D-ID

Was ist D-ID?

D-ID ist eine KI-basierte Plattform für digitale Avatare, die sich an Unternehmen im Bereich Schulung, Marketing, Kundenservice sowie an Entwickler richtet. Die Nutzer können vorgefertigte Avatare auswählen, eigene Fotos hochladen oder Videos aufnehmen, um so ihren eigenen digitalen Avatarm zu erstellen. Anschließend können sie Skripte eingeben, eine Stimme auswählen oder Audiodateien hochladen – dadurch entstehen Präsentationsvideos mit Mundbewegungen und Gesichtsausdrücken.

Das Produkt hat sich von der ursprünglichen Idee, „Bilder zum Sprechen zu bringen“, zu einer vollständigen Infrastruktur für digitale Avatare entwickelt – einschließlich Creative Reality Studio, Avatare von V2 bis V4, Stimmenklonierung, Videoübersetzung, personalisierte Videokampagnen, Echtzeit-Visual Agents, REST API sowie Browser-Agent-SDKs.

Bilder sprechen und V2 Avatare

Das V2-Profilbild wird aus einem einzelnen Frontalbild erstellt, die Renderzeit ist kurz – daher eignet es sich für häufige, einfache Schulungen, Benachrichtigungen und Erklärungen. Die Nutzer können ihr eigenes Foto hochladen oder vorgefertigte Charaktere auswählen; anschließend kann das Profilbild Texte oder bereits aufgenommene Audiodateien vorlesen.

Einzelbild-Animationen ermitteln anhand des Fotos die Mundform, Kopfbewegungen und Gesichtsausdrücke; es können Verzerrungen der Zähne, der Gesichtskonturen, der Haare sowie von Accessoires auftreten. Zum Hochladen von Personenfotos ist eine Genehmigung erforderlich, und sie dürfen nicht zur Täuschung oder Irreführung verwendet werden.

V3 Instant Avatars

V3 Instant wird durch ein etwa 1-minütiges Selfie-Video des Nutzers erstellt und ist in der Regel in weniger als 10 Minuten fertig. Es behält den Hintergrund sowie die natürlichen Bewegungen des Originalvideos bei, und es können klonierte Stimmen, synthetisierte Stimmen oder Aufnahmen verwendet werden, um eine Sprachausgabe zu erzeugen – ideal zur schnellen Erstellung von Inhalten, die dem eigenen Aussehen ähneln.

Der Erstellungsprozess erfordert das Vorlesen der Einwilligungserklärung sowie eines zufällig generierten Verifizierungswortes, und es kann eine Stimmenverifizierung durchgeführt werden, um sicherzustellen, dass das Profilbild und die Stimme mit der Zustimmung des Besitzers verwendet werden. Das Instant-Profilbild wird für Videoausgaben verwendet und unterstützt keinen Echtzeit-Visual Agent.

V3 Pro Avatars

Die V3 Pro verwendet hochwertige Aufnahmematerialien, die etwa 3 bis 5 Minuten in Anspruch nehmen; die Bearbeitung dauert etwa 24 Stunden. Dadurch werden realistischere Gesichtsdetails und Bewegungen dargestellt, außerdem ist die Funktion zur Klonierung von Stimmen verfügbar. Eine Aufnahme vor grünem Hintergrund ist möglich, um den Hintergrund zu ersetzen – ideal für Unternehmensdozenten, Markenbotschafter sowie für hochwertige Inhalte.

V3 Pro ist in der Regel für Abonnements der Kategorie Pro oder höher verfügbar und kann für Echtzeit-Visual Agents genutzt werden. Bei der Aufnahme sollten stabiles Licht, klares Audio sowie ein vollständiger Zustimmungsprozess gewährleistet sein – die Qualität der Aufnahmen hat direkten Einfluss auf die Qualität des digitalen Avatars auf lange Sicht.

V4 Expressive Avatars

Durch eine Reihe kurzer Videos, die unterschiedliche Emotionen darstellen, kann V4 je nach Eingabe ruhige, positive oder empathische Emotionen zeigen und dabei die Kohärenz von Stimme, Gesichtsausdruck und Semantik stärken. Es kann für Videos mit hoher Wirkung sowie für Agenten zur realzeitigen Interaktion eingesetzt werden und ist derzeit hauptsächlich für den Unternehmensbereich bestimmt.

Die Emotionsdarstellung bleibt eine künstliche Leistung; es sollte in der Medizin, im Finanzwesen, bei der Krisenkommunikation oder im Kundenservice keine künstliche Empathie sowie fachkundige Beurteilungen vorgegeben werden. Den Nutzern muss klar mitgeteilt werden, dass es sich um eine KI handelt.

Creative Reality Studio

Studio bietet eine visuelle Schnittstelle für die Videoerstellung. Die Benutzer können ein Profilbild und einen Ton auswählen, einen Script eingeben, die Größe und Position des Profilbildes festlegen sowie Hintergründe, Bilder, Videos und Textschichten hinzufügen. Es wird die Exportierung von Untertiteln, das Entfernen von Hintergründen sowie verschiedene Markenstile unterstützt.

Die Standard-Profile haben in den verschiedenen Plänen eine maximale Größe von etwa 1280×1280; Premium Presenter mit der Kennzeichnung HQ können in den Plänen außer Free in 1080p ausgegeben werden.

Die aktuelle Vergleichstabelle erlaubt für ein einzelnes Studio-Video eine Länge von maximal 30 Minuten, doch auf verschiedenen alten Seiten sowie API-Endpunkten kann weiterhin eine Grenze von 5 Minuten angezeigt werden. Entscheidend ist in Wirklichkeit das ausgewählte Profilbild sowie der Ort der Erstellung.

Stimmen, Audio hochladen und Voice Clone

Die Plattform bietet Standard- oder hochwertige Stimmen in über 120 Sprachen und Akzenten. Zudem ist das Hochladen von Audiodateien, Aufnahmen sowie die Einbindung von Stimmen Dritter möglich. Creator beinhaltet 1 Stimmenklon, Business 3, während Enterprise-Angebote je nach Vertrag konfiguriert werden können.

Um eine Stimme zu klonen, ist es notwendig, eine Einwilligungserklärung vorzulesen. Es ist nicht zulässig, Personen ohne Genehmigung, Persönlichkeiten aus dem öffentlichen Leben oder Kunden zu kopieren. Aussprache, Eigennamen und Zahlen müssen weiterhin angehört werden. Für sensible Inhalte sollte eine Alternative mit menschlicher Synchronisation bereitgestellt werden.

Video Translate Videoübersetzung

Video Translate erkennt die Sprache im Originalvideo, übersetzt den Inhalt in die Zielsprache, kloniert die Stimme des Sprechers und synchronisiert die Mundbewegungen neu. Derzeit werden mehr als 30 Ausgangssprachen unterstützt. Creator und Business können Videos bis zu einer Länge von 5 Minuten verarbeiten, während die kostenlose Version maximal etwa 30 Sekunden lang verwendet werden kann.

Die semantische Bedeutung, Eigennamen, Beträge sowie rechtliche Formulierungen im Übersetzten müssen manuell überprüft werden. Einige Lösungen ermöglichen das Herunterladen von SRT-Dateien, sodass Unternehmen einen Proofreading-Prozess hinzufügen können.

Die Schauspieler und Stimmen im Eingabevideo müssen eine Übersetzung und Synthese zulassen.

Visual Agents – Echtzeit-Digitalmenschen

Visual Agents verbinden digitale Avatare mit großen Sprachmodellen, Wissensdatenbanken, Stimmen sowie Echtzeit-Streaming-Diensten, sodass Besucher auf der Website oder in der App direkt mit ihnen sprechen können. Die Nutzer können Sprache, Stimme, Persönlichkeit, Wissen und Aktionen einstellen, um Kundenservice, Selbstbedienungshilfe, Schulungen sowie Produktanleitungen bereitzustellen.

V2, V3 Pro und V4 unterstützen Echtzeit-Agenten; V4 verwendet LiveKit und unterstützt Mikrofon-Eingang sowie einen kontinuierlich flüssigen Modus.

Die Antworten des Agents können fehlerhaft sein; bei Fragen zu Konten, Transaktionen und empfohlenen Maßnahmen mit hohem Risiko müssen Quellen der Informationen, Berechtigungen der Tools, Echtheitsprüfungen sowie Prüfprotokolle festgelegt werden.

Agentic Videos

Agentic Video integriert Agenten in vorgefertigte Videos, sodass Zuschauer während der Wiedergabe Fragen stellen können und von digitalen Avataren beantwortet werden. Creator umfasst derzeit 1 Agenten, Business 3 – geeignet für Schulungen, Verkaufspräsentationen und Produktbeschreibungen.

Video-Kampagnen – personalisierte Videos

Mit Campaigns können personalisierte Videos in großen Mengen erstellt oder versandt werden, wobei für die Video-Seiten das Markenlogo sowie Farben festgelegt werden können. Es eignet sich zur Ansprache von Kunden, zur Begrüßung von Kunden sowie zur Versendung von Einladungen zu Veranstaltungen. Allerdings müssen personenbezogene Daten wie Namen, Firmennamen und Bestellinformationen auf legale Weise verwendet werden, und es muss überprüft werden, ob jede Variable ordnungsgemäß zugeordnet wird.

Kostenloses Angebot

Kostenlos: 0 US-Dollar. Es können monatlich 4 Videos erstellt werden. Zudem stehen 5 Minuten für Kampagnen, Agenten und die API zur Verfügung. Enthalten sind außerdem mehr als 100 Vorlagen für Avatare, 1 Express-Avatar, Standardgeräusche, Standardbearbeitungsfunktionen, API-Anbindungen sowie Zugänge zu Canva, PowerPoint und mobilen Apps.

Free bietet nur eine Lizenz für den persönlichen Gebrauch an; die Videos sind mit dem D-ID-Logo watermarked. Video Translate dauert maximal 30 Sekunden.

Bei einem kostenlosen Konto können die Daten nach einer E-Mail-Benachrichtigung gelöscht werden, wenn es 6 Monate lang nicht genutzt wird.

Preis- und Versionsvergleich

Creator-Preis

Creator kostet derzeit 29 US-Dollar pro Monat; bei jährlicher Zahlung sind es 24 US-Dollar pro Monat. Inklusive sind 45 Minuten pro Monat für die Nutzung in Kampagnen, von Agenten sowie über die API. Auf der entsprechenden Seite wird angegeben, dass unendlich viele Videos erstellt oder übersetzt werden können – doch dies handelt sich um eine möglicherweise ändernde Aktion, und man sollte daraus nicht schließen, dass alle API-Anfragen sowie Live-Sessions unbegrenzt möglich sind.

Creator umfasst 3 Express Avatare, 100 AI-gestützte Erstellungen von Avatare, fortschrittliche Sprachfunktionen, 1 Stimmenklonierung, 1 Agentic Video, schnelle Verarbeitung, watermarkfreie Versionen, Untertitel, Hintergrundentfernung, Übersetzung bis zu 5 Minuten Länge sowie eine Lizenz für kommerzielle Nutzung.

Business-Preise

Der Preis für Business beträgt derzeit 89 US-Dollar pro Monat; bei jährlicher Zahlung sind es 69 US-Dollar pro Monat. Inklusive sind 100 Minuten pro Monat für die Nutzung in Campaigns, Agents und API sowie unbegrenzte Video-Anzeigen im Studio – ebenfalls mit gleicher Zeitbeschränkung.

Business: 5 zusätzliche Express-Avatare, 600 Mal Erstellung von AI-gestützten Avataren, 3 Stimmenklonen, 3 Agentic-Videos, schnellere Verarbeitung, manuelle Inhaltskontrolle, Gold-Support sowie eine Geschäftslizenz – geeignet für Teams mit hoher Aktivitätsrate.

Enterprise-Preis

Enterprise bietet auf Anfrage Konditionen an; es sind V3 Pro- und V4-Profilbilder einstellbar, außerdem mehr Stimmenklonen, personalisierte Wasserzeichen, Teamplätze, SAML/SSO, Unternehmenssicherheit, manuelle Überprüfung, verschiedene Support-Level sowie eine API mit hoher Durchsatzleistung. Für V4-Emotionsprofilbilder und komplexe Echtzeit-Einsatzmöglichkeiten ist in der Regel ein Kontakt zum Vertrieb erforderlich.

Wie wird die Zeit in Minuten berechnet?

Die Dauer des Videos wird auf die nächstgelegenen 15 Sekunden aufgerundet; beispielsweise werden 1 Minute und 10 Sekunden als 1 Minute und 15 Sekunden berechnet. Studio, Agents, Campaign, Video Translate und API teilen sich die Minuten oder erhalten sie nach einem Plan zugewiesen. Die durch die API erzeugten Videos werden vom Guthaben des gleichen Kontos abgezogen.

Die Aktualisierung erfolgt monatlich in Minuten; der nicht genutzte Teil wird nicht angesammelt. Die Abrechnung für Kunden mit Echtzeit-Streaming kann entweder nach einem eigenen Verhältnis oder gemäß dem Vertrag erfolgen – sie lässt sich nicht direkt anhand der Länge der aufgezeichneten Videos berechnen.

Wasserzeichen und AI-Enthüllungen

Free verfügt über das D-ID-Logo, die alte Trial-Version zeigt ein Vollbild-Wasserzeichen; auf den aktuellen Seiten für Creator und Business wird bei der Studio-Ausgabe kein Wasserzeichen angezeigt.

Unternehmen und APIs können die Markenwatermarks je nach Berechtigungen anpassen oder entfernen, doch D-ID betont die Transparenz synthetischer Inhalte – einige Lösungen könnten dennoch allgemeine KI-Markierungen beibehalten.

Das Entfernen des Markenlogos bedeutet nicht, dass die Identität der KI versteckt werden kann. Marketinginhalte, Nachrichten, Kundenservice sowie digitale Avatare müssen gemäß den gesetzlichen Vorschriften und den Regeln der Plattform als synthetische Inhalte gekennzeichnet werden.

D-ID REST API

Die API verwendet Basic-Authentifizierung sowie eine von dem Konto generierte API-Key. Sie umfasst Funktionen wie V2 Talks, V3 Instant Scenes, V3 Pro Clips, V4 Expressive Avatars, Visual Agents, Streaming, Video Translate, Audio-Upload sowie weitere Ressourcen. Die Aufgaben werden in der Regel asynchron eingereicht; man kann den Status abfragen oder die Ergebnisse über Webhooks erhalten.

Temporäre Audiodateien, die über APIs hochgeladen werden, werden in der Regel 24 bis 48 Stunden lang aufbewahrt. Entwickler müssen Schlüssel sicher speichern, Domainnamen und Berechtigungen einschränken, fehlgeschlagene Versuche erneut versuchen, den Inhalt überprüfen sowie die Gültigkeitsdauer der Ergebnis-URLs berücksichtigen; sie dürfen die Schlüssel nicht der Frontend-Schicht zugänglich machen.

Agents SDK und GitHub

D-ID stellt auf GitHub das Agents SDK, Beispielanwendungen, Demonstrationen für Echtzeit-Streaming sowie API-Beispiele zur Verfügung. Im Frontend kann das offizielle Client SDK installiert werden, um bereits erstellte Agenten in Webseiten einzubinden und Methoden wie connect, speak, chat, interrupt sowie die Übertragung von Audiodaten über das Mikrofon zu nutzen.

Das SDK unterstützt V2 Talks, V3 Clips und V4 Expressives; Agenten sowie die Wissensdatenbank selbst sollten über Studio oder die Agents API erstellt werden.

Die Offenlegung der Quellcode für SDK und Demo bedeutet nicht, dass das D-ID-Profilmodell, die Renderdienste sowie die kommerzielle Plattform offen zugänglich sind – auch ist es nicht möglich, den vollständigen Service offline und privat zu bereitstellen.

Canva, PowerPoint und Mobile-Apps

Die kostenlosen sowie kostenpflichtigen Pläne unterstützen die Canva-App, das PowerPoint-Add-in sowie die D-ID-Mobilanwendung. Damit können digitale Avatare in Präsentationen, Designs oder auf dem Handy erstellt oder verwendet werden. Für Abonnements für die Mobilversion muss man sich über den jeweiligen App Store abmelden. Die Preise und Leistungen können von denen auf der Website abweichen.

Kommerzielle Nutzung und Urheberrecht

Creator, Business und Enterprise beinhalten eine Geschäftslizenz; Free ist für private Zwecke.

Die Voraussetzung für eine kommerzielle Nutzung ist, dass der Nutzer die Rechte an den Skripten, Fotos, Audiodateien, Logos und anderen Materialien besitzt sowie die Richtlinien bezüglich der Verwendung von Avataren und Audiodaten einhält.

Die Erstellung von Videos darf nicht zur Täuschung, zum unbefugten Vortäuschen einer Identität, zur politischen Manipulation, zum Betrug oder zu falschen Empfehlungen verwendet werden. Die synthetisierten Inhalte können weiterhin Fehler sowie Ähnlichkeiten mit Inhalten Dritter enthalten; der Veröffentlichende trägt die Verantwortung für die Überprüfung.

Löschung der Verbindung und Löschung des Kontos

Die Abonnementierung der Website kann im Bereich „Billing“ kündigt werden. Die aktuellen Vorteile gelten bis zum Ende des Zahlungszyklus; danach wird das Abonnement auf ein niedrigeres Niveau herabgestuft. Die nicht genutzten Minuten sind nur innerhalb dieses Zyklus gültig.

Mobile Abonnements müssen im App Store oder Google Play verwaltet werden.

Um ein Konto zu löschen, muss man sich an den Support wenden. Dadurch werden die erstellten und übersetzten Videos, die Agents sowie die gespeicherten Daten dauerhaft entfernt – es ist nicht möglich, sie wiederherzustellen. Vor der Durchführung sollten Projektdateien, Untertitel, Agent-Einstellungen sowie Protokolle heruntergeladen werden.

Anleitung zur Verwendung von D-ID

Eine grundlegende Aufgabe erledigen

1. Bestimmen Sie das Publikum, die Plattform, das Format, die Dauer sowie die Informationen, die übermittelt werden müssen;
2. In D-ID werden Skripte, Aufnahmen oder Referenzmaterialien bereitgestellt, die zur Verwendung berechtigt sind;
3. Wählen Sie „Foto sprechen“ und V2 Avatars aus, um eine kostengünstige Vorschau zu erstellen;
4. Verwenden Sie V3 Instant Avatars, um Bild, Rhythmus, Untertitel und Ton anzupassen;
5. Jedes Frame wird auf Personen, Texte, Logos, Mundbewegungen und die Richtigkeit der Fakten überprüft;
6. Nach der Bestätigung der Lizenzen für Musik, Porträts und Materialien wird die Datei in der gewünschten Formatierung exportiert;

Erstellung wiederverwendbarer professioneller Workflows

1. Erstellung von Skripten, Drehbüchern, Markenmaterialien und einer Liste der zu verbietenden Elemente;
2. Einheitliche Parameter für „Speak for Photos“ sowie für V2 Avatars, V3 Instant Avatars und V3 Pro Avatars speichern;
3. Zuerst werden das Modell und die Obergrenze mit repräsentativen Aufnahmen getestet;
4. Fehlerhafte Aufnahmen in eine manuelle Bearbeitung überführen oder neu erstellen;
5. Einheitliche Untertitel, Lautstärke, Farben und Abspann-Copyright-Informationen;
6. Erst nach Erfassung der Version und des Prüfers in Batch veröffentlichen;

Für welche Nutzer geeignet?

• Unternehmen, die Schulungsvideos, Einarbeitungsvideos und Produktbeschreibungsvideos erstellen;
• Marketing-Team, das mehrsprachige digitale Audioinhalte erstellen muss;
• Mitarbeiter, die personalisierte Verkaufsvideos in großen Mengen erstellen;
• Entwickler, die Echtzeit-Visual Agents in Websites und Anwendungen integrieren;
• Kreative, die Fotoanimationen, Stimmenklonierung und Videoübersetzung benötigen.

Vorteile des Produkts

• Von einem einzelnen Bild bis hin zu einer vollständigen, mehrschichtigen V4-Digital-Person mit verschiedenen Emotionen.
• Unterstützung von über 120 Sprachen und mehr als 30 Video-Übersetzungssprachen;
• Studio, Campaign, Agents, Translate und API sind vereint;
• Es ist möglich, persönliche Avatare sowie Stimmen zu erstellen.
• Echtzeit-Streaming, Agents SDK und Webhook zur Verfügung;
• Für Canva, PowerPoint, Web und Mobilgeräte.

Einschränkungen und Hinweise

• Die Minuten werden in Schritten von 15 Sekunden aufgerundet und nicht weitergeführt; am Ende eines Kurzvideos kann es ebenfalls zu einer zusätzlichen Verbrauchszunahme kommen.
• Die sogenannten Infinite Studio-Videos sind derzeit ein zeitlich begrenztes Angebot – Agents, Campaigns und API sind weiterhin auf 45 oder 100 Minuten beschränkt.
• Künstliche Personen weisen unnatürliche Mundbewegungen, Blicke, Zähne und Gesten auf, und Übersetzungen sowie Antworten der Agenten können ebenfalls fehlerhaft sein.
• Alle digitalen Avatare und Stimmen von echten Personen müssen eine klare Genehmigung sowie eine Offenlegung bezüglich der KI erhalten.

Häufige Fragen

Ist D-ID kostenlos?

Es gibt ein kostenloses Paket mit 4 Videos pro Monat sowie 5 Minuten Nutzung von Agents, Campaigns oder API – es enthält außerdem ein D-ID-Wasserzeichen und ist nur für private Nutzung bestimmt.

Wie viel kostet D-ID?

Creator: 29 Dollar pro Monat, bei Jahreszahlung 24 Dollar pro Monat; Business: 89 Dollar pro Monat, bei Jahreszahlung 69 Dollar pro Monat.

Individuelle Kostenvoranschläge von Enterprise.

Kann man sein eigenes Profilbild und seine eigene Stimme verwenden?

Ja. V2/V3-Profilbilder können aus Fotos oder Videos erstellt werden. Creator beinhaltet 1 Stimmenklon, Business beinhaltet 3.

Die Zustimmungsüberprüfung muss abgeschlossen werden.

Wird Video-Übersetzung unterstützt?

Es werden mehr als 30 Ausgabensprachen unterstützt; es ist möglich, Sprache zu übersetzen, Stimmen zu klonen und Mundbewegungen nachzustellen. Bei Creator und Business beträgt die Länge eines Videos maximal etwa 5 Minuten.

Gibt es API und SDK?

Es gibt eine vollständige REST-API sowie ein offizielles Frontend-Agents-SDK, mit denen Avatarvideos erstellt, Übersetzungen vorgenommen, Echtzeit-Proxye eingerichtet und Inhalte in Webseiten eingebettet werden können.

Ist D-ID Open Source?

Die Plattform sowie die Erstellungsmodelle sind nicht open source; offiziell werden das Agents SDK, Demos sowie Beispielcodes bereitgestellt, wobei die Nutzung weiterhin von der D-ID-Cloud-API und den kostenpflichtigen Lizenzen abhängt.