Wie erzeugt iFlytek digitale Menschen aus einem Foto?

Digitale Menschen brauchten bisher ein Kamerastudio, rund zwei Stunden Videoaufnahme und tagelanges Training. Der chinesische KI-Konzern iFlytek erzeugt denselben Avatar jetzt aus einem einzigen Foto, in Echtzeit statt aus vorab gedrehtem Material. Für Marketing- und IT-Entscheider verschiebt sich damit weniger die Technik als die Frage, woran ein Kunde künftig noch einen echten Menschen erkennt.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

Auf einer Bühne in Peking führte iFlytek Ende Juli vor, wie aus einem Porträtfoto binnen Sekunden ein sprechender, gestikulierender Avatar wird. Das Unternehmen nennt die Technik superrealistische Echtzeit-Generierung und stellt sie in eine Reihe mit den KI-Modellen, die derzeit im Wochentakt aus China kommen.

Das Wichtigste in Kürze

iFlytek erzeugt digitale Menschen aus einem einzigen Foto, in Echtzeit statt aus vorab gedrehtem Video
Der Wechsel von der Echtzeit-Steuerung zur Echtzeit-Generierung ersetzt rund zwei Stunden Studioaufnahme und ein langes Training
Die Avatare beherrschen 37 Sprachen, senden rund um die Uhr und übernehmen Beratung, Marketing und Schulung
In der EU fällt ein solcher Avatar seit dem 2. August 2026 unter die Kennzeichnungspflicht des KI-Gesetzes (Artikel 50)

Was können iFlyteks digitale Menschen?

Miniaturfigur einer Frau mit Seil tritt aus einem zerrissenen Passfoto auf weißem Grund — iFlytek erstellt digitale Avatare aus einem einzelnen Porträtfoto statt aus aufwendigen Videoaufnahmen und ermöglicht damit unterbrechungsloses Senden rund um die Uhr

Ein Foto genügt. Am Anfang eines digitalen Menschen stand bisher ein Dreh: rund zwei Stunden Videoaufnahme einer realen Person, danach ein langes Training des Modells. iFlytek verspricht denselben Avatar aus einem einzigen Porträtfoto und lässt ihn ohne Unterbrechung rund um die Uhr senden.^[1]

Mehr Körper. Die neue Generation spricht nach Angaben des Anbieters 37 Sprachen und beherrscht Mimik, Lippenbewegung und Gesten so weit, dass die Figur Gegenstände greift, trinkt, singt und tanzt. Im Einsatz sind iFlyteks Avatare bereits im Schauraum eines Mobilfunkanbieters in Kenia, an der Zoll- und Einwanderungsbehörde in Abu Dhabi und am Flughafen Bangkok. Dass China die Bildsynthese im Rekordtempo vorantreibt, zeigt auch MiniMax mit seinem Videomodell H3.

Vom Studio zum Server. Für Unternehmen zählt vor allem der Wegfall der Produktionsstrecke. Wo früher Studio, Schauspieler und Renderfarm nötig waren, reichen nun ein Foto und ein Sprachbefehl, um einen Avatar in einen Verkaufsberater, einen Schulungsleiter oder einen Markenbotschafter zu verwandeln. Dieselbe Skalierung treibt auch westliche Anbieter wie Synthesia und HeyGen.

Warum ersetzt Generierung die Steuerung?

Kein Mensch im Hintergrund. Der eigentliche Bruch steckt im Wechsel von der Steuerung zur Generierung. Bei der bisherigen Echtzeit-Steuerung führte im Hintergrund ein realer Mensch oder eine aufgezeichnete Vorlage den Avatar wie eine Marionette. Die Generierung erzeugt Stimme, Mimik und Bewegung direkt aus dem Modell, ohne Vorlage und ohne Bediener.

Kosten kippen. Damit fällt der teuerste Teil der Produktion weg, der Mensch vor und hinter der Kamera. Der Markt dahinter wächst entsprechend: Chinas Geschäft mit digitalen Menschen legte laut Branchenschätzungen von rund 1,3 Milliarden Euro im Jahr 2021 auf etwa 7,0 Milliarden Euro 2025 zu und soll bis 2030 auf gut 19,8 Milliarden Euro klettern.^[1]

Alte Bekannte. Neu ist der Wettlauf nicht. Baidu, SenseTime und Alibaba bauen seit Jahren an eigenen Avataren, und im Werbegeschäft betreibt iFlytek für den Spirituosenhersteller Luzhou Laojiao bereits einen digitalen Markenbotschafter, der über 30 Millionen Mitglieder betreut. Mit Vast mischt zudem ein weiteres chinesisches KI-Einhorn die 3D-Avatar-Szene auf. Ob ein solcher Avatar Vertrauen schafft oder kostet, bleibt offen, denn im B2B-Marketing schlägt echter Film oft den KI-Clip.

Ein Avatar aus einem einzigen Foto ist Effizienzgewinn und Vertrauensproblem zugleich. Ohne Kennzeichnung verkauft ein Anbieter seinen Kunden heimlich eine Fälschung.
— Markus Seyfferth, Chefredakteur Dr. Web

Digitale Menschen aus einem Foto: iFlyteks Zahlen

Was der Sprung zur Echtzeit-Generierung bewegt

1 Foto

statt zwei Stunden Studio

Ein Porträtfoto ersetzt Videoaufnahme und langes Training

37 Sprachen

rund um die Uhr im Einsatz

Ein Avatar bedient Beratung, Marketing und Schulung weltweit

7,0 Mrd. €

Chinas Markt 2025

Geschäft mit digitalen Menschen, 54,4 Mrd. Yuan (Branchenschätzung)

19,8 Mrd. €

Prognose für 2030

erwartetes Marktvolumen, 153,4 Mrd. Yuan (Schätzung)

2. Aug. 2026

EU-Kennzeichnungspflicht

Seit diesem Stichtag greift Artikel 50 der KI-Verordnung

Was bedeutet der digitale Mensch für DACH-Unternehmen?

Kennzeichnung ist Pflicht. Seit dem 2. August 2026 greift in der EU Artikel 50 der KI-Verordnung. Der Artikel verlangt, dass Anbieter künstlich erzeugte oder manipulierte Bild-, Ton- und Videoinhalte maschinenlesbar als KI-Ausgabe markieren und dass Nutzer erfahren, wenn sie mit einer KI sprechen statt mit einem Menschen.^[2]

Genau dieser Fall. Ein hyperrealistischer Avatar, der in Echtzeit antwortet und vom echten Menschen kaum zu unterscheiden ist, trifft beide Pflichten zugleich: die Deepfake-Kennzeichnung und die Offenlegung der KI-Interaktion. Dieselbe Technik, die den Kundenservice verschlankt, senkt zugleich die Schwelle für Stimm- und Video-Betrug. Wie sehr die Grenze zwischen Aufnahme und Synthese verschwimmt, führt OpenAIs Sora 2 im Videobereich gerade vor.

Drei To-dos. Für Unternehmen im deutschsprachigen Raum ergeben sich klare Schritte. Jeder KI-Avatar im Marketing oder Service braucht ein sichtbares Label und eine technische Markierung im Ausgabestrom. Verträge mit Avatar-Dienstleistern sollten festhalten, wessen Gesicht und Stimme das Modell nutzt und wie die Einwilligungen dokumentiert sind. Und die Personalisierung per Foto verlangt eine Datenschutz-Folgenabschätzung nach DSGVO, sobald biometrische Merkmale ins Spiel kommen.

FAQ: digitale Menschen von iFlytek

Was ist iFlyteks Echtzeit-Generierung digitaler Menschen?

iFlytek erzeugt einen sprechenden, bewegten Avatar aus einem einzigen Porträtfoto, in Echtzeit und ohne vorab gedrehtes Video. Vorgestellt hat der KI-Konzern die Technik Ende Juli 2026 in Peking. Die Figur beherrscht Mimik, Lippenbewegung und Gesten und sendet rund um die Uhr.

Wie unterscheidet sich Generierung von der Echtzeit-Steuerung?

Bei der Echtzeit-Steuerung führte ein realer Mensch oder eine Aufzeichnung den Avatar wie eine Marionette. Die Generierung erzeugt Stimme, Mimik und Bewegung direkt aus dem Modell, ohne Vorlage und ohne Bediener. Damit fallen rund zwei Stunden Studioaufnahme und ein langes Training weg.

Welche Sprachen und Funktionen beherrschen die Avatare?

Nach Angaben von iFlytek sprechen die digitalen Menschen 37 Sprachen und greifen Gegenstände, trinken, singen und tanzen. Im Einsatz sind sie unter anderem im Schauraum eines Mobilfunkanbieters in Kenia, an der Zollbehörde in Abu Dhabi und am Flughafen Bangkok.

Müssen KI-Avatare in der EU gekennzeichnet werden?

Ja. Seit dem 2. August 2026 verlangt Artikel 50 der KI-Verordnung, dass künstlich erzeugte Bild-, Ton- und Videoinhalte maschinenlesbar markiert werden und dass Nutzer erfahren, wenn sie mit einer KI statt mit einem Menschen sprechen. Ein hyperrealistischer Avatar trifft beide Pflichten.

Welche Risiken bringen hyperrealistische digitale Menschen?

Ein Avatar, der vom echten Menschen kaum zu unterscheiden ist, senkt die Schwelle für Stimm- und Video-Betrug. Für den Einsatz im Marketing und Service kommen Kennzeichnungspflicht, DSGVO-Folgenabschätzung bei biometrischen Daten und geklärte Rechte an Gesicht und Stimme hinzu.