D-ID: Sprechende KI-Avatare und Visual Agents erklärt

D-ID ist eine KI-Plattform des gleichnamigen israelischen Unternehmens aus Tel Aviv (gegründet 2017), die aus einem einzelnen Foto sprechende Avatare erzeugt — vom vertonten Video bis zum interaktiven Echtzeit-Agenten. Ursprünglich als Anbieter für Gesichts-Anonymisierung gestartet (“De-Identification”, daher der Name), ist D-ID heute einer der führenden Anbieter für sogenannte Digital Humans und hat Ende 2025 den deutschen Erklärvideo-Pionier simpleshow für rund 60 Millionen US-Dollar übernommen.

Funktionsumfang: vom Foto zum sprechenden Agenten

Der Kern von D-ID ist Photo-to-Video: Ein Porträtfoto plus Text oder Audiodatei ergibt ein Video, in dem die Person spricht — mit synchronisierten Lippenbewegungen und Mimik. Darauf aufbauend bietet die Plattform:

• Studio: Browser-Oberfläche für Avatar-Videos ohne Technikkenntnisse, inklusive Text-to-Speech in über 100 Sprachen und Anbindung an externe Stimm-Anbieter.
• Visual Agents: Echtzeit-Avatare, die mit einem LLM und einer Wissensbasis verbunden werden und live Fragen beantworten — auf der Website, im Kiosk-Terminal oder in der App. Die im März 2026 vorgestellte V4-Generation (“Expressive”) reagiert mit geringer Latenz und deutlich natürlicherer Mimik.
• Agentic Videos: Seit April 2026 lassen sich klassische Videos in interaktive Erlebnisse verwandeln — der Zuschauer kann das Video unterbrechen und dem Avatar Fragen stellen.
• API: Alle Funktionen sind programmatisch verfügbar, was D-ID zur Infrastruktur für eigene Produkte macht — etwa dialogfähige KI-Agenten mit Gesicht.

Die simpleshow-Übernahme ergänzt das Portfolio um KI-generierte Erklärvideos im bekannten Legetrick-Stil; die Agent-Technologie fließt umgekehrt in die simpleshow-Plattform ein.

Preise und Lizenzmodell

D-ID rechnet über Video-Minuten bzw. Credits ab, die monatlich verfallen. Eine kostenlose Testphase (mit Wasserzeichen) ist verfügbar. Laut Drittquellen liegen die Einstiegspläne Stand August 2026 bei rund 5 US-Dollar pro Monat (Lite, nur private Nutzung, mit Wasserzeichen); kommerzielle Nutzung beginnt mit dem Pro-Plan bei etwa 16 US-Dollar (jährliche Abrechnung) bis 29 US-Dollar (monatlich). Der Advanced-Plan bewegt sich je nach Abrechnung im Bereich von etwa 100 bis 200 US-Dollar monatlich, Enterprise-Konditionen mit SSO, SLA und White-Label gibt es nur auf Anfrage. Verbindlich sind allein die aktuellen Angaben auf d-id.com — die Preisstruktur ändert sich bei KI-Tools erfahrungsgemäß häufig. Wie sich solche Abomodelle im Vergleich rechnen, zeigt unser KI-Lizenzen-Vergleich.

Datenschutz: machbar, aber mit Pflichten

D-ID ist SOC-2-zertifiziert (Security, Availability, Confidentiality), erfüllt ISO/IEC 27018 für personenbezogene Daten in der Cloud und positioniert sich als DSGVO-konform. Für den Datentransfer hilft, dass Israel einen EU-Angemessenheitsbeschluss besitzt. Trotzdem gilt: Wer Avatare realer Mitarbeiter erstellt, verarbeitet biometrische Daten — das erfordert eine dokumentierte, freiwillige Einwilligung und einen Auftragsverarbeitungsvertrag mit D-ID. Bei Visual Agents kommt hinzu, dass Nutzereingaben durch ein LLM laufen; die Datenflüsse gehören in die Verarbeitungsdokumentation. Was dabei generell zu beachten ist, haben wir unter DSGVO-konforme KI zusammengefasst.

Abgrenzung zur Konkurrenz

Kurz: Synthesia ist die Wahl für produzierte Schulungsvideos, HeyGen für schnelle Marketing-Clips — D-ID immer dann, wenn der Avatar zuhören und antworten soll.

Einordnung für den Mittelstand

Für Unternehmen zwischen 20 und 500 Mitarbeitern ist D-ID vor allem dort interessant, wo ein Gesicht die Interaktion verbessert: als Produktberater auf der Website, als visuelle Ergänzung zu einem Voicebot oder als Avatar im automatisierten Kundenservice. Realistisch betrachtet ist der sprechende Avatar aber die Kür, nicht die Pflicht — erst muss die Wissensbasis stimmen, sonst antwortet ein hübsches Gesicht falsch. Wer primär Videos für Schulung oder Vertrieb produzieren will, findet im Ratgeber KI-Video erstellen den passenderen Einstieg. Die Minuten-Abrechnung erfordert zudem Kostendisziplin: Echtzeit-Agents mit hohem Traffic können teurer werden als ein klassischer Chatbot.