Seit dieser Woche führt mein Webradio einmal pro Stunde ein Gespräch, bei dem ich selbst nicht weiß, was gesagt wird, bevor ich es freigebe. Zwei KI-Stimmen diskutieren einen Artikel aus meinem eigenen Blog, kritisch, zustimmend oder komplett quer dazu, und ich wähle nur aus, welcher Artikel dran ist. Das klingt nach einem netten Gimmick. Ist es nicht. Es ist der Punkt, an dem KI-Kennzeichnung vom Pflichttext in der Fußzeile zu einer echten Designentscheidung wird.
Ein KI-Interview mit einer erfundenen Person ist nur dann sauber, wenn diese Person keinen Namen trägt. Alles andere wäre ein gefälschtes Zitat mit Etikett. Ich bin Alex Januschewsky, KI-Berater und Betreiber von digitalhandwerk.rocks, und genau an dieser Grenze zwischen Kennzeichnung und Täuschung habe ich in den letzten Tagen mehr gelernt als in Wochen vorher.
In diesem Artikel zeige ich, wie das Interview-Feature auf radio.digitalhandwerk.rocks technisch funktioniert, warum die zweite Stimme bewusst namenlos bleibt, was Artikel 50 der EU-KI-Verordnung hier konkret verlangt, und welche fünf Fehler mich dorthin geführt haben, wo das System jetzt steht.
Was ist ein KI-generiertes Interview überhaupt?
Kurz zur Einordnung, zwei Begriffe tauchen im Folgenden öfter auf. Ein KI-generiertes Interview ist hier ein vollständig von einem Sprachmodell erzeugter Dialog zwischen zwei synthetischen Stimmen, ohne menschliche Aufzeichnung dahinter. Ein Deepfake ist nach Artikel 3 Nummer 60 der KI-Verordnung ein KI-erzeugter Bild-, Audio- oder Videoinhalt, der bestehenden Personen, Orten oder Ereignissen so ähnlich sieht, dass er fälschlich für echt gehalten werden könnte. Genau an dieser zweiten Definition hängt die ganze Konstruktion meines Interview-Formats.
Wie läuft das Gespräch technisch ab?
Ich wähle einen Blogartikel aus, stelle eine Ausrichtung für die zweite Stimme ein und schreibe Fragen oder lasse sie vorschlagen. Fünf Positionen stehen zur Wahl: kritisch, hinterfragend, zustimmend, praktisch, gelassen. Google Gemini erzeugt daraus ein vollständiges Wechselgespräch, das ich im Backend redigiere. Erst nach meiner Freigabe wird der Text vertont, danach ist er eingefroren. Ein zweiter Schalter nimmt das fertige Gespräch überhaupt erst auf Sendung. Kostenpunkt pro Entwurf: rund 0,29 Cent, gemessen an 2491 Input- und 858 Output-Token. Das ist eh kein Betrag, über den man diskutieren muss, aber er zeigt, wie günstig ein einzelnes Gespräch heute zu erzeugen ist, und genau deshalb braucht es eine Regel, bevor der Umfang wächst.
Gesprochen wird auf drei einsprachig deutschen Edge-TTS-Stimmen: de-AT-JonasNeural moderiert die Sendung, de-AT-IngridNeural übernimmt Senderkennung, KI-Hinweis und Werbung, und de-DE-KatjaNeural spricht die zweite Stimme im Interview. Wichtig dabei: Katja ist ein Stimmenname, kein Personenname. Die Figur dahinter bleibt ohne Titel, ohne Funktion, ohne Zuschreibung, genau wie Jonas als Stimme etwas anderes ist als ein echter Moderator mit Werdegang. Eine mehrsprachige Stimme hätte ich mir eigentlich einfacher vorgestellt, aber genau die hat vorher immer wieder englisch ausgesprochen, was deutsch hätte klingen sollen. Eine einsprachige Stimme kann diesen Fehler strukturell gar nicht erst machen.
Warum bekommt der Gast keinen Namen?
Hier wird es interessant, weil die naheliegende Lösung die falsche ist. Ein Name für die zweite Stimme, vielleicht sogar ein Titel oder eine erfundene Funktion, würde das Interview lebendiger wirken lassen. Genau das darf es nicht. Eine erfundene Person mit echt klingender Zuschreibung ist eine Falschangabe, auch bei allgemeiner KI-Kennzeichnung im Player. Ohne Namen ist es ein Standpunkt. Mit Namen ein gefälschtes Zitat.
Das ist kein theoretisches Risiko. In einer frühen Version fragte die Interviewerin sinngemäß, wie eine bestimmte These aus meinem eigenen Artikel zu begründen sei, ohne kenntlich zu machen, dass sie damit das Blog selbst befragt statt einer unabhängigen Stimme. Genau die Art von Verwechslung, vor der ich in meinem Artikel zu KI-Halluzinationen selbst gewarnt habe: Sprachmodelle erfinden mit vollem Selbstbewusstsein, und ein Zitat, das nie jemand gesagt hat, klingt genauso flüssig wie ein echtes. Ich habe deshalb eine Prüfung in den Code eingebaut, die solche Selbstzuschreibungen jetzt automatisch als harten Befund wirft, bevor ein Segment überhaupt vertont wird.
Zusätzlich läuft vor jedem Gespräch ein eigener Jingle, gesprochen von Ingrid: ein Hinweis, dass das folgende Gespräch keine Aufzeichnung ist, beide Stimmen künstlich erzeugt sind und der Gast eine erfundene Figur ist. Der allgemeine KI-Hinweis, der ohnehin alle 15 Minuten läuft, reicht dafür nicht. Ein Gespräch dauert wenige Minuten am Stück, zwei Stimmen im Wechsel klingen nach echter Aufzeichnung, und genau in dieser Lücke entsteht die Verwechslungsgefahr.
Was verlangt Artikel 50 hier konkret?
In den meisten Beratungsgesprächen, die ich zu diesem Thema führe, denken Kunden bei KI-Kennzeichnung zuerst an ein Bild mit einem kleinen Symbol in der Ecke. Bei Audio, das in Echtzeit läuft, funktioniert dieses Modell nicht. Die Offenlegung muss laut Artikel 50 der KI-Verordnung klar und wahrnehmbar erfolgen, und bei einem laufenden Sender kann sie nicht am Anfang stehen und dann verklingen.
Ich habe das an drei Stellen umgesetzt: dem gesprochenen Jingle mindestens alle 15 Minuten, einem dauerhaft sichtbaren Feld im Player, und im einbettbaren Widget nicht abschaltbar. Für das Interview kommt der eigene Vorspann dazu, weil die allgemeine Kennzeichnung sonst schlicht zu selten greift. Eine Vertragsprüfung im Code misst nach jeder Produktion die größte Lücke zwischen zwei Kennzeichnungen, auch über den Schleifenrand der Sendung hinweg. Das aktuelle Interview läuft höchstens einmal pro Stunde und nie in derselben Lücke wie eine Moderation, gemessen am ausgelieferten Sendeplan an einem Tag: fünf Ausstrahlungen, Abstände von 74, 73, 67 und 72 Minuten, größte Kennzeichnungslücke 14,87 Minuten bei erlaubten 16. Das ist kein Zufall, sondern das Ergebnis einer Regel, die vorher zu locker getestet war, dazu gleich mehr.
Wer sich fragt, was ein Icon in der Bildecke damit zu tun hat: Ich habe die offiziellen EU-Icons für KI-Kennzeichnung auf meinem Blog eingebaut, sobald sie verfügbar waren, und mit watermark.digitalhandwerk.rocks sogar ein eigenes Tool dafür gebaut. Für stehende Bilder ist das die einfache Übung. Für einen Sender, der 24 Stunden läuft, ist die Kennzeichnung dagegen eine Frage der Taktung, nicht der Grafik. Wer noch unsicher ist, welche Pflichten seit dem 2. August 2026 überhaupt greifen und was der Digital Omnibus daran verschoben hat, findet die Einordnung für Einzelunternehmer in meinem Artikel zum Digital Omnibus für EPU.
Welche Fehler mich dorthin gebracht haben
Vier davon waren lehrreich, einer einfach nur ärgerlich. Der wichtigste: Mein Selbsttest maß gegen eine großzügigere Grenze als die eigentliche Regel im Betrieb, also war er grün, während die echte Sendung mit 18,5 Minuten scheiterte. Tests messen jetzt gegen exakt dieselbe Schranke wie der Live-Betrieb, alles andere prüft nichts.
Der zweite Fehler saß tiefer im Code: SystemExit erbt in Python nicht von Exception. Meine Fehlerbehandlung im Hintergrundjob fing deshalb nur Exception ab, der Produktionsprozess starb lautlos, sobald die Vertragsprüfung eingriff, und der Status blieb dauerhaft auf „läuft“ stehen. Zweimal habe ich 18 Minuten auf ein Ergebnis gewartet, das nach drei Minuten längst feststand.
Dritter Fehler, fast banal: Jedes neue dauerhafte Verzeichnis braucht ein eigenes Volume in der Docker-Konfiguration. public/interviews fehlte, das Deployment nahm die fertige Tondatei einfach mit ins Nichts, während der Datenbankeintrag blieb. Ein Interview fiel dadurch still aus jeder Sendung, ohne dass irgendwo eine Fehlermeldung auftauchte.
Und der letzte, subtilste: Eine einzige Formulierung im Prompt, „die Position richtet sich gegen die These“, sollte nur den Bezugspunkt klären. Sie hat stattdessen allen fünf möglichen Ausrichtungen dieselbe Richtung gegeben. „Praktisch“ lieferte plötzlich einen kritischen Gast, „zustimmend“ einen mit Einwänden. Schauen wir mal, wie oft mir das noch passiert: Eine Formulierung, die harmlos klingt, kann eine ganze Einstellung im System wirkungslos machen, ohne dass ein einziger Test das anzeigt.
Fragen zu KI-Interviews und Kennzeichnung
Was ich aus den letzten Tagen mitnehme, ist keine große Lehre, sondern eine kleine Verschiebung: Kennzeichnung ist kein Textbaustein, den man einmal schreibt und dann vergisst. Sie ist eine Entscheidung, die bei jeder neuen Funktion neu getroffen werden muss, bevor die Funktion überhaupt live geht. Wer ein KI-Feature baut, das mit echten Namen oder erkennbaren Zuschreibungen arbeitet, sollte sich genau diese Frage stellen, bevor der erste Prompt geschrieben wird: Würde ich diesem System auch dann noch vertrauen, wenn ich selbst nicht wüsste, was als Nächstes gesagt wird?
