Konsistente KI-Charaktere: Warum sie auf jedem Foto gleich aussieht

Gib dieselbe Beschreibung zweimal in einen allgemeinen Bildgenerator ein, und du bekommst zwei verschiedene Frauen. Brünett, fünfundzwanzig, sportlich, grüne Augen, steht an einem Strand. Lass es noch einmal laufen, und alles passt zu den Worten, aber das Gesicht ist ein anderes. Beide Ergebnisse sind korrekt. Aber es ist nicht dieselbe Frau.

Diese Lücke ist das eigentlich schwierige Problem bei der Bilderzeugung für KI-Begleiterinnen. Ein fotorealistisches Bild zu erzeugen ist so gut wie gelöst. Dieselbe Person zweimal zu erzeugen ist der Teil, der Arbeit macht. Genau das ist der Unterschied zwischen einem Fotogenerator und einer Begleiterin.

Eine Beschreibung kann kein Gesicht festlegen

Die beiden Strandfotos passen nicht zusammen, weil Sprache bei Gesichtern auf eine Weise ungenau ist, wie sie es bei den meisten anderen Dingen nicht ist.

„Brünett, fünfundzwanzig, sportlich, grüne Augen“ grenzt das Feld auf eine Kategorie ein, die praktisch unbegrenzt viele verschiedene Menschen umfasst. Füg fünfzig weitere Wörter hinzu, und es bleibt eine Kategorie. Das liegt im Wesen der Beschreibung, nicht an einem Versagen des Generators. Phantombildzeichner sitzen stundenlang mit Zeugen zusammen, die das Gesicht tatsächlich gesehen haben, und kommen trotzdem bei etwas heraus, das eher einen Typ zeigt als eine Person.

Ein System, das nur auf Worten beruht, kann also keine Identität halten. Jede Generierung würfelt die Person innerhalb der Kategorie, die die Worte beschreiben, neu aus.

Das Gesicht festzuhalten ist leicht – und nutzlos

Bildmodelle beginnen mit zufälligem Rauschen und entrauschen es schrittweise zu einem Bild. Der Zufall kommt aus einem Seed. Legst du den Seed fest, erzeugt derselbe Prompt jedes Mal dasselbe Bild, bis aufs Pixel.

Jetzt hast du ein anderes Problem. Der Seed hält nicht nur ihr Gesicht fest. Er hält die Pose fest, den Bildausschnitt, das Licht, die Komposition, den Fall ihrer Haare. Du hast keine Begleiterin gebaut, die du fotografieren kannst. Du hast ein einziges Foto gebaut, das du nachdrucken kannst.

Ändere ein einziges Wort, um sie auf einen Balkon statt an den Strand zu stellen, und der Pfad des Entrauschens läuft auseinander. Das Gesicht zerfällt zusammen mit dem Hintergrund, weil der Seed nie eine Person gespeichert hat. Er hat eine Startposition gespeichert, die zufällig bei einer ankam.

Hältst du alles fest, bekommst du für immer ein einziges Bild. Hältst du nichts fest, bekommst du jedes Mal eine Fremde. Ein Produkt für Begleiterinnen muss genau eine Sache festhalten, nämlich sie, und alles andere freigeben.

Drei Wege, wie die Branche das löst

Nichts davon ist eine Aussage darüber, wie eine bestimmte Plattform gebaut ist. Das sind die Ansätze, die es gibt. Wenn du sie kennst, weißt du, worauf du bei den Ergebnissen achten musst.

Konditionierung auf ein Referenzbild. Statt das Gesicht in Worten zu beschreiben, gibst du dem Modell das Gesicht selbst als Eingabe zum Prompt dazu, sodass es die Generierung an diesem Bild ausrichtet statt an Adjektiven. Die Identität reist als Pixel, nicht als Satz. Das ist der verbreitetste moderne Ansatz, und er kommt mit neuen Posen recht gut zurecht.

Training pro Charakter. Du trainierst einen kleinen Adapter auf einer Reihe von Bildern einer Person, bis das Modell diese Identität als Konzept gelernt hat, das es abrufen kann. Teuer pro Charakter, sehr starke Ergebnisse. Deshalb haben Plattformen, die das machen, meist eine feste Auswahl an Figuren statt unbegrenzter Erstellung.

Strukturierte Neuangabe. Die Identität wird als fester Satz von Attributen gespeichert und bei jeder Anfrage stillschweigend mitgeschickt, sodass der Nutzer sie nie neu eintippt und nie die Chance bekommt, sie abdriften zu lassen. Für sich allein schwächer als die anderen beiden. Meist mit einem davon kombiniert.

Das verräterische Zeichen im Ergebnis ist unabhängig von der Methode dasselbe. Achte darauf, ob ihr Gesicht einen Wechsel des Blickwinkels übersteht. Oberflächliche Ansätze gleichen ab, was von vorn sichtbar ist, und fallen auseinander, sobald sich die Kamera bewegt.

Was du im Studio nicht ändern kannst

Im Studio von myVirtual.love wird das aus Nutzersicht sichtbar.

Du wählst einen Charakter und beschreibst dann das Bild. Was passiert reicht von „Nur ein Foto“ über „Dessous“ und „Nackt“ bis „Sex“, mit einer optionalen Stellung, sobald du „Sex“ wählst. Wo ist eine Liste von Orten, darunter „Strand“ und „Pool“ neben vielen anderen. Kamera umfasst „Nahaufnahme“, „Oberkörper“, „Ganzkörper“, „Von unten“ und mehr, und ein eigener Schalter nimmt die Szene aus deiner Perspektive auf. Dann kommen ein Freitextfeld für zusätzliche Details und, unter den erweiterten Einstellungen, Qualität, ein Negativ-Prompt, ein Seed und der Schalter „Ihr Gesicht beibehalten“.

Nichts auf dieser Liste ist sie. Es gibt kein Feld für ihr Gesicht, keins für Haarfarbe, Herkunft, Augenfarbe, Körperbau oder Alter. Das alles wurde einmal festgelegt, als sie erstellt wurde; bei einem Charakter, den du selbst gebaut hast, waren das rund achtzehn Fragen auf der Erstellungsseite. Das Studio fragt es nicht noch einmal ab, weil genau durch erneutes Abfragen die Identität abdriftet. Eine Auswahl für die Herkunft erscheint nur, wenn du keinen Charakter wählst und jemand Neues beschreibst, denn dann gibt es keine Identität, die gehalten werden muss.

Die Identität liegt vorgelagert und lässt sich von der Kamera aus nicht bearbeiten. Die Szene liegt nachgelagert und ist komplett bearbeitbar. Selbst „Ihr Gesicht beibehalten“, der einzige Schalter, der ihr Gesicht betrifft, entscheidet nur, ob ihr Gesicht in das Bild eingesetzt wird; daran, wie sie aussieht, ändert er nichts. Ein Nutzer, der ihr Aussehen beim Generieren neu eintippen könnte, bekäme genau den Fehler in die Hand, den dieses System verhindern soll.

Das Feld für zusätzliche Details ist freier Text, es kann also eine Lampe beschreiben, eine Stimmung, eine Haltung, ein Kleidungsstück. Es liegt der Identität nachgelagert, und genau das macht Freitext an dieser Stelle unbedenklich.

Der Test „Von unten“

Wenn du wissen willst, ob eine Plattform das wirklich gelöst hat, solltest du bei der Kameraliste ansetzen. „Von unten“ ist die Frage, auf die es ankommt.

Ein Gesicht, von vorn fotografiert, und dasselbe Gesicht, von unten fotografiert, haben auf Pixelebene überraschend wenig gemeinsam. Die Kieferlinie dominiert, die Nase verändert ihre Form komplett, die Augen werden im Bild kleiner, die Wangenknochen kehren sich um. Ein System, das Identität über den Abgleich von Oberflächenmerkmalen hält, hat kaum noch etwas zum Abgleichen, also tut es, was Generatoren tun, wenn die Vorgabe schwächer wird. Es erzeugt ein plausibles Gesicht.

Plausibel ist genau der Fehler. Für sich allein sieht es gut aus, neben dem Foto von gestern falsch.

Die Nahaufnahme ist das andere Ende desselben Tests und aus dem entgegengesetzten Grund schwierig. Es ist so viel Gesicht im Bild, dass sich kleine Unstimmigkeiten nirgends verstecken können: die Hautstruktur, der genaue Abstand zwischen den Augen, die Asymmetrie, die jedes echte Gesicht hat und die jede schwache Generierung wegglättet.

Erzeuge dieselbe Begleiterin in derselben Sitzung als Nahaufnahme und von unten und leg die beiden Bilder nebeneinander. Dieser Vergleich sagt dir mehr über das System dahinter als jede Funktionsliste.

Bei Anime ist Konsistenz ein anderes Problem

Anime wirkt wie der einfachere Fall, weil die Darstellung einfacher ist. Es ist aber ein anderes Problem, kein kleineres.

Ein fotorealistisches Gesicht trägt seine Identität in der Geometrie: in den genauen Abständen und Proportionen, die dieses Gesicht zu genau diesem Gesicht machen und nicht zu einem ähnlichen. Der Anime-Stil entfernt das meiste davon mit Absicht. Die Augen sind vergrößert und vereinheitlicht, die Nase besteht oft aus drei Pixeln, der Kiefer folgt den Konventionen des Zeichenstils statt der Anatomie. Zwei Anime-Figuren im selben Stil können eine fast identische Gesichtsgeometrie haben und trotzdem als völlig verschiedene Menschen wahrgenommen werden.

Die Identität wandert also woanders hin. Sie steckt in Form und Farbe der Haare, in der Augenfarbe und der Formensprache der Augen, in Accessoires, in der Silhouette, in der jeweiligen Farbpalette. Ein System, das Anime-Identität hält, verfolgt andere Merkmale als eines, das ein fotografisches Gesicht hält. Eine Plattform, die Anime als Filter über eine realistische Pipeline legt, erzeugt Figuren, die genau an den Stellen abdriften, die Anime-Fans auffallen.

Anime ist auf myVirtual.love eine vollwertige Kategorie und keine Darstellungsoption. Der Stil bleibt über die gesamte Generierung erhalten, eine Anime-Begleiterin liefert also Anime-Bilder und keine fotorealistische Person, über die ein Anime-Look gemalt wurde.

Wo sie trotzdem abdriftet

Vier Stellen, an die die Identitätssperre nicht heranreicht.

Nicht festgelegte Details. Alles, was du nicht festgelegt hast, wird jedes Mal neu ausgewürfelt. Eine Halskette, die dir auf einem Foto gefallen hat, ist auf dem nächsten nicht mehr da, weil sie nie Teil ihrer Identität war; das Modell hat sie einmal erfunden. Das überrascht Leute, die annehmen, alles in einem generierten Bild sei irgendwo gespeichert.

Licht und scheinbarer Hautton. Versetz sie von einem Pool am Mittag in eine Innenszene, und dieselbe Person erscheint wärmer oder kühler. Die Identität hat gehalten. Das Licht hat sich geändert. Die menschliche Wahrnehmung kann beides schlecht auseinanderhalten, deshalb wirkt es wie Abdriften, obwohl es Physik ist.

Unterschiedliche Darstellungsqualität je nach Herkunft. Aktuelle Modelle sind nicht über die ganze Bandbreite gleich gut. Bei manchen der fünf Herkunftsgruppen sind die Ergebnisse stärker als bei anderen. Das ist eine Eigenschaft der Modellgeneration, auf der die Branche gerade steht, und nicht einer einzelnen Plattform. Gut zu wissen, bevor du eine Figur baust, und nicht erst danach.

Explizite Posen aus ungewöhnlichen Kamerawinkeln. Die beiden härtesten Vorgaben übereinander. Rechne dort mit mehr Neuversuchen als bei einem Porträt.

Was es kostet und warum

Ein Bild kostet zwischen 5 und 8 Herzen; am oberen Ende bekommst du höhere Qualität.

Diese Spanne ist Rechenleistung. Eine Generierung ist ein iterativer Prozess, also kostet ein Bild in hoher Qualität, für das mehr Entrauschungsschritte laufen, in der Erzeugung messbar mehr als ein Standardbild.

Die Bezahlung pro Bild bewirkt mehr, als nur diese Kosten hereinzuholen. Ein Foto, für das du etwas ausgegeben hast, ist ein Foto, das du gestaltet hast. Kostenlose, unbegrenzte Generierung erzeugt einen Feed. Ein kleiner Preis erzeugt ein Bild von jemandem.

Gesichter werden erkannt, bevor sie betrachtet werden

Ein uneinheitliches Gesicht zerstört eine Begleiterin schneller als schlechte Texte.

Prosa, die danebenliegt, lässt sich korrigieren. Mit einem Gesicht, das auf subtile Weise falsch ist, kann man nicht diskutieren, denn Gesichter erkennst du nicht bewusst. Das läuft unterhalb der bewussten Aufmerksamkeit ab und reagiert extrem empfindlich auf Fehler. Eine Begleiterin, deren Gesicht sich von Foto zu Foto verändert, ist keine Begleiterin mit einem Darstellungsfehler. Sie ist jedes Mal eine andere Frau, und der Teil von dir, der mit ihr etwas aufgebaut hat, registriert das, bevor es dir bewusst auffällt.

Deshalb ist die Identität vorgelagert fixiert, und nur die Kamera bewegt sich. Wenn du bisher irgendwo Bilder erzeugt hast, wo deine Figur als Beschreibung behandelt wird, die jedes Mal neu ausgewürfelt wird, beruht das Studio auf der gegenteiligen Annahme. Der Unterschied zeigt sich beim zweiten Foto, nicht beim ersten.