Ein Frontalangriff auf die kreative Existenz: Wenn KI-Generatoren das Timing vorgeben und Filme starr auf Roboter-Sprachmuster geschnitten werden, leidet nicht nur die Qualität – eine ganze Berufsbranche wird wirtschaftlich entwurzelt. Für Synchronsprecher und Tonstudiobetreiber Christoph Walter gibt es hier nichts zu beschönigen: Der Markt schrumpft dramatisch, weil Bequemlichkeit und Geiz den Ton angeben. Im Interview spricht er über die optische Täuschung von KI-Kompromissen, den schleichenden Verfall unserer Medienkultur und warum der Kampf um Metadaten und Prosodie längst kein reines Sprecher-Problem mehr ist.

Synthetische Stimmen und automatisierte Dubbing-Systeme werden immer leistungsfähiger. Welche Auswirkungen spüren Sie bereits in Ihrer täglichen Arbeit – und wo verläuft für Sie die Grenze zwischen KI als Werkzeug und KI als existenzieller Bedrohung?

Kunden fertigen z.B. Layout-Versionen mit KI an und erwarten dann, dass Menschen das hinterher „ins Reine“ sprechen. Leider atmet die KI nicht, macht keine Pausen und ist insgesamt eher interpretationsarm. Das führt dazu, dass die Menschen, die das hinterher sprechen sollen, das eben nicht so können, wie sie es eigentlich tun würden, weil die KI bereits einen zu engen zeitlichen Rahmen gesteckt hat. Der Film ist aber bereits fix auf die Sprechlänge der KI ausgearbeitet. Dadurch leidet die Qualität.

Natürlich ist KI für integrative Tools super. Teilhabe ist ein wichtiges gesellschaftliches Thema. Auch wenn Tätigkeiten, die tendenziell lebensbedrohlich sind, von KI übernommen werden, ist das natürlich super.

Menschen sinnstiftende Tätigkeiten „wegzunehmen“, erscheint mir jedoch überaus widersinnig. Vor allem weil ja auch viel weniger neue Jobs entstehen als vernichtet werden. Wir werden also nur immer mehr Erwerbslose bekommen und die Armut wird steigen.

KI-generierte Stimmen werden technisch überzeugender. Wo zeigen sich aus Ihrer Erfahrung die Grenzen – bei Emotion, Timing, Interpretation? Und nimmt das Publikum den Unterschied wahr?

Genau da. Bei Emotion, Timing und Interpretation.

Das Publikum nimmt das zumeist leider nur unterbewusst wahr. Durch KI werden Medieninhalte immer beliebiger. Dadurch werden Botschaften auch schlechter vermittelt. Bei Merkwürdigkeiten bei Emotion, Timing & Interpretation leidet die Glaubwürdigkeit des Gesagten. Auch wenn das nur unterbewusst geschieht. Ggf. werden solche Inhalte von den Rezipienten auch einfach weggeschaltet.

Und wenn alle das nutzen, geht das z.B. natürlich auch zu Lasten unserer Bildung. Man stelle sich den Einsatz von KI in der Grundschule vor. Dabei haben wir ja bereits ein massives Bildungsproblem.

Der Konflikt um die Netflix-AOR-Vereinbarung hat die Branche aufgerüttelt – KI-Training mit Stimmaufnahmen, Vergütung, Persönlichkeitsrechte. Gleichzeitig heißt es: Die Technologie kommt ohnehin. Wie bewerten Sie die aktuelle Vertragssituation, und was müsste ein fairer Rahmen konkret beinhalten?

Die Situation ist indiskutabel.

Ich persönlich bin nicht mal für einen regulierten Einsatz – ich bin strikt dagegen. Hört auf, Medien schlechter zu machen, indem ihr Computer Dinge tun lasst, die eigentlich Menschen tun.

Wir erleben gerade die Endstufe des Kapitalismus: Reiche werden immer reicher, übernehmen alles. Eine Mittelschicht wird es bald nicht mehr geben. Ein paar Tech-Konzerne werden primär bestimmend sein. Ein Teil davon ist es, per KI immer mehr Dinge in die Hände einzelner Unternehmen oder gar Personen zu legen.

Wie soll man eine Arbeit fair bezahlen, die nur dazu da ist, die arbeitende Person auf Dauer arbeits- und somit erwerbslos zu machen? Das ist nicht realistisch möglich.

Nutzen Sie selbst KI-Anwendungen? Und wie gehen Sie mit der Spannung um, die eigene Stimme schützen zu wollen und zugleich in einer Branche zu arbeiten, die sich technologisch rasant verändert?

Ich bin schon lange jemand, der auf jedem neuen Gerät alle Assistenzsysteme ausschaltet, bei mir gibt es keine Siri oder derlei Dinge.

In sehr speziellen Einzelfällen kommt es dazu, dass ich mal für Text (den ich üblicherweise in exzellenter Qualität selbst herzustellen in der Lage bin) von ChatGPT vorformulieren lasse, um ihn dann von Hand auszuarbeiten. Und ich benutze schon sehr lange die RX-Suite von Izotope, die KI-gestützt bei der Restauration von Audio hilft, um Sprachaufnahmen zu säubern. Tatsächlich sind das Dinge, ohne die ich dann nicht konkurrenzfähig wäre, weil ja jeder andere so arbeitet – ich wäre schlicht zu langsam.

Und es gibt natürlich auch Programme, die man mangels sinnvoller Alternative nutzen „muss“, bei denen klar ist, dass das Programm die Daten, die man einfüttert, zum Training der konzerneigenen KI nutzt.

Netflix und Amazon halten Patente für vollautomatisierte Synchronsysteme. Gleichzeitig zeigt der Protest, dass das Publikum an menschlichen Stimmen hängt. Wo sehen Sie Ihr Berufsfeld in fünf Jahren – und welche Rolle spielen neue Vergütungsmodelle, rechtliche Rahmenbedingungen und organisierte Interessenvertretung?

Alle Sprecher:innen sollten darauf achten, dass sie sich gut ausbilden lassen, um ihren Job wirklich gut zu machen – und sich gern auch Alternativen suchen. Es tummeln sich zunehmend Menschen in diesem Markt, die gar keine vernünftige Qualität liefern und womöglich auch nicht zu liefern in der Lage sind. Diese erleichtern der KI den Einstieg, weil sich beliebige Sprechleistungen natürlich leichter ersetzen lassen als herausragende. Ein Premium-Markt wird aber weiter bestehen bleiben. Aber den werden nur absolute Top-Sprecher:innen bedienen, zudem wird es die aktuell vorhandene Menge an Sprecher:innen kaum ernähren können.

Unser Markt wird massiv schrumpfen, weil der Großteil der Menschheit leider zu tumb, zu bequem und zu geizig ist. Menschen fanden auch immer, dass Musiker wichtige Menschen sind, die von ihrer Kunst leben können sollten. Bis Streaming kam. Da änderte sich das, denn es ist einfach wichtiger, dass man Sachen umsonst bekommt.

Jetzt können halt nur noch Größere von ihrer Musik, von ihrer Kunst, leben, vor allem wenn sie viel live spielen. Manche sagen, das habe ja so vielen Menschen erst die Möglichkeit gegeben, was auch irgendwie richtig ist, aber es hat auch unfassbar viele ihre Existenz gekostet. Die einzigen, die daran verdienen, sind die Konzerne.

Wichtig im Kontext: Die meisten Menschen verstehen gar nicht, worum es eigentlich geht. Es geht nicht darum, dass Klone, also deckungsgleiche KI-Abbilder, erschaffen werden, sondern dass die Prosodie, sprich die Metadaten unserer Sprache (wie mache ich Pausen, wann atme ich und wie, wie intoniere ich etc.), also alles, was außerhalb des eigentlichen Stimmklangs liegt, was dafür sorgt, dass Sprache überhaupt erst menschlich klingt, von KI-Systemen registriert wird, um dann anhand dieser Daten dafür zu sorgen, dass auch völlig synthetische Stimmen auf einmal menschlich klingen können. Dann ist gar nicht mehr feststellbar, wessen Daten da zu welchem Anteil eingeflossen sind.