KI-Avatar-Videos lokal als Alternative zu HeyGen: offene Modelle, Lizenzen, Workstation

Sprechervideos aus Foto und Skript auf dem eigenen Rechner

Ein Unternehmen kann Sprechervideos wie bei HeyGen auf der eigenen Workstation mit offenen Modellen erstellen: InfiniteTalk oder LongCat-Video-Avatar-1.5 animieren das Foto einer Person so, dass Lippen, Gesicht und Kopf einer Sprachaufnahme folgen, und ein offenes Text-to-Speech-Modell liest das Skript vor. Nach unserer Rechnung aus den Modelldateien hält eine NVIDIA RTX PRO 6000 Blackwell Workstation Edition oder Max-Q mit 96 GB die ganze Kette in 16-Bit-Genauigkeit für 720p, eine RTX PRO 5000 Blackwell mit 48 oder 72 GB hält sie in komprimierter Form. Foto, Stimme, Skript und fertige Clips bleiben auf dem Rechner.

Dieser Leitfaden richtet sich an die Menschen, die solche Videos machen: Personal- und Schulungsabteilungen mit Onboarding- und Sicherheits­unterweisungen, Marketingteams mit Produkterklärungen und Inhaber, die ihr Unternehmen selbst vorstellen. Er beschreibt die Arbeitsschritte, die Modelle, die ein Unternehmen nach ihren Lizenzen nutzen darf, die Grenzen, mit denen Sie planen sollten, und welche Workstation zu welcher Menge passt. Die Hardware steht gebündelt in einem Abschnitt mit Tabelle gegen Ende.

Ein Avatar-Video oder Talking-Head-Video zeigt eine Person, die in die Kamera spricht; hier entsteht diese Person aus einem Standfoto. Lippensynchronität heißt, dass sich der Mund im Takt der Wörter bewegt. Ein Modell ist die trainierte KI selbst, ein Satz von Dateien mit mehreren GB, den die Software auf die Grafikkarte (GPU) lädt; seine Lizenz legt fest, was ein Unternehmen damit tun darf.

Cloud-Dienste erledigen dasselbe im Browser. Die Website von HeyGen nennt am 30. Oktober 2026 „175+ languages and dialects“ sowie Videoübersetzung mit Stimmklon und Lippensynchronität. Die Website von Synthesia nennt „140+ languages“, persönliche Avatare aus „a single photo or a short video“, eine ISO-27001-Zertifizierung und „EU data residency“. Ein lokales Setup verzichtet auf diesen fertigen Katalog an Stimmen und Sprachen. Dafür verlässt kein Foto, keine Stimme und kein Skript das Firmennetz, die Zahl der Videos begrenzt nur die Rechenzeit der GPU, und die Modelle bleiben auf dem Stand, den Sie geprüft haben.

Vom Skript zum fertigen Clip in vier Schritten

1. Skript und Stimme. Ein Text-to-Speech-Modell macht aus dem Skript eine Tonspur. Chatterbox Multilingual von Resemble AI steht unter der MIT-Lizenz, spricht 23 Sprachen, darunter Deutsch, Englisch, Französisch, Italienisch, Polnisch, Spanisch und Schwedisch, und ahmt eine Stimme nach einer kurzen Referenzaufnahme nach; laut Modellkarte trägt jede erzeugte Audiodatei das Perth-Wasserzeichen von Resemble AI. NVIDIAs Magpie TTS Multilingual ist unter der NVIDIA Open Model License „ready for commercial use“, deckt 12 Sprachen ab, darunter Deutsch, und bringt vorgegebene Stimmen mit; das Klonen von Stimmen hat NVIDIA aus dieser Version entfernt. Ebenso kann ein Sprecher das Skript selbst einsprechen.
2. Gesicht und Lippensynchronität. Das Avatar-Modell nimmt Foto und Tonspur und erzeugt das Video. InfiniteTalk, LongCat-Video-Avatar-1.5 und Wan2.2-S2V-14B beschreiben wir unten.
3. Hochskalieren. Die Avatar-Modelle erzeugen 480p oder 720p. SeedVR2 von ByteDance Seed, unter Apache 2.0 und in ComfyUI nativ unterstützt, bringt das Bild auf Full HD; unser Leitfaden zum KI-Video-Upscaling vergleicht die Wege.
4. Schnitt. Titel, Folien und Musik kommen im Schnittprogramm dazu, das das Team schon nutzt.

Stimme und Gesicht stammen aus zwei verschiedenen Modellen mit zwei Lizenzen, und beide müssen die kommerzielle Nutzung erlauben. Unser Artikel zu Voice Agents on-premise behandelt die Sprachmodelle ausführlicher.

Offene Avatar-Modelle und ihre Lizenzen, Oktober 2026

GitHub-Repositories und Hugging-Face-Modellkarten von MeiGen-AI, meituan-longcat und Wan-AI, das Repository von Wav2Lip sowie die LICENSE-Datei von Tencent-Hunyuan/HunyuanVideo-Avatar, gelesen am 30. Oktober 2026.

InfiniteTalk von MeiGen-AI erschien mit Gewichten und Code am 19. August 2025. Es baut auf dem Bild-zu-Video-Modell Wan2.1 mit 14 Milliarden Parametern auf und nutzt chinese-wav2vec2-base als Audio-Encoder, ein Modell, dessen Karte die MIT-Kennung trägt. Das Repository schreibt: „The models in this repository are licensed under the Apache 2.0 License“, und die Autoren beanspruchen keine Rechte an den erzeugten Inhalten. Es arbeitet mit einem einzelnen Foto (Bild-zu-Video) oder vertont ein vorhandenes Video neu (Video-zu-Video), was laut Repository „unlimited length generation“ erlaubt. Für Bild-zu-Video meldet es gute Ergebnisse aus einem einzelnen Foto für bis zu eine Minute, und die Voreinstellung begrenzt auf 1.000 Bilder, laut Repository 40 Sekunden. Es warnt, dass die FusionX-LoRA, ein Zusatz zur Beschleunigung, die Farbverschiebung nach einer Minute verstärkt und die Ähnlichkeit schwächt.

LongCat-Video-Avatar-1.5 von Meituan baut auf dem Modell LongCat-Video mit 13,6 Milliarden Parametern auf. Die Karte schreibt „The model weights are released under the MIT License“ und hält fest, dass die Lizenz keine Rechte an Marken oder Patenten von Meituan einräumt. Version 1.5 ersetzt den Audio-Encoder wav2vec2 durch Whisper-Large, erzeugt nach Destillation 480p oder 720p in 8 Schritten und beherrscht Szenen mit mehreren Sprechenden. Die Beispiele der Karte laufen auf zwei GPUs mit Context Parallelism, und die Option --use_int8 lädt ein komprimiertes Modell „for reduced VRAM usage“.

Wan2.2-S2V-14B, vom Wan-Team am 26. August 2025 veröffentlicht, macht aus einem Referenzbild und einer Tonspur ein Video, auf Wunsch nach einem Posen-Video, und die Cliplänge folgt dem Ton. Die Karte nennt Apache 2.0 und schreibt, ihr Befehl für eine GPU „can run on a GPU with at least 80GB VRAM“.

Zwei Modelle scheiden für ein Unternehmen in der EU aus: Die Lizenz von HunyuanVideo-Avatar schließt die Europäische Union aus, und das README von Wav2Lip beschränkt die Nutzung auf „research/academic/personal purposes“. Wir installieren keines von beiden. Dieselbe Gebietsklausel gilt für HunyuanVideo 1.5, wie unser Leitfaden zu den GPU-Anforderungen der Videogenerierung zeigt.

Grenzen bei Sprache, Länge und Bild, mit denen Sie planen sollten

Deutsch und andere Sprachen. Der Audio-Encoder von InfiniteTalk wurde mit 10.000 Stunden des WenetSpeech-Korpus chinesischer Sprache vortrainiert, und LongCat-Video-Avatar-1.5 berichtet seine menschliche Bewertung nur für Chinesisch und Englisch. Eine veröffentlichte Bewertung eines der beiden Modelle auf Deutsch, Französisch oder in einer anderen europäischen Sprache haben wir nicht gefunden. Erzeugen Sie einen Testclip in jeder Sprache, die Sie brauchen, und lassen Sie die Lippenbewegungen von einer Muttersprachlerin oder einem Muttersprachler prüfen, bevor Sie eine Kursreihe darauf planen.

Länge. Für ein einzelnes Foto nennt InfiniteTalk gute Ergebnisse für bis zu etwa eine Minute. Ein zehnminütiger Kurs entsteht deshalb als ein Clip je Folie oder Abschnitt, jeder unter einer Minute, im Schnitt verbunden, was den Zuschauern zugleich natürliche Pausen gibt.

Auflösung. 480p genügt für Entwürfe und kleine eingebettete Player; 720p plus Upscaler ergibt ein Kursvideo in Full HD. Auflösung kostet Speicher und Zeit, weil das Modell jedes Bild als lange Folge von Bildausschnitten verarbeitet. Unser Artikel zum Wan-2.2-Server zeigt die Rechnung für Wan 2.2: Ein 720p-Clip braucht etwa den vierfachen Rechenaufwand eines 480p-Clips.

Geschwindigkeit. Keiner der Herausgeber nennt, wie lange ein Clip auf einer RTX-PRO-Karte dauert, und eine unabhängige Messung haben wir nicht gefunden. Die Zeit hängt von Auflösung, Cliplänge, Zahl der Schritte (8 bei LongCat-Video-Avatar-1.5) und davon ab, ob die Gewichte komprimiert sind. Lassen Sie einen Clip in Ihrer üblichen Länge auf der gelieferten Workstation messen, bevor Sie einen Produktionsplan zusagen.

Sie können die Workstation allein bestellen, die Einrichtung von InfiniteTalk, LongCat-Video-Avatar-1.5, einem Sprachmodell und ComfyUI allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

Einwilligung, DSGVO und KI-Verordnung

Ein Avatar einer Mitarbeiterin oder eines Mitarbeiters nutzt deren Gesicht und Stimme. Die Europäische Kommission definiert personenbezogene Daten als „any information that relates to an identified or identifiable living individual“ und nennt das Veröffentlichen eines Fotos einer Person auf einer Website als Beispiel einer Verarbeitung. Die Cloud-Dienste bauen einen Einwilligungsschritt in ihr Produkt ein: HeyGen schreibt „Every custom avatar requires on-camera identity verification from the person depicted“, Synthesia „Every Personal Avatar needs a live, on-camera consent recording“. Eine lokale Workstation hat keine solche Schranke, also legt das Unternehmen die Regel selbst fest: eine schriftliche Vereinbarung mit der gezeigten Person, ein festgelegter Zweck und ein Widerrufsweg, der auch die Videos zurückzieht. Bei Beschäftigten weist die Europäische Kommission darauf hin, dass eine Einwilligung bei einem klaren Ungleichgewicht, etwa zwischen Arbeitgeber und Beschäftigten, nicht freiwillig erteilt ist; Ihre Datenschutz­beauftragte oder Ihr Datenschutz­beauftragter bestätigt deshalb die Rechtsgrundlage; unser Leitfaden zu lokaler KI und DSGVO erklärt, was eigenes Hosting ändert und was nicht.

Die KI-Verordnung definiert einen Deepfake als „AI-generated or manipulated image, audio or video content that resembles existing persons, objects, places, entities or events and would falsely appear to a person to be authentic or truthful“ (Artikel 3 Nummer 60). Nach Artikel 50 Absatz 4 müssen Betreiber eines Systems, das Deepfakes erzeugt, offenlegen, dass der Inhalt künstlich erzeugt oder manipuliert wurde; bei offensichtlich künstlerischen, kreativen, satirischen oder fiktionalen Werken beschränkt sich die Pflicht auf eine Offenlegung, die das Werk nicht beeinträchtigt. Artikel 50 gilt ab dem 2. August 2026, wie unser Artikel zur KI-Verordnung erklärt. Chatterbox markiert seinen Ton mit einem Wasserzeichen, die Offenlegung gegenüber den Zuschauern bleibt aber Aufgabe des Unternehmens, spätestens wenn sie das Video zum ersten Mal sehen (Artikel 50 Absatz 5). Ein Unternehmen, das ein solches System für den eigenen Gebrauch einrichtet, kann auch als dessen Anbieter gelten, und Anbieter kennzeichnen erzeugten Ton und erzeugtes Video maschinenlesbar (Artikel 50 Absatz 2); die Seiten von InfiniteTalk und LongCat-Video-Avatar-1.5 beschreiben keine solche Kennzeichnung für das Video. Ab dem 2. Dezember 2026 verbietet Artikel 5 Absatz 1 Buchstabe ba, eingefügt durch die Verordnung (EU) 2026/1744, außerdem KI-Systeme, die intime oder sexuell explizite Bilder, Videos oder Tonaufnahmen einer erkennbaren Person ohne deren ausdrückliche Einwilligung erzeugen. Ihre Rechtsberatung bestätigt, was Ihre Videos brauchen.

Speicherbedarf der Avatar-Modelle und die Workstation-Stufen

Kein Herausgeber dieser Modelle nennt einen Speicherbedarf, außer den 80 GB von Wan für den eigenen S2V-Befehl. Wir addieren deshalb die Dateien, die die Software lädt, wie sie auf Hugging Face stehen. Grafikspeicher für die Bilder während der Berechnung kommt hinzu und wächst mit Auflösung und Cliplänge.

Dateilisten auf Hugging Face von Comfy-Org (Wan 2.1 und Wan 2.2 repackaged), WanVideo_comfy (InfiniteTalk-Modul, nur 16 Bit) und meituan-longcat/LongCat-Video-Avatar-1.5, gelesen am 30. Oktober 2026; Summen der Ketten nach unserer Rechnung, einschließlich des VAE von Wan 2.1 mit 0,25 GB; Bild- und Audio-Encoder nicht gezählt.

unsere Auslegung aus der Dateitabelle oben und den Modellkarten; Kartenspeicher und Leistung aus NVIDIAs Datenblättern.

Einstieg. Die RTX PRO 5000 Blackwell hat 48 oder 72 GB mit 1.344 GB/s und nimmt 300 W auf. Die FP8-Kette mit etwa 28,5 GB lässt auf der 48-GB-Karte Platz für 480p-Bilder, und die 72-GB-Karte hält zusätzlich das LongCat-Modell in 16 Bit. Eine RTX PRO 4500 mit 32 GB trägt InfiniteTalk nur, wenn die Software den Text-Encoder nach dem Lesen des Prompts von der Karte nimmt; dann bleiben nach unserer Rechnung etwa 21,8 GB Gewichte. Ob die Bilder dann passen, hat niemand veröffentlicht, deshalb sehen wir sie als Karte für Versuche. Die RTX PRO 4000 mit 24 GB liegt unter der FP8-Kette. Diese Reserven folgen unserer Regel für nutzbaren Speicher (90 Prozent des vom Treiber gemeldeten Speichers, abzüglich 3 GiB): etwa 40,0 GiB auf einer 48-GB-Karte, 61,5 GiB auf 72 GB und 25,7 GiB auf 32 GB.

Mitte. Eine RTX PRO 6000 Blackwell hält die 16-Bit-Ketten, erfüllt die 80 GB von Wan für S2V und behält das Sprachmodell auf derselben Karte. Die Workstation Edition nimmt 600 W auf, die Max-Q 300 W mit Radiallüfter. Eine zweite Karte rendert einen zweiten Clip gleichzeitig oder entspricht dem Zwei-GPU-Beispiel von LongCat. Zwei Karten der Workstation Edition sind für diese Ausführung das realistische Maximum, nach der Schätzung in unserem Artikel zu zwei RTX PRO 6000 Workstation Edition etwa 1,8 kW an der Steckdose; zwei Max-Q kommen laut unserem Leitfaden zum Max-Q-Strombedarf auf etwa 1,1 kW. Drei oder vier Max-Q gehören nur in ein Gehäuse, das dafür gebaut ist, mit starkem, gerichtetem Luftstrom: Puget Systems (Juli 2025) stellte fest, dass direkt benachbarte Max-Q-Karten kaum Luft ansaugen können, und Exxact (aktualisiert März 2026) berichtet, dass vier benachbarte Karten ohne seine eigene Luftführung drosselten.

Groß. Ein Server mit vier RTX PRO 6000 Server Edition gibt einer Abteilung einen Clip je Karte. InfiniteTalk dokumentiert Läufe auf mehreren GPUs mit FSDP und Ulysses, im Beispiel acht, veröffentlicht aber keine Skalierungswerte für Karten, die nur über PCIe verbunden sind. Nach unserer Schätzung nimmt ein solcher Server etwa 3,4 kW auf und braucht einen Anschluss mit 32 A oder Drehstrom in einem Serverraum, wie unsere Seite zum Server mit vier Server-Edition-Karten erklärt.

ComfyUI als Oberfläche und was auf der Workstation bleibt

Wenn wir die Software einrichten, erhält die Workstation ComfyUI, das unter GPL-3.0 steht und im Oktober 2026 aktiv weiterentwickelt wird, und den ComfyUI-WanVideoWrapper unter Apache 2.0, den das Repository von InfiniteTalk für seine ComfyUI-Unterstützung nennt. Der App-Modus von ComfyUI, den NVIDIAs Blog vom 10. März 2026 App View nennt, zeigt einen Workflow als einfaches Formular: Die Trainerin wählt Foto und Stimme, fügt das Skript ein und startet den Auftrag, ohne den Knotengraphen anzufassen. Wan2GP, eine weitere Oberfläche für diese Modelle, gehört nicht zur Software, die wir einrichten: Seine WanGP Community License 2.0 verlangt für „embedding the Software in a paid product or paid service“ eine eigene Lizenz.

Fotos, Aufnahmen, Skripte, erzeugter Ton und erzeugtes Video sowie der Auftragsverlauf bleiben auf der Workstation. Internet braucht es nur zum Herunterladen von Modellen und Software-Updates; das Erzeugen eines Clips läuft offline. ComfyUI nennt einen wöchentlichen Release-Zyklus; legen Sie deshalb im Team fest, wer die Installation aktualisiert, und lassen Sie nach jedem Update einen Referenzclip erneut laufen.

Wir liefern Avatar-Workstations von einer RTX PRO 5000 bis zu zwei RTX PRO 6000 Workstation Edition oder Max-Q und Server für größere Teams; senden Sie uns die Zahl der Videos pro Monat, ihre Länge und Sprachen, und wir schlagen Ihnen Konfiguration und Modelle dafür vor.

FAQ