Casting in der KI – Wie unsere Romanfiguren Gesichter bekamen

Im ersten Post dieser kleinen Reihe, habe ich behauptet, dass irgendwann Gustav auf meinem Monitor erschien … das stimmt.
Und damit Servus z’sammen,
was die oben gemachte Aussage allerdings verschweigt ist ein nicht ganz unwesentlichen Teil der Geschichte. Vor Gustav standen dort eine ganze Menge anderer Männer, die eben nicht Gustav waren.
Manche waren zu jung. Andere zu schlank und wieder andere einfach zu glatt. Einige von ihnen sahen so aus, als würden sie für eine neue, sehr teure Herrenpflegeserie werben wollen. Einige erfüllten eigentlich bereits sämtliche Vorgaben und waren trotzdem nicht Gustav.
Und genau dies ist wohl vermutlich die merkwürdigste Erfahrung beim Visualisieren von Romanfiguren mithilfe von künstlicher Intelligenz. Man kann ziemlich genau wissen, wie eine Figur aussieht, ohne ihr Gesicht zu kennen.

Menschen, die es nicht gibt und die man trotzdem erkennt

Wenn man, wie wir, inzwischen 14 Bände einer Romanserie geschrieben hat, kennt man seine Figuren irgendwann ziemlich gut. Nicht nur ihre Biographien.
Man weiß, wie sie sprechen. Wie sie auf andere Menschen reagieren. Wer einen Raum betritt und sofort auffällt und genauso wer erst einmal am Rand stehen bleibt. Wer zuhört. Wer redet oder andere einfach ungefragt in den Arm nimmt.
Ursula Bermann beispielsweise lebt seit 1972 in der Königsstrasse. Sie ist warm, herzlich, neugierig und manchmal eine Spur zu fürsorglich. Sie hat mit ihrem Mann Manfred zwei Kinder großgezogen, ihren Mann verloren und sich danach ganz bewusst dazu entschieden in ihrer Wohnung in der Hausnummer 5 zu bleiben.
Gustav dagegen ist ein kräftiger Mann um die fünfzig, trägt einen dichten schwarzen Vollbart, eine runde Brille, ein Septum Piercing und Tattoos. Er betreibt das Cuvée Noire und lebt mit Niklas und Linus im vierten Stock von Haus 5.
Das alles wussten wir bereits.
Was wir aber nicht wussten: Wie genau sieht Gustavs Nase aus?
Das klingt lächerlich. Und ist es vermutlich auch ein bisschen.
Aber spätestens in dem Moment, in dem man eine Romanfigur visualisieren möchte, muss irgendjemand diese Entscheidung treffen. Den im Gegensatz dazu, muss beim Schreiben eines Romans nicht jede Einzelheit eines Gesichts festgelegt sein. Im Gegenteil, ich möchte den Lesern genug raum lassen, sich Figuren selbst vorzustellen.
Ein Bild kann das nicht. Ein Bild muss sich entscheiden. Also haben wir irgendwann angefangen zu casten.

„Nee. Der ist das nicht.“

Unser Verfahren war daher am Anfang erstaunlich unwissenschaftlich. Wir beschrieben einen Figur möglichst genau und ließen Bilder erzeugen. Dann sahen wir uns an.
„Nee.“ Nächstes.
„Auch nicht.“ Weiter, nächstes.
„Zu jung.“ Nächstes.
„Um Gottes Willen.“
Weiter. Und dann …
„Moment.“ Das ist er.
Warum? Keine Ahnung.
Natürlich kann man hinterher erklären, dass Gesicht, Körperbau und Ausstrahlung zur Figur passen. Dass bestimmte Merkmale stimmen oder das der Alterseindruck funktioniert. Und doch erklärt dies alles diesen Moment nur teilweise.
Es war tatsächlich ein bisschen wie ein Casting. Denn, ein Schauspieler kann bei einem Vorsprechen sämtliche Voraussetzungen der Rolle erfüllen und trotzdem nicht die Figur sein. Und jemand anderes kommt herein, sagt drei Sätze – und plötzlich sitzt einem dort gegenüber der Mensch, den man gesucht hat.
Und so ging es uns auch zunehmend mit den KI-generierten Figuren. Aus einer Beschreibung wurde ein Gesicht. Und aus einem Gesicht irgendwann eine Referenz.

Ab jetzt bist DU Gustav.

Von diesem Moment an, sollte sich unsere Arbeit an den Visualisierungen grundlegend ändern.
Denn wir wollten Gustav nicht noch einmal erzeugen. Wozu auch? Wir haben ihn ja bereits gefunden. Dieses eine Bild, wurde damit zu seiner verbindlichen visuellen Referenz. Wenn Gustav nun also zusammen mit Linus auf der Königsstrasse posiert, lautete die Aufgabe nicht mehr: „Erzeuge einen kräftigen Mann um die fünfzig, mit schwarzem Vollbart, Brille, Septumpiercing und Tattoos.“
Sondern sinngemäß: „Nimm diesen Mann. Exakt diesen. Und stell Linus daneben.“
Das kling nach einem kleinen Unterschied. Aber – für generative KI ist es ein gewaltiger. Denn sie hat einen ausgeprägten Drang, Dinge neu zu interpretieren.
Plötzlich wird Gustav schlanker. Der Bart ändert sich. Die Brille bekommt eine neue Form oder ein Tattoo wandert. Vielleicht wird auch das Gesicht ein wenig symmetrischer oder die Person sieht auf einmal ganze zehn Jahre jünger aus.
Alles möglicherweise hübsch. Alles aber falsch. Denn Gustav war inzwischen besetzt. Wir wollen keinen neuen Gustav, wir wollen unseren Gustav!

Und dann kam Ursulua

Hier wurde es besonders interessant. Den Ursula Bermann ist eine Person, die wir in unterschiedlichen Lebensphasen brauchen. Dafür ist sie das beste Beispiel.
In Königsstrasse- Mein Manfred erzählen wir ihre Geschichte auf zwei Zeitebenen. Wir erleben sie als junge Frau, Anfang der Siebziger, später als Mutter und schließlich in der Gegenwart als die uns bekannte ältere Witwe. Für unsere Visualisierungen hieß das: Wir brauchen nicht drei Ursulas. Wir brauchen dieselbe Ursula in drei Lebensphasen. Und mit dieser Vorgabe betritt man endgültig ein Gebiet, auf dem aus einem hübschen KI Bild eine ziemlich anspruchsvolle Aufgabe wird.
Eine jüngere Ursula darf nicht einfach eine andere junge Frau sein. Eine ältere Ursula darf nicht aussehen wie eine Schauspielerin, die ungefähr dieselbe Frisur trägt. Augen, Gesichtsform, Mund, Nase, Körperproportionen – all das muss genügend Kontinuität besitzen damit wir glauben: Ja. Das ist dieselbe Frau. Nur liegen Jahrzehnte dazwischen.
Dasselbe galt für ihren Ehemann Manfred.
Und plötzlich machten wir etwas, das beim Schreiben vollkommen normal ist: Wir begleiteten zwei Menschen durch ihr Leben. Nur, mussten wir ihnen jetzt beim Altern zusehen.
Und das war teilweise verblüffend und an manchen Stellen auch leicht unheimlich. Doch, der nächste Denkfehler ließ nicht lange auf sich warten.

Menschen haben Beziehungen

Wir hatten bis hierher einzelne Figuren. Um Gruppenbilder zu generieren, stellten wir sie nebeneinander. Problem gelöst?
Nein.
Überhaupt nicht. Denn zwei korrekt dargestellte Menschen ergeben noch lange kein glaubwürdiges Paar. Das merkten wir sofort bei unseren ersten gemeinsamen Bildern. Denn, Menschen die seit Jahren miteinander leben, stehen anders nebeneinander wie zwei Fremde an einer Bushaltestelle. Sie haben unterschiedliche Individualinstanzen. Sie wenden sich einander zu. Sie berühren sich beiläufig und sie reagieren aufeinander.
Und so wurde aus dem KI-Prompt langsam aber unumstößlich eine Regieanweisung: „Nicht beide frontal zur Kamera.“ „Etwas dichter zusammen.“ „Er soll ihn ansehen.“ „Das sieht aus wie ein Firmenfoto.“ „Nein, nicht so.“ „Die beiden dargestellten Personen sind ein Paar.“ „Bitte nicht händchenhaltend wie bei der Silberhochzeit.“ Und was natürlich nicht fehlen darf ist der Klassiker: „Die Hände unterschiedlich.“ Denn wer schon mal länger mit generativer Bild KI gearbeitet hat, weiß genau warum dieser irgendwann einmal fällt.

Dann stellten wir drei Männer zusammen

Spätestens mit Gustav, Niklas und Linus wurde die Sache endgültig interessant. Denn die drei sind im Roman „Dreiklang“ nicht einfach drei Figuren. Sie führen eine polyamore Beziehung. Und ein Gruppenfoto in welchem Gustav links, Niklas in der Mitte und Linus rechts brav nebeneinanderstehen, erzählt davon überhaupt nichts.
Also mussten wir beginnen Beziehungen zu inszenieren. Wer schaut wen an? Wer steht wem näher? Wie verhindert man, dass zwei wie ein Paar wirken und der Dritte wie der zufällig mitgebrachte Arbeitskollege? Wie erzeugt man ein sichtbareres Beziehungsdreieck, ohne daraus eine gestellte Kuschelpose zu machen?
Während weiterhin galt: Gustav muss Gustav bleiben. Niklas muss Niklas bleiben und Linus muss Linus bleiben.
Keiner von ihnen darf plötzlich zehn Zentimeter wachsen und bitte liebe KI, niemandem spontan eine neue Frisur verpassen.
An diesem Punkt hatte unser kleines Experiment endgültig aufgehört einfach nur schöne Bilder zu erzeugen. Von diesem Punkt an führten wir Regie.

Die KI bekommt keine Rollenbesetzung mehr

Inzwischen arbeiten wir deshalb anders als am Anfang.
Neue Figuren dürfen zunächst vorsprechen. Das ist der Punkt, wo die KI interpretieren darf. Wir probieren aus, verändern die Kleidung, Körperbau, Alterseindruck und Ausstrahlung. Das wiederholen wir so lange bis dieser eine Moment kommt: Das ist die Figur.
Damit ist Schluss. Ab diesem Zeitpunkt wird das Bild zur Referenz. Die Bild-KI darf anschließend noch entscheiden, wie das Licht fällt, welche Falten die Kleidung hat oder wie unscharf die Kastanien im Hintergrund sind. Aber, sie bekommt die Person nicht noch einmal zur Neubesetzung ausgeschrieben.
Das hat unseren gesamten Visualisierungsprozess verändert. Denn inzwischen besitzen wir nicht mehr nur Bilder. Wir haben einen „Cast“. Das bedeutet, wenn wir heute Ursula sagen, meinen wir eine bestimmte Frau. Wenn wir von Gustav sprechen, sehen wir ein bestimmtes Gesicht. Pascal ist Pascal. Holger ist Holger und Nils ist Nils. Und wenn zwei dieser Menschen gemeinsam auf einem Bild erscheinen sollen, überlegen wir nicht mehr nur, wie dieses Bild aussehen soll. Wir überlegen, wie diese zwei Menschen miteinander wären. Das ist ein kleiner, aber entscheidender Unterschied.

Und dann passiert etwas Merkwürdiges

Natürlich ersetzt all das nicht die Bilder, die Leser beim Lesen selbst entwickeln. Das soll es auch überhaupt nicht. Unsere Visualisierungen sind keine Anweisungen an euch: So müsst ihr euch die Figur vorstellen. Aber sie ist eines: Unsere Interpretation. Unser internes Casting für die Königsstrasse.
Für uns sind sie inzwischen aber erstaunlich real geworden.
Wenn ich heute ein Bild von Ursula sehe und ihr Gesicht nicht stimmt, merke ich es sofort. Nicht, weil irgendwo in einem Roman exakt beschrieben wäre, wieviel Millimeter Abstand zwischen ihren Augen liegt. Sondern weil ich denke: Das ist nicht Ursula.
Was einigermaßen absurd ist, wenn man bedenkt das Ursula Bermann nicht existiert. Andererseits: Nach vierzehn Romane würde ich diese Behauptung ohnehin nur noch eingeschränkt unterschreiben.
Doch - ihr ahnt es – hatten wir schließlich ein neues Problem.
Wir hatten die Straße. Wir hatten ihre Bewohner. Wir hatten Paare und Familien. Und nun, wollten wir mehrere davon gleichzeitig auf ein Bild bekommen.
Doch, falls ihr glaubt, drei oder vier bereits gecastete KI-Figuren einfach gemeinsam auf die Königsstrasse stellen zu können: Nein. Kann man nicht. Zumindest nicht, wenn es hinterher so aussehen soll, als würden sich diese Menschen tatsächlich kennen.
Aber darum, geht es im nächsten Teil, bis dahin
Euer Uli