So hält KI dein Kind erkennbar | MeinEigenesBuechlein
Gib denselben Text-Prompt zweimal in einen KI-Bildgenerator ein und du bekommst zwei unterschiedliche Gesichter. Das ist keine Störung, sondern die Funktionsweise des Modells: Jede Generierung startet bei zufälligem Rauschen und folgt einem eigenen Weg zum Endbild. Für eine einzelne Illustration ist das harmlos. Für eine Geschichte mit elf Seiten, in der dasselbe Kind immer wieder auftauchen muss, ist genau das der Kern des Problems.
Warum Konsistenz keine eingebaute Eigenschaft ist
Text-zu-Bild-Modelle haben kein Gedächtnis zwischen den Generierungen. Jedes Bild wird unabhängig berechnet, selbst wenn der Prompt fast identisch mit dem vorherigen ist. Forschende behandeln das inzwischen als eigenständiges, formal benanntes Problem: “consistent character generation” lässt sich nicht einfach dadurch lösen, dass man ein größeres Modell trainiert. In “The Chosen One: Consistent Characters in Text-to-Image Diffusion Models” (Avrahami et al., 2023) zeigen die Autoren, dass ein Standardmodell ohne zusätzliche Technik bei jeder neuen Szene ein leicht anderes Gesicht, eine andere Frisur oder einen anderen Körperbau erzeugt, obwohl der Text-Prompt wörtlich identisch bleibt.
Zwei Familien technischer Lösungen
Die Forschung zu diesem Problem hat grob zwei Ansätze hervorgebracht. Der erste, im selben Paper beschrieben, generiert eine große Anzahl von Varianten aus derselben Beschreibung und clustert anschließend die einander ähnlichsten Ergebnisse zu einer konsistenten Identität, ganz ohne Referenzfoto.
Der zweite Ansatz funktioniert andersherum: Man gibt dem Modell neben dem Text-Prompt ein echtes Referenzbild mit, sodass es sich buchstäblich an visuellen Merkmalen “verankern” kann. Das nennt sich Reference-Conditioning und wird unter anderem in “IP-Adapter: Text Compatible Image Prompt Adapter for Text-to-Image Diffusion Models” (Ye et al., 2023) beschrieben. Das Modell lernt dabei nicht nur aus Text, sondern auch aus einem separat mitgeschickten Bild, über eine eigene Aufmerksamkeitsschicht, die sich gezielt auf dieses Bild konzentriert.
Unser Ansatz: ein Ankerbild, elfmal mitgeschickt
Bei MeinEigenesBuechlein setzen wir auf den zweiten Weg. Sobald die erste Illustration eines Buches freigegeben ist, wird dieses Bild zum Ankerbild: Es wird bei jedem folgenden Seiten-Prompt als Referenz mitgeschickt, zusammen mit einer detaillierten schriftlichen Charakterbeschreibung (Haarfarbe, Haartyp, Hautton, Kleidungsstück). Edwin, der Data Engineer, der die Pipeline gebaut hat: “Ohne diesen Anker bekommst du auf Seite 7 vielleicht einen Jungen mit braunem Haar, obwohl er auf Seite 2 noch rotes Haar hatte. Mit dem Anker bleibt das Modell nah an dem, was bereits freigegeben wurde.”
Ganz fehlerfrei ist das nicht. Bei etwa einer von acht Seiten erkennt eine automatische Prüfung merkliche Charakter-Drift, etwa eine leicht andere Haarfarbe oder eine verschobene Gesichtsform, und die Seite wird automatisch neu generiert, bevor du das Buch überhaupt siehst. Unsere ausführliche Erklärung der kompletten gpt-image-2-Pipeline zeigt, wie dieser Schritt in den Gesamtprozess passt, vom Rauschen bis zum Pixel.
Wann selbst dieser Ansatz nicht perfekt ist
Wichtig, hier ehrlich zu sein: Reference-Conditioning sorgt für Wiedererkennbarkeit, nicht für eine pixelgenau identische Kopie. Das rote Haar, die Sommersprossen, die grundsätzliche Gesichtsform bleiben über elf Seiten stabil genug, um das “Das bin ich”-Gefühl auszulösen, aber die Illustration auf Seite 3 ist nie eine exakte digitale Kopie der auf Seite 9, und das war auch nie das Ziel.
Wer ein einzelnes hyperrealistisches Porträt sucht, bei dem jeder Gesichtszug fotografisch stimmt, etwa zum Aufhängen an der Wand, ist mit einem gedruckten Foto oder einem Fotobuch besser bedient als mit einer illustrierten Geschichte. Und ein Ausgangsfoto, das unscharf, dunkel oder niedrig aufgelöst ist, gibt dem Modell schlicht weniger, woran es sich verankern kann - je schärfer das hochgeladene Foto, desto stabiler in der Regel die Konsistenz über die Seiten hinweg. Unsere Erklärung von Embeddings und Stilerkennung geht näher darauf ein, was ein Modell aus einem einzelnen Bild herauslesen kann und was nicht.
Die Alternative: ein Mensch, der ständig vergleicht
Es gibt einen Nicht-KI-Weg, der dieses Problem strukturell anders löst: eine freiberufliche Kinderbuchillustratorin oder einen Illustrator engagieren, zum Beispiel über eine Plattform wie Etsy oder Fiverr, die jede Seite von Hand neben dasselbe Referenzfoto legt. Ein Mensch vergleicht bewusst mit früheren Seiten und korrigiert sich selbst; das kostet keine Rechenleistung, dafür aber Zeit, oft zwei bis sechs Wochen pro Buch, und einen Preis, der deutlich über dem einer automatisierten Pipeline liegt. Wer keinen Zeitdruck hat und ein vollständig einzigartiges, handgezeichnetes Ergebnis liebt, findet darin eine faire Alternative.
Edwins Perspektive
“Dieses Problem ist mir in meinen eigenen Tests immer wieder begegnet, bevor wir den Anker-Mechanismus gebaut haben”, erzählt Edwin. “Genau auf diesem Detailniveau muss Konsistenz funktionieren, nicht fotografisch perfekt, aber auf jeder einzelnen Seite wiedererkennbar.”
Charakterkonsistenz ist kein visueller Zufall. Es ist eine bewusste technische Entscheidung, Ankerbild, Referenzeingabe, automatische Prüfung, die darüber bestimmt, ob ein Kind sich auf Seite 9 noch genauso gut erkennt wie auf dem Cover. Neugierig, wie das in der Praxis aussieht? Schau dir Beispiele der Illustrationsstile an, bevor du selbst startest.