild neu berechnet. Erst hier wird das Video selbst manipuliert.

Wann die neue Tonspur allein genügt

Bei Bildschirmaufnahmen, Produktvideos ohne sprechende Person, Animationen und allen Formaten mit Erzählstimme aus dem Off gibt es gar keinen Mund im Bild. Dann reicht eine reine Tonübersetzung, wie sie etwa ElevenLabs anbietet. Das ist der mit Abstand günstigste und rechtlich unproblematischste Weg. Wer zuerst prüft, ob im Video überhaupt jemand zu sehen ist, spart sich oft den ganzen Rest.

Was ein Stimmklon zusätzlich auslöst

Sobald die Stimme einer echten Person nachgebildet wird, entsteht eine eigene rechtliche Lage, unabhängig davon, ob das Bild angefasst wird. Dazu weiter unten mehr. Technisch braucht ein brauchbarer Klon sauberes Ausgangsmaterial ohne Hintergrundmusik, ohne Hall und ohne übersprechende zweite Person. Eine Aufnahme aus einem Konferenzraum mit Tischmikrofon führt eher zu einem dumpfen, leicht metallischen Klon. Was Werkzeuge dieser Art sonst noch leisten, steht im Überblick zu KI-Stimmengeneratoren.

Woran erkennst du ein schlecht synchronisiertes Ergebnis?

Die Fehler sind erstaunlich gleichförmig, weil alle Verfahren am selben Punkt an ihre Grenze stoßen. Wer weiß, wohin er schauen muss, braucht keine zwei Minuten für die Beurteilung.

Was im Zahnbereich schiefgeht

Zähne sind die verlässlichste Fehlerquelle. Generative Modelle ziehen zum Durchschnitt ihrer Trainingsdaten, deshalb werden die berechneten Zähne zu regelmäßig, zu hell und zu vollständig. Bei einer Person mit leicht schiefem Schneidezahn oder dunkler Füllung sieht man plötzlich ein fremdes Gebiss. Ein zweites Anzeichen ist Flimmern. Wenn die Zahnreihe von Bild zu Bild in Helligkeit oder Kontur springt, hat das Modell die zeitliche Kohärenz verloren. Die Forschung zur Deepfake-Erkennung setzt genau dort an und wertet Mundausschnitte über mehrere aufeinanderfolgende Einzelbilder hinweg aus, weil jedes Bild für sich echt aussehen kann und erst die Abfolge den Fehler zeigt.

Was an Kinnlinie und Maskenkante sichtbar wird

Der neu berechnete Bereich wird als Rechteck oder Oval ins Originalbild zurückgesetzt. An dieser Naht treffen zwei verschiedene Bildwelten aufeinander. Die Haut innerhalb des Ausschnitts ist glatter, weil das Modell Poren, Bartstoppeln und Filmkorn nicht mitrechnet. Kompressionsartefakte des Originals hören an der Kante abrupt auf. Auf einem Standbild bei 200 Prozent Vergrößerung ist das ein sichtbar weicheres Feld im Gesicht. In Bewegung wandert die Kante mit dem Kopf mit und erzeugt ein leichtes Wabern entlang der Kinnlinie.

Warum Profilansicht und schnelle Bewegung scheitern

Die Modelle sind ganz überwiegend an frontalen Aufnahmen trainiert. Dreht sich der Kopf deutlich zur Seite, fehlen dem Modell Vergleichsdaten, und die Lippen passen nicht mehr zur Kopfhaltung. Bei starker Drehung verschwimmt der Bereich oder klebt sichtbar an der falschen Stelle. Dasselbe gilt für schnelles Sprechen, überlappende Stimmen und ausgeprägte Mimik. Lachen, Luftholen, ein abgebrochener Satz oder eine hochgezogene Augenbraue mitten im Wort liegen außerhalb dessen, was ein rein tongesteuertes Modell abbilden kann. Es kennt den Ton, es kennt die Absicht dahinter nicht.

Welche Ausgangsvideos funktionieren gut?

Die Qualität entscheidet sich zu einem großen Teil vor dem ersten Klick, beim Dreh. Diese Merkmale erhöhen die Trefferquote deutlich.

• Frontale Kameraposition: Die Person schaut in die Kamera, der Kopf bleibt in einem engen Winkelbereich.
• Großer Mund im Bild: Halbnah bis nah gefilmt. Je mehr Bildpunkte auf die Mundpartie entfallen, desto weniger muss das Modell erfinden.
• Weiches, gleichmäßiges Licht: Keine harten Schlagschatten unter der Nase, kein Gegenlicht, keine wandernden Lichtflecken.
• Ruhige Körperhaltung: Kein Gestikulieren vor dem Gesicht, keine Hand am Kinn, kein Trinken.
• Saubere Tonaufnahme: Eine sprechende Person, wenig Raumhall, keine Musik unter der Stimme.
• Hohe Bildqualität: Wenig Rauschen, wenig Bewegungsunschärfe, moderate Kompression.

Der Idealfall ist die klassische Sprecheraufnahme vor ruhigem Hintergrund, wie sie für Schulungen, Erklärvideos und Unternehmensbotschaften ohnehin üblich ist. Genau dafür ist die Technik gebaut.

Welche Vorlagen scheitern zuverlässig?

Bei diesen Ausgangslagen lohnt der Versuch meist nicht, weil die Nachbearbeitung teurer wird als eine Neuaufnahme.

• Profil und starke Kopfdrehung: Interviews mit seitlich sitzenden Gesprächspartnern, Reportagen, Bühnenmitschnitte.
• Verdeckter Mund: Vollbart, Mikrofon vor dem Gesicht, Hand am Kinn, herunterhängende Haare.
• Spiegelnde Brillen und harte Kontraste: Reflexionen und starkes Make-up erzeugen Artefakte an der Maskenkante.
• Mehrere Sprecher im Bild: Das System muss entscheiden, wer gerade spricht, und liegt bei Überschneidungen falsch.
• Gesang und schnelle Wortwechsel: Musikvideos und Comedy mit hohem Sprechtempo laufen aus der Synchronität.
• Sehr weite Einstellungen: Ist der Kopf klein im Bild, fehlen dem Modell schlicht die Bildpunkte.
• Stark komprimiertes Archivmaterial: Die glatte Neuberechnung sticht gegen das grobe Original ab.

Welche Werkzeuge gibt es und was kosten sie?

Der Markt zerfällt in drei Gruppen, die sich in Preislogik und Zielgruppe unterscheiden. Alle Angaben beziehen sich auf die Listenpreise der Anbieter im August 2026 und sind, sofern nicht anders vermerkt, US-Dollar ohne Steuern.

Werkzeuge für die komplette Videoübersetzung

• Synthesia: Der Starter-Tarif kostet 29 US-Dollar im Monat, im Jahresabo 18 US-Dollar pro Monat. Der Pro-Plan (früher Creator) liegt bei 89 beziehungsweise 64 US-Dollar. Die Synchronisation deckt über 140 Sprachen ab. Eine Minute Dubbing mit Lippensynchronisation verbraucht 240 Credits, ohne Lippensynchronisation 120.
• HeyGen: Creator kostet 29 US-Dollar im Monat mit 600 Credits, Pro 49 US-Dollar mit 1.000 Credits, Business 149 US-Dollar plus 20 US-Dollar je Arbeitsplatz mit 1.500 Credits. Im Jahresabo sinkt Creator auf rund 24 und Pro auf rund 41 US-Dollar. Eine Minute Videoübersetzung mit Lippenanpassung kostet 6 Credits im Standardmodus und 10 Credits im Präzisionsmodus. Der Anbieter nennt 175 Sprachen und Dialekte.
• Rask AI: Creator kostet laut Preisseite 39 US-Dollar im Monat, im Jahresabo 28 US-Dollar pro Monat bei 300 Minuten im Jahr. Creator Pro liegt bei 99 US-Dollar monatlich oder 67 US-Dollar im Jahresabo mit 1.200 Minuten im Jahr (Stand 13. Oktober 2026). Die Lippensynchronisation ist erst ab Creator Pro dabei. In der Standardvariante verbraucht sie eine Minute Kontingent je Videominute, in der verbesserten Beta-Variante drei Minuten. Der Anbieter nennt über 135 Zielsprachen und Stimmklone in 32 Sprachen.
• Descript: Der Hobbyist-Tarif kostet 24 US-Dollar im Monat, im Jahresabo 16 US-Dollar. Creator liegt bei 35 beziehungsweise 24 US-Dollar, Business bei 65 beziehungsweise 50. Übersetzung und die Blickkontakt-Korrektur sind ab Hobbyist begrenzt und ab Creator voll nutzbar, muttersprachlich klingende Sprecherstimmen für die Synchronisation gibt es erst im Business-Tarif.

Werkzeuge nur für die Lippenanpassung

Diese Gruppe übersetzt nichts. Sie bekommt ein Video und eine fertige Tonspur und rechnet ausschließlich den Mund neu. Für Studios und alle, die Übersetzung und Sprecher selbst in der Hand behalten wollen, ist das der passende Zuschnitt.

• sync.so: Abgerechnet wird nach Sekunden erzeugten Videos. Hobbyist kostet 5 US-Dollar im Monat bei 0,05 US-Dollar je Sekunde und maximal einer Minute Cliplänge, Creator 19 US-Dollar bei fünf Minuten, Growth 49 US-Dollar bei 0,0475 US-Dollar je Sekunde und zehn Minuten, Scale 249 US-Dollar bei 0,04 US-Dollar je Sekunde und dreißig Minuten. Fünf Cent pro Sekunde entsprechen drei US-Dollar für eine Videominute.
• D-ID und Colossyan: Beide bedienen vor allem Avatar-Videos für Schulung und interne Kommunikation und bringen die Lippenanpassung dort mit. Die Preisseiten laden ihre Tarife per Skript nach, deshalb steht hier bewusst keine Zahl.
• CapCut: Der Videoeditor hat eine eigene Lip-Sync-Funktion mit 13 Sprachen und über 1.000 Stimmen. Die Abopreise schwanken je nach Region und Aktion erheblich, eine belastbare Euro-Angabe ließ sich im August 2026 nicht ermitteln. Der Betrag im Bezahlvorgang ist maßgeblich.
• Kling: Seit Version 2.6 erzeugt das Modell Bild und Ton gemeinsam samt passender Mundbewegung. Das ist eher für neu generierte Clips gedacht als für vorhandenes Kameramaterial. Der Überblick zu KI-Videogeneratoren ordnet diese Gattung ein, ebenso wie Runway.

Was die freien Modelle leisten

Wav2Lip und LatentSync stehen quelloffen zur Verfügung und kosten keine Lizenzgebühr. Der Preis wird an anderer Stelle bezahlt. Beide brauchen eine Grafikkarte mit reichlich Speicher, eine funktionierende Python-Umgebung und Geduld beim Einrichten. Für Version 1.5 von LatentSync gibt der Entwickler einen Bedarf von 20 Gigabyte Grafikspeicher beim Training an. Wer ohnehin eine Arbeitsstation mit starker GPU hat, regelmäßig große Mengen verarbeitet und die Daten aus Datenschutzgründen im Haus behalten muss, fährt damit auf Dauer günstiger. Für drei Videos im Jahr lohnt der Aufbau nicht.

Was kostet eine Minute wirklich?

Die Monatspreise sagen wenig, weil jeder Anbieter anders zählt. Aussagekräftig ist der Preis je fertiger Videominute, und der fällt sehr unterschiedlich aus.

• HeyGen Pro: 49 US-Dollar für 1.000 Credits ergeben bei 6 Credits je Minute rund 166 Minuten, also etwa 0,30 US-Dollar pro Minute. Im Präzisionsmodus mit 10 Credits sind es 100 Minuten und rund 0,49 US-Dollar.
• sync.so: 3 US-Dollar pro Minute im Einstiegstarif, im Scale-Tarif 2,40 US-Dollar.
• Rask AI Creator Pro: 99 US-Dollar für 100 Minuten im Monat entsprechen rund 0,99 US-Dollar pro Minute (Stand 13. Oktober 2026). Mit der verbesserten Lippensynchronisation zählt jede Videominute dreifach, damit steigt der Satz auf rund 3 US-Dollar.
• Reine Tonübersetzung zum Vergleich: ElevenLabs berechnet für die zweite Generation seiner Synchronisation 2,20 US-Dollar je Minute, für die erste Generation 0,33 US-Dollar mit und 0,50 US-Dollar ohne Wasserzeichen.

Die eigentliche Kostenfalle liegt woanders. Ein Ergebnis, das im Vorschaufenster gut aussieht, muss geprüft, an mehreren Stellen neu gerechnet und im Schnittprogramm zusammengesetzt werden. Diese Arbeitszeit schlägt bei jedem seriös kalkulierten Projekt schwerer zu Buche als die Rechenkosten. Wer mit dem Listenpreis kalkuliert, kalkuliert falsch.

Wie viel Nachbearbeitung musst du einplanen?

Der Rohdurchlauf ist in Minuten fertig, die Freigabe dauert erheblich länger. Diese Schritte fallen fast immer an.

• Übersetzung prüfen: Fachbegriffe, Produktnamen, Zahlen und Maßeinheiten kontrolliert eine Person, die die Zielsprache wirklich spricht.
• Aussprache korrigieren: Eigennamen, Abkürzungen und Markennamen spricht eine synthetische Stimme häufig falsch aus, solange niemand eingreift.
• Timing anpassen: Deutsche Sätze sind gegenüber englischen deutlich länger. Wird der Text nicht gekürzt, hetzt die Stimme oder das Bild steht still am Satzende.
• Einzelne Passagen neu rechnen: Meist sind es wenige Sekunden mit Kopfdrehung oder Lachen, die auffallen. Diese Stellen bleiben besser im Original oder werden gegen eine Zwischeneinstellung geschnitten.
• Zusammensetzen: Originalbild und synchronisierte Abschnitte werden im Schnittprogramm gemischt, Tonpegel und Raumklang angeglichen.

Als Faustregel für die Planung gilt, dass die Kontrolle eines Ergebnisses mehr Zeit kostet als seine Erzeugung. Je nach Anspruch kann die Nachbearbeitung eines kurzen Videos einen guten Teil eines Arbeitstags beanspruchen. Bei Serien mit gleichbleibendem Setting sinkt der Aufwand mit der Zeit, weil Glossar, Stimmeinstellungen und Schnittvorlage dann stehen.

Wer muss zustimmen, bevor du ein Gesicht synchronisierst?

Sobald eine erkennbare Person im Bild ist, gilt das Recht am eigenen Bild aus den Paragrafen 22 und folgende des Kunsturhebergesetzes. Verbreiten und öffentlich zeigen darf man ein Bildnis grundsätzlich nur mit Einwilligung der abgebildeten Person. Eine Einwilligung für den Dreh deckt die spätere Veränderung des Materials nicht automatisch mit ab. Wer ein Video eines Mitarbeiters aus dem Jahr 2023 heute in fünf Sprachen lippensynchron ausspielt, braucht dafür eine neue Freigabe.

Für die Stimme gibt es keine eigene Norm, sie fällt unter das allgemeine Persönlichkeitsrecht. Wie ernst das genommen wird, zeigt eine Entscheidung des Landgerichts Berlin II vom 20. August 2025 (Aktenzeichen 2 O 202/24). Ein Youtuber hatte zwei satirische Videos mit einer KI-Stimme unterlegt, die der eines professionellen Synchronsprechers zum Verwechseln ähnlich war. Das Gericht sah darin eine Verletzung des allgemeinen Persönlichkeitsrechts, behandelte die KI-Stimme rechtlich wie die Nachahmung durch einen menschlichen Stimmenimitator und sprach dem Sprecher 4.000 Euro zu, 2.000 Euro je Video als fiktive Lizenzgebühr. Die Berufung auf Satire trug nicht, weil die Nutzung wirtschaftlichen Zwecken diente. Es handelt sich um eine erstinstanzliche Einzelfallentscheidung, eine höchstrichterliche Klärung steht aus.

Eine belastbare Einwilligung nennt konkret, worum es geht. Sinnvoll sind Angaben zum Zweck, zu den Zielsprachen, zu den Kanälen, auf denen das Ergebnis läuft, zur Dauer der Nutzung und dazu, ob die Stimme geklont werden darf. Ein Widerrufsrecht gehört dazu, ebenso eine Regelung für den Fall, dass die Person das Unternehmen verlässt. Bei Beschäftigten kommt hinzu, dass eine Einwilligung im Arbeitsverhältnis freiwillig sein muss.

Datenschutzrechtlich verlässt jedes hochgeladene Video den eigenen Rechner. Gesicht und Stimme sind personenbezogene Daten, und die meisten Anbieter sitzen außerhalb der EU. Für den beruflichen Einsatz braucht es deshalb einen Vertrag zur Auftragsverarbeitung nach Artikel 28 der Datenschutz-Grundverordnung und eine Prüfung, wohin die Daten fließen.

Was schreibt Artikel 50 der KI-Verordnung vor?

Die Transparenzpflichten der europäischen KI-Verordnung gelten seit dem 2. August 2026. Ein lippensynchron bearbeitetes Video einer echten Person ist ein Deepfake im Sinne der Verordnung, denn es handelt sich um KI-erzeugte oder manipulierte Bild- und Toninhalte, die realen Personen ähneln und fälschlicherweise als echt erscheinen könnten. Die Europäische Kommission hat am 20. Juli 2026 Leitlinien dazu veröffentlicht.

Wen die Pflicht trifft

Artikel 50 Absatz 4 nimmt die Betreiber in die Pflicht, also jede natürliche oder juristische Person, die ein KI-System in eigener Verantwortung einsetzt. Das umfasst Produzenten von Bild-, Ton- und Videoinhalten ebenso wie die nachgelagerten Verwerter. Wer ein synchronisiertes Video auf seiner Website, im Kundenportal oder auf Social Media ausspielt, ist gemeint. Anbieter der Systeme trifft nach Absatz 2 zusätzlich die Pflicht, Ausgaben maschinenlesbar zu markieren, etwa über Wasserzeichen oder Metadaten. Systeme, die vor dem 2. August 2026 in Verkehr gebracht wurden, haben dafür bis zum 2. Dezember 2026 Zeit. Rein private Nutzung fällt nicht darunter.

Wie die Kennzeichnung aussehen muss

Verlangt wird eine klare und eindeutige Offenlegung spätestens bei der ersten Konfrontation mit dem Inhalt. Ein starres Format schreibt die Verordnung nicht vor. Naheliegend ist ein sichtbarer Hinweis im Bild, zu Beginn und im Abspann, in der Sprache des Inhalts, mit einer Formulierung wie „Dieses Video wurde mit KI bearbeitet“. Bei digital bereitgestellten Inhalten darf der Hinweis auch außerhalb des Bildes stehen, etwa in der Oberfläche des Players. Nicht ausreichend sind ein Vermerk in den Metadaten, ein Satz in den Nutzungsbedingungen oder eine Zeile im Impressum.

Welche Ausnahmen gelten

Drei Fälle sind erleichtert oder ausgenommen. Bei offensichtlich künstlerischen, kreativen, satirischen oder fiktionalen Werken genügt ein Hinweis, der den Genuss des Werks nicht beeinträchtigt, etwa im Vorspann. Rein technische Verbesserungen ohne Änderung der Aussage bleiben außen vor, dazu zählen Lichtkorrektur, Hintergrundbearbeitung und Tonoptimierung. Eine Lippenanpassung fällt nicht darunter, weil sie die dargestellte Äußerung selbst verändert. Dritter Fall ist die Verwendung durch Strafverfolgungsbehörden. Verstöße gegen die Transparenzpflichten können mit bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes geahndet werden, je nachdem, welcher Betrag höher ist.

Ein wichtiger Punkt geht in der Debatte oft unter. Die Kennzeichnung ersetzt keine Einwilligung. Ein korrekt beschriftetes Video, das ohne Zustimmung der abgebildeten Person entstanden ist, bleibt eine Persönlichkeitsrechtsverletzung. Parallel arbeitet das Bundesjustizministerium an einem Gesetz gegen digitale Gewalt, dessen Entwurf vom Frühjahr 2026 einen neuen Straftatbestand für die Verbreitung täuschend echter Inhalte vorsieht. Der Entwurf befindet sich im Gesetzgebungsverfahren und ist noch nicht geltendes Recht.

Wem gehören die Rechte an der Vorlage?

Die dritte Rechtsebene wird am häufigsten übersehen. Ein Video ist in aller Regel urheberrechtlich geschützt, entweder als Filmwerk oder als Laufbild. Wer es bearbeitet, greift in dieses Recht ein. Paragraf 23 des Urheberrechtsgesetzes erlaubt die Veröffentlichung und Verwertung einer Bearbeitung nur mit Zustimmung des Urhebers. Bei einem Video, das eine Agentur produziert hat, entscheidet der Vertrag darüber, ob die Bearbeitungsrechte mit übertragen wurden.

Dazu kommen die Rechte der ausübenden Künstler aus den Paragrafen 73 und folgende. Eine Schauspielleistung ist geschützt, und die Neuberechnung des Mundes verändert genau diese Leistung. Bei fremdem Material aus dem Netz reicht deshalb weder die Erlaubnis der abgebildeten Person noch ein Quellenhinweis. Musik, Grafiken und Bildmarken im Video haben zusätzlich eigene Rechteinhaber. Für den betrieblichen Alltag heißt das, dass eigenes Material mit sauber geregelten Rechten der einzige unkomplizierte Ausgangspunkt ist.

Wofür lohnt sich der Aufwand?

Es gibt einen klaren Kernbereich, in dem die Technik heute tragfähige Ergebnisse liefert.

• Schulung und Einarbeitung: Unterweisungen, Softwareeinführungen und Onboarding-Videos für Standorte in mehreren Ländern. Frontale Sprecheraufnahme, sachlicher Ton, hohe Wiederverwendung.
• Interne Kommunikation: Quartalsansprachen und Statusmeldungen an internationale Teams, bei denen Tempo wichtiger ist als Politur.
• Produkterklärung und Support: Anleitungen und Hilfevideos, die in vielen Sprachen gebraucht werden und regelmäßig aktualisiert werden müssen.
• Kurzformate für Social Media: Bei kleiner Darstellung auf dem Telefon fallen feine Artefakte kaum auf.
• Barrierefreiheit und Reichweite: Zusätzliche Sprachfassungen, die sonst aus Budgetgründen gar nicht entstünden.

Wann vertonst du besser klassisch?

In diesen Fällen ist der professionelle Weg über Sprecher und Studio die bessere Entscheidung, unabhängig vom Preis.

• Werbung und Markenauftritt: Ein Spot läuft auf großen Bildschirmen und wird oft gesehen. Jeder Fehler an der Kinnlinie wird dort zum Thema.
• Fiktion und Schauspiel: Timing, Pausen und emotionale Färbung sind die eigentliche Leistung, und genau die bildet ein tongesteuertes Modell nicht ab.
• Rechtlich verbindliche Inhalte: Medizinische Aufklärung, Finanzprodukte, Sicherheitsunterweisungen mit Nachweispflicht. Ein Übersetzungsfehler in einer Dosierungsangabe ist kein Schönheitsproblem.
• Auftritte Dritter: Kundenstimmen, Interviewpartner und Prominente. Der Rechteklärungsaufwand übersteigt die Ersparnis.
• Material in schlechter Qualität: Archivaufnahmen und Handyvideos liefern selten ein vorzeigbares Ergebnis.

Wie prüfst du ein Ergebnis vor der Veröffentlichung?

Sieben Prüfungen decken nach unserer Einschätzung den größten Teil der Probleme ab und lassen sich als feste Abnahmeliste führen.

• Vollbild statt Vorschaufenster: Artefakte, die im kleinen Fenster verschwinden, sind auf einem großen Monitor deutlich sichtbar.
• Mund vergrößert ansehen: Drei Stellen im Video anhalten und auf 200 Prozent zoomen. Zähne, Zungenspitze und Maskenkante beurteilen.
• Ton aus: Nur das Bild ansehen. Wirkt die Mundbewegung ohne Ton unnatürlich, hilft auch der beste Ton nicht.
• Bild aus: Nur zuhören. Eigennamen, Zahlen, Fachbegriffe und Betonung fallen ohne Bild sofort auf.
• Lippenschlüsse prüfen: Eine Passage mit vielen p, b und m Einzelbild für Einzelbild durchgehen. Geht der Mund dort nicht wirklich zu, ist die Stelle unbrauchbar.
• Muttersprachliche Gegenprüfung: Eine Person, die die Zielsprache spricht, sieht das Video einmal komplett.
• Formalien abhaken: Kennzeichnung im Bild vorhanden, Einwilligung dokumentiert, Rechte an der Vorlage geklärt, Original und Skript archiviert.

Welcher Weg passt zu welchem Vorhaben?

Die Entscheidung hängt an drei Fragen, nämlich daran, ob überhaupt ein Mund im Bild ist, wie oft das Material genutzt wird und wie sichtbar der Auftritt ist.

• Kein Gesicht im Bild: Reine Tonübersetzung. Günstigster Weg, keine Bildmanipulation, keine Deepfake-Kennzeichnung.
• Eigene Sprecheraufnahme, viele Sprachen: Komplettwerkzeug mit Übersetzung, Stimme und Lippenanpassung, dazu eine feste Prüfschleife.
• Eigene Übersetzung und eigener Sprecher vorhanden: Ein reines Lippensynchronisations-Werkzeug mit Sekundenabrechnung.
• Große Mengen und strenger Datenschutz: Offenes Modell auf eigener Hardware, sofern die technische Betreuung im Haus ist.
• Werbung, Fiktion, sensible Themen: Sprecher und Studio.
• Fremdes Material: Erst die Rechte klären, dann über die Technik nachdenken.

Die Technik ist an dem Punkt angekommen, an dem sie einen klar umrissenen Alltagsfall gut löst, nämlich die frontale Sprecheraufnahme in vielen Sprachen. Außerhalb dieses Rahmens wächst der Nachbearbeitungsaufwand schneller als der Nutzen. Wer das Verfahren dort einsetzt, wo es passt, und die Einwilligung sowie die Kennzeichnung von Anfang an mitdenkt, spart Geld, ohne sich rechtliche Probleme einzuhandeln.