„Du drückst nicht auf den KI-Knopf und fertig“

Audio Innovation Lab ist ein blutjunges Startup, das Filme per KI synchronisiert. Die Branche zittert.

Das Gespräch hat keine Minute gedauert. Es war gerade möglich, seinen Namen zu hinterlassen und das Thema anzutippen, dann kam ein klares: „Sie können sich ja denken, was wir davon halten“ – und schon war die Verbindung mit Hinweis auf einen übervollen Terminkalender wieder unterbrochen.

Die Rede ist von einer Agentur, die Synchronsprecher vermittelt und ganze Produktionen übernimmt. Die für Angelina Jolie genauso wie Brad Pitt eine Stimme in der Datei bereithält, die Schauspieler vors Mikrofon holt und die Produktion übernimmt. So einer galt der Anruf – und die Frage war: „Was halten Sie eigentlich von KI?“ Und ja, wir können uns die Antwort denken.

Ich sitze im ehemaligen EMI-Studio in Köln, hier wurden mal Platten aufgenommen und abgemischt, hier gaben sich Bosse, die über Star-Karrieren entschieden, die Hand. Eine raumeinnehmende Stahltür, die nicht den Tresor, sondern die Bar verbirgt, zeugt noch heute von den Glanzzeiten des Studios. Inzwischen steht auch dort nur eine Kaffeemaschine und der Cappuccino schmeckt, wie Cappuccino aus solchen Maschinen eben schmeckt. Aber darum geht es nicht: In diesen historischen Räumen hat sich seit ein paar Monaten ein blutjunges Startup eingenistet. Audio Innovation Lab hat sich ebenfalls Historisches vorgenommen: Es baut die KI in die Filmproduktion ein. Genauer: Die KI ersetzt den Synchronsprecher oder die -sprecherin.

Ich habe mich vor dem Besuch schlauer gemacht, habe gewälzt, was es da für Firmen gibt. Der eine oder andere ist auf dem Markt, aber bisher hat es niemand gemerkt. „In der sich wandelnden Landschaft der Erstellung von Audio-Video-Inhalten steht die Synchronisationsbranche an einem Scheideweg zwischen Tradition und Innovation“, heißt ein staatstragender Satz auf irgendeiner Website. Scheideweg heißt auf gut startup-deutsch: Der Branche steht die Disruption ins Haus.

Netflix, Amazon und Disney bringen seit Jahren das Kino auf die Wohnzimmercouch. Mit der wachsenden Zahl von Zuschauern weltweit steigt die Nachfrage nach synchronisierten Inhalten. KI-Synchronisation verspricht Effizienz und Skalierbarkeit. Der Preis für die „Méthode traditionelle“, wie der Champagnerhersteller sagen würde, hängt von Sprache, Bekanntheitsgrad der Sprecher und Komplexität des Projekts ab: 50 bis 350 Euro pro Minute berechnen die Studios.

Stefan Sporn ist einer der Gründer des Audio Innovation Lab. „Der Mensch wird nicht ersetzt“, sagt er. Es brauche vielleicht eben bloß einen, statt vier Menschen, um eine Produktion über die Bühne zu bringen. Die Kosten lägen um 20 bis 50 Prozent unter denen der herkömmlichen Methode. Der Mann ist nicht nur ein Rechner, sondern auch ein Rechtsprofessor, hat mal über Filmrechte im Auftrag von RTL verhandelt. Das hat den Vorteil, dass das, was sein Startup macht, nebenbei auch mit Blick auf Persönlichkeits- und Urheberrechte sauber ist. „Aber du drückst“, sagt Stefan jetzt, „nicht einfach auf den KI-Knopf und fertig.“

Trotzdem drückt er jetzt auf den Knopf. Ein Dokumentarfilm über die Entstehung der Kontinente erscheint auf einem der Großbildschirme hier. Man kennt das ja: Gänsehautsprache, Gänsehautbilder, Feuer, Wasser, Kontinentalmassen schieben sich auseinander, 90 Sekunden. Fertig. Dann die zweite Fassung, die gleichen Bilder, noch mehr Gänsehautsprache. Und fertig. Welches war die mit Mensch und welches die mit Maschine synchronisierte Fassung? Ich tippe zielsicher voll daneben. Die emotionsgeladenere, die, in der nicht ständig die letzte Silbe verschluckt war – das ist die KI-Fassung.

Die jüngsten Entwicklungen im Bereich der künstlichen Intelligenz haben zu einem verstärkten Interesse an sogenannter Emotions-KI geführt. Laut eines Berichts von PitchBook wird diese Technologie, eine Weiterentwicklung der Sentiment-Analyse, zunehmend integriert. Emotions-KI nutzt Sensoren in Kombination mit maschinellem Lernen und Psychologie, um Emotionen aus visuellen und akustischen Eingaben zu interpretieren. Große Cloud-Anbieter wie Microsoft Azure und Amazon Web Services bieten bereits entsprechende KI-Funktionen an, um Entwicklern die Integration von Emotionserkennung in ihre Anwendungen zu erleichtern.

KI kann keine Emotionen? Ich weiß jetzt, dass das nicht stimmt. Wahrscheinlich könnte ich mich sogar in eine KI verlieben. Das Argument der Synchronsprecher, dass nur echte Menschen echte Menschen nachsprechen können, die KI dagegen nur imitiert, entkräftet Stefan mit einem einfachen Argument: Auch der Synchronschauspieler imitiert nur. Sowie alle Schauspieler eigentlich nur etwas nachmachen, was nicht sie selbst sind. Das Entscheidende, was für seine Methode spricht, ist allerdings das: Die KI hört sich an, wie der echte Schauspieler. Angelina Jolie spricht in allen Sprachen wie Angelina Jolie und nicht wie beispielsweise Claudia Urbschat-Mingues, die den Star ansonsten auf der Leinwand deutsch sprechen lässt.

Ich schaue nochmal in die Gebrauchsanweisung: KI schafft noch mehr. Breites Experimentieren mit mehreren Sprachen und Dialekten ist möglich, wodurch die Reichweite des Publikums potenziell vergrößert werden kann. „Es demokratisiert die Lokalisierung von Audio- und Videoinhalten und ermöglicht es Urhebern, ihre Arbeit unabhängig von Budgetbeschränkungen mit einem globalen Publikum zu teilen“, lautet noch so ein staatstragender Satz, hinter dem dann auch noch das Schlagwort von der „kulturellen Authentizität“ lauert. Es gibt ja solche Moden.

Ich klappe den Laptop zu und schaue weiter den KI-Film. „Geil“, denke ich, habe wieder was von der Zukunft gesehen.