Was ist D-ID?
D-ID ist eine Plattform für Avatarvideos und visuelle Agenten, verfügbar über Browser-Studio, mobile Apps, Integrationen, APIs und SDKs. Sie kann ein Foto anhand von Text oder Audio animieren, Videos mit vorhandenen oder persönlichen Moderatoren erzeugen, bestehendes Material mit Lippensynchronität und Stimmklonen übersetzen und interaktive Avatare mit LLM sowie Wissensdatenbank erstellen.
Der aktuelle technische Umfang umfasst V2-Fotoavatare, V3-Standard- und Instant-Videoavatare, expressive V4-Avatare, mehr als 30 Ausgabesprachen für Übersetzung, Stimmen mehrerer Anbieter, Canva- und PowerPoint-Integrationen und Frontend-Einbettungen. Ein Live-Agent kann über ein Mikrofon zuhören, Organisationswissen abrufen, mit einem Avatar über WebRTC oder LiveKit sprechen und Gespräche zur Analyse exportieren.
Diese Oberflächen haben unterschiedliche Datenflüsse. Ein einseitiges Schulungsvideo, dauerhafter persönlicher Avatar, Stimmklon, übersetztes Interview und ständig verfügbarer Kundenagent sollten nicht dieselbe pauschale Freigabe teilen.
Avatarqualität, Übersetzung und Agentensicherheit
Die Qualität sprechender Avatare hängt von Quellgesicht, Auflösung, Haltung, Zuschnitt, Bewegung, Audio, Aussprache, Sprache und Zielstil ab. Lippensynchronität und Ausdruck können überzeugend aussehen und dennoch unnatürlich wirken. Prüfen Sie Gesichtsartefakte, Augen- und Mundbewegung, Hände, Markenkennzeichen, Timing, Aussprache, Untertitelgenauigkeit und ob die Darstellung die beabsichtigte Emotion des Sprechers verändert.
Video Translate berechnet jede Ausgabesprache und kann die Quellstimme klonen. Prüfen Sie Namen, Zahlen, Aussagen, regulierte Begriffe, Anreden und kulturelle Formulierungen vor der Generierung. Der aktuelle Vergleich begrenzt selbstbediente Übersetzungen außerhalb von Trial auf fünf Minuten; Enterprise unterstützt bis zu 30 Minuten. Nur Enterprise führt Korrekturlesen als Paketfunktion auf, andere Käufer benötigen eigene sprachliche QA.
Visuelle Agenten erhöhen das Risiko. Das System kann Mikrofoneingabe, Speech-to-Text, LLM-Schlussfolgern, RAG-Dokumente, TTS und Avatardarstellung verbinden; eine optionale ElevenLabs-Integration delegiert die Gesprächspipeline an einen weiteren Anbieter. Beschränken Sie Wissensquellen, entfernen Sie Geheimnisse und Prompt-Injection-Inhalte, definieren Sie Ablehnungen, testen Sie unbeantwortbare Fragen, begrenzen Sie Werkzeuge und Aktionen, kennzeichnen Sie den Agenten als KI, holen Sie Mikrofoneinwilligung ein, bieten Sie menschliche Übergabe und prüfen Sie exportierte Transkripte.
Aktuelle Studio-Preise und Credits
Die jährliche Seite zeigt Trial mit 0 US-Dollar für 14 Tage und drei Minuten, Lite mit 56 US-Dollar jährlich beziehungsweise 4,70 monatlich für zehn Monatsminuten, Pro mit 191 jährlich beziehungsweise 16 monatlich für 15 und Advanced mit 1.293 jährlich beziehungsweise 108 monatlich für 100. Enterprise ist individuell und wirbt mit eigenen oder unbegrenzten Minuten, Zusammenarbeit, SSO, professionellen Diensten und schnellerer Verarbeitung. Jahrespläne werden im Voraus bezahlt, Credits kommen aber monatlich statt als Jahrestopf.
Trial und Lite haben Lizenzen für private Nutzung. Pro ergänzt kommerzielle Nutzung, Premiumstimmen, einen Stimmklon, Untertitel und ein KI-Wasserzeichen. Advanced ergänzt weitere persönliche Avatare und Klone und erlaubt ein eigenes Logo. Laut Hilfe kann nur Enterprise das Wasserzeichen vollständig entfernen; bestätigen Sie den Unterschied zwischen eigenem Logo und Entfernung. Trial verwendet ein Vollbild-Wasserzeichen, Lite ein D-ID-Zeichen und Pro ein allgemeines KI-Zeichen.
Reguläre Video- und Übersetzungsnutzung behandelt einen Credit im Allgemeinen als bis zu 15 Sekunden. Jede übersetzte Sprache ist eine eigene Ausgabe. Agentenantworten kosten 0,5 Credit je 15-Sekunden-Intervall und stoppen bei leerem Guthaben. Agentenverkehr ist daher nutzungsbasiert; Kosten für Modell, Sprache, Wissen und externe Anbieter können hinzukommen. „Unbegrenzt im ersten Monat“ unterliegt Fair-Use-Grenzen und sollte keine Produktionsschätzung bestimmen.
Einwilligung, Biometrie, Bildrechte und Kennzeichnung
D-IDs Biometrie-Richtlinie besagt, dass Avatarerstellung, sprechende Bilder, Stimmklonen, Video-zu-Video-Anfragen und Identitätsprüfung Gesichtsgeometrie, Merkmale, Stimmabdrücke, Gang und weitere biometrische Eigenschaften extrahieren können. Biometrische Informationen können an Verifizierungs- oder Moderationsanbieter gehen. Laut Richtlinie werden sie nicht zur Produktverbesserung oder zum Modelltraining genutzt und am Ende der geltenden Aufbewahrungsfrist vernichtet.
Holen Sie von jeder erkennbaren Person eine konkrete, informierte und widerrufbare Erlaubnis ein. Nennen Sie erfasste Gesichts- und Stimmdaten, möglichen wiederverwendbaren Klon, genaue Zwecke und Kanäle, Gebiet, kommerzielle Verwendung, Bearbeitung, Übersetzung, Dauer, Empfänger, Anbieter, Aufbewahrung, Löschung und Folgen eines Widerrufs. Ein öffentliches Bild oder eine gewöhnliche Aufnahmezustimmung ist nicht automatisch Zustimmung zur Synthese neuer Aussagen.
Kennzeichnen Sie synthetische Moderatoren möglichst in Inhalt und Metadaten und beachten Sie Plattform-, Werbe-, Wahl-, Verbraucher-, Arbeits-, Persönlichkeits- und Biometriegesetze. Lassen Sie eine reale Person niemals ein Produkt scheinbar empfehlen, eine Aussage treffen, Beratung geben oder an einem Ereignis teilnehmen, das sie nicht genehmigt hat.
Aufbewahrung, Sicherheit und API-Betrieb
Laut Datenschutzerklärung werden nicht persistierte API-Anwendungsdaten über AWS-Einstellungen innerhalb von 24 Stunden, Agent-Produktdaten innerhalb von 72 Stunden und Insight-Daten innerhalb von 14 Tagen automatisch gelöscht. Ein persist-Flag hält verschlüsselte Daten bis zur Löschung durch Nutzer. Biometrische Vorlagen zur Aufrechterhaltung eines Avatars können länger bestehen – bis zum notwendigen oder gesetzlich erlaubten Zeitraum. Diese Fristen sind getrennt und sollten einzeln dokumentiert werden.
Löschen Sie abgeschlossene API-Eingaben möglichst ausdrücklich, vermeiden Sie persist standardmäßig, entfernen Sie ungenutzte Avatare und Klone, setzen Sie Aufbewahrung für Gesprächsexporte und prüfen Sie Backups sowie Unterauftragsverarbeiter. D-ID gibt an, zur Verarbeitung oder Löschung anstehende Anwendungsdaten nicht zum Modelltraining zu verwenden und über die Richtlinie hinaus nicht anderweitig zu sichern; bestätigen Sie Enterprise-Zusagen im Bestellformular.
API-Zugangsdaten verwenden ein Nutzername-/Passwortpaar über Basic Authentication. Speichern Sie es nur auf einem Server oder in einer Geheimnisverwaltung, niemals in Browsercode oder öffentlichen Repositories. Rotieren Sie Schlüssel, setzen Sie Ausgabenwarnungen, beschränken Sie Einbettungsdomains, schützen Sie Client-Schlüssel, begrenzen Sie Sitzungen, validieren Sie Uploads und URLs, überwachen Sie unerwartete Generierung und bieten Sie einen Kill Switch für Live-Agenten.
Fazit
D-ID bietet einen breiten Weg vom einzelnen sprechenden Foto über lokalisierte Moderatorbibliotheken bis zu visuellen Echtzeit-KI-Oberflächen. Das Studio ist zugänglich; APIs und SDKs machen dieselbe visuelle Ebene programmierbar.
Die Eignung hängt weniger von Neuheit als von Autorisierung und Governance ab. Wählen Sie einen Tarif mit richtigen kommerziellen und Wasserzeichenrechten, testen Sie Sprach- und Bildqualität, machen Sie synthetische Identität sichtbar, holen Sie granulare Gesichts- und Stimmzustimmung ein, minimieren Sie Persistenz, sichern Sie jeden Schlüssel und beaufsichtigen Sie Live-Antworten. Fehlen diese Kontrollen, wird ein überzeugender Avatar zur Haftung statt zur Produktionsabkürzung.
