WERBEPLATZ VERFÜGBAR · PARTNERSCHAFTEN WILLKOMMEN
Deutsch
English简体中文繁體中文日本語EspañolPortuguês한국어DeutschFrançais
Alle Seiten

Wie D-ID Agentic Videos voraufgezeichnete Präsentationen in interaktive Echtzeit-Gespräche verwandeln

Ratgeber
365Finds Editorial
11.430 Wiki-Artikel erfasst

365 Wiki mit deiner KI nutzen

Kopiere den Prompt unten, füge ihn in deine gewohnte KI ein und stelle direkt deine Frage.

Vollständigen Skill herunterladen

Probiere es zuerst mit dem Prompt aus. Wenn du 365 Wiki häufig nutzt, installiere den vollständigen 365Wiki Skill, damit du ihn nicht jedes Mal einfügen musst. Ohne bevorzugte KI funktionieren auch die Webversionen von Gemini oder Microsoft Copilot.

365Wiki Skill

Vollständigen Skill herunterladen
Voraufgezeichnete Videopräsentationen stehen in der betrieblichen Weiterbildung und im digitalen Marketing seit langem vor einem strukturellen Dilemma: Sie lassen sich kostengünstig und unbegrenzt skalieren, bleiben jedoch eine rein einseitige Übertragung. Wenn Mitarbeitende bei einer regulatorischen Schulung auf unklare Klauseln stoßen oder Kaufinteressierte bei einer Produktdemo spezifische Fragen zur IT-Sicherheit haben, läuft das Video ungerührt weiter. Die Zuschauenden müssen sich entscheiden: Entweder sie schauen trotz Verständnislücken passiv weiter, oder sie pausieren das Video und suchen in externen Tabs nach Antworten – was häufig zum vollständigen Abbruch führt.


D-ID Agentic Videos löst dieses Problem, indem es eine autonome, interaktive Echtzeit-KI-Schicht direkt über das voraufgezeichnete Videomaterial legt. Anstatt lediglich einen gewöhnlichen Text-Chatbot neben den Player zu setzen, verwandelt D-ID das Video selbst in eine durchgehende Dialogfläche. Während die aufgezeichnete Person spricht, können Zuschauende jederzeit auf einen interaktiven „Ask“-Button (Fragen) klicken. Der Player wechselt nahtlos per weicher Überblendung (Crossfade) zu einem lebensechten KI-Avatar, der präzise auf dem Transkript des Videos und ergänzenden Wissensdatenbanken aufsetzt. Die Zuschauenden stellen Fragen per Sprache oder Text, erhalten fundierte Antworten und können auf Wunsch direkt zu den relevanten Stellen im Video springen. Sobald die Fragen geklärt sind, blendet der Player wieder exakt an jenen Punkt zurück, an dem das Video pausiert wurde.


Dieser Leitfaden erläutert die Funktionsweise und Architektur von D-ID Agentic Videos, die vier zentralen Säulen des Systems, die lückenlose Nutzererfahrung, die Implementierung über das No-Code-Studio sowie über die REST-API und bewährte Best Practices für Unternehmen.




Die strukturellen Schwachstellen statischer Videopräsentationen


Der rein passive Konsum linearer Videos erzeugt in der Personalentwicklung (L&D), im Produktmarketing und im technischen Vertrieb gravierende Reibungsverluste:



D-ID Agentic Videos überführt die Einbahnstraße in einen dynamischen Feedback-Kreislauf: Das voraufgezeichnete Video steuert den roten Faden bei, während der Echtzeit-KI-Agent als persönlicher Tutor bereitsteht und Unklarheiten im Moment des Auftretens beseitigt.




Die vier technologischen Säulen von D-ID Agentic Videos


Die Transformation statischer MP4-Dateien oder YouTube-Streams in interaktive Dialoge basiert auf dem Zusammenspiel von vier Kernsystemen: automatisierte RAG-Wissensindexierung, ausdrucksstarke V4-Avatare, sprachoptimierte Modellsteuerung und eine extrem latenzarme Crossfade-Laufzeitumgebung.


+-------------------------------------------------------------------------+
|                    Voraufgezeichnetes Quellvideo                        |
|        (Direkte MP4/MOV-Datei bis 30 Min. oder YouTube-Video-URL)       |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                  Automatisierte RAG- & Ingestion-Engine                 |
|  - Hochpräzise Audiotranskription & Spracherkennung                     |
|  - Automatische Skriptzusammenfassung in Wissensdatenbank               |
|  - Sekundengenaue Themen-Timeline (Timeline of Topics)                  |
|  - Einbindung ergänzender Dokumente (bis zu 40.000 Zeichen)             |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                       D-ID Agenten-Konfiguration                        |
|  - Präsenter: V4 Expressive Avatar (emotionsgestützte Mikromimik)       |
|  - Sprachmodell: Deterministisches RAG (OpenAI / Gemini / Custom LLM)   |
|  - Sprachsynthese: Latenzarme TTS (ElevenLabs, Cartesia, Microsoft)     |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                  Player-Laufzeitumgebung & Statussteuerung              |
|    Normale Wiedergabe  <==== Crossfade ====>  Interaktive Live-Session  |
|    (Interaktiver Ask-Button)                  (WebRTC-Echtzeitdialog)   |
+-------------------------------------------------------------------------+



1. Automatische Transkription und Themen-Timeline


Sobald eine Video-URL an die D-ID-Pipeline übergeben wird, extrahiert das System die Audiospur, erkennt den Sprachcode (z. B. de-DE oder en-US) und erstellt ein exaktes Transkript. Dabei geschehen zwei entscheidende Verarbeitungsschritte:


    

  1. Wissensverankerung (RAG): Das Transkript wird bereinigt, segmentiert und als dedizierte Retrieval-Wissensbasis für den Agenten strukturiert. Dadurch antwortet der Avatar streng auf Basis der tatsächlichen Videoaussagen, wodurch Halluzinationen ausgeschlossen werden.
    2. 

  2. Themen-Timeline (Timeline of Topics): Das Video wird in thematische Abschnitte zerlegt, wobei jedem Konzept die exakte Startsekunde zugewiesen wird. Fragt jemand nach einem Aspekt aus einem früheren oder späteren Kapitel, nutzt der Agent diesen Zeitindex, um die Antwort einzuordnen und gezielte Zeitsprünge im Video anzubieten.
    3. 



Zusätzlich können bis zu 40.000 Zeichen an ergänzendem Wissen (etwa Handbücher, Richtlinien oder FAQs) hinterlegt werden, um Detailfragen abzudecken, die im Video nicht explizit genannt wurden.


2. V4 Expressive Avatare (Fotorealistische digitale Menschen)


Wirkt eine virtuelle Figur starr oder reagiert sie mit spürbarer Verzögerung, bricht die Immersion ab. D-ID nutzt für Agentic Videos seine V4 Expressive Avatar-Architektur:



3. Auf gesprochene Sprache optimierte Dialogsteuerung


Ein typischer Fehler multimodaler KI-Lösungen besteht darin, geschriebene Markdown-Listen oder Tabellen hölzern vorzulesen. D-ID verwendet sprachspezifisch optimierte Systemanweisungen:



4. Nahtloser Crossfade-Player


Der Web-Player wird über das globale CDN von D-ID als kompaktes ES-Modul bereitgestellt und lässt sich flexibel in beliebige HTML-Container einbinden:





Die vollständige Nutzererfahrung Schritt für Schritt


Der typische Ablauf veranschaulicht, weshalb dieses Format im Vergleich zu herkömmlichen Videos wesentlich höhere Abschluss- und Behaltensraten erzielt:


[ Video startet normale Wiedergabe ]
          |
          v
[ Dezenter "Ask"-Button erscheint im Player ]
          |
          +---> Nutzende können das Video ganz normal passiv ansehen
          |
          v (Frage oder Unklarheit taucht auf)
[ Klick auf "Ask" (oder Spracheingabe) ]
          |
          v
[ Video pausiert und blendet per Crossfade zum V4-Avatar über ]
          |
          v
[ Avatar spricht Begrüßung on_click ("Hallo! Was kann ich für Sie klären?") ]
          |
          v
[ Interaktiver Dialog per Stimme oder Text basierend auf dem Inhalt ]
          |
          +---> Avatar erklärt Sachverhalt mit lebendiger Mimik
          +---> Bietet direkten Sprung zur relevanten Videosekunde an
          |
          v
[ Frage geklärt: Klick auf "Zurück zum Video" ]
          |
          v
[ Player blendet zurück und setzt Wiedergabe nahtlos fort ]
          |
          v
[ Video erreicht das Ende ]
          |
          v
[ Avatar erscheint automatisch mit on_video_end Gruß und Handlungsaufforderung ]



Phase 1: Gewohnte Videowiedergabe mit Interaktionsangebot


Der Nutzer sieht einen modernen Player mit vertrauten Steuerelementen (Play, Pause, Zeitleiste, Lautstärke, Vollbild). In einer Ecke befindet sich ein dezenter Button mit einem anpassbaren Text wie „Stellen Sie mir eine Frage“.


Phase 2: Hürdenloser Wechsel


Taucht eine Frage auf, genügt ein Klick auf „Ask“. Das Video pausiert sofort und die Ansicht wechselt flüssig zum sprechenden Avatar, ohne dass ein neues Browserfenster geöffnet oder gewartet werden muss.


Phase 3: Fundierte Klärung im Dialog


Der Avatar spricht eine Begrüßung (greetings.on_click) und lädt zum Gespräch ein. Fragt jemand beispielsweise: „Was bedeutet die Zwei-Faktor-Pflicht in Abschnitt zwei genau?“, greift der Agent auf das Transkript zu, erklärt den Sachverhalt in verständlicher Sprache und fragt, ob er direkt zu Minute 3:15 im Video springen soll.


Phase 4: Reibungslose Rückkehr


Sobald die Frage beantwortet ist, klickt die Person auf „Zurück zum Video“. Der Avatar blendet aus und das Video läuft ohne Unterbrechung des Gedankengangs genau an der Pausierungsstelle weiter.


Phase 5: Gezielter Abschluss und Call-to-Action


Am Ende des Videos kann der Avatar automatisch eingeblendet werden (show_agent_on_video_end: true) und eine Abschlussnachricht übermitteln (greetings.on_video_end), wie etwa: „Das war der Überblick! Möchten Sie die Kernpunkte wiederholen oder direkt mit dem Abschlusstest starten?“. So wird aus einem statischen Videoende ein aktiver Einstiegspunkt für den nächsten Schritt.




Implementierungspfade: No-Code Studio und REST-API


Für die Bereitstellung bietet D-ID zwei Wege: eine visuelle Oberfläche im Studio für Fachabteilungen sowie eine REST-API für Software-Entwicklungsteams.


Methode 1: No-Code Studio-Workflow


Optimal für Schulungsleitungen, HR-Teams und Marketing-Verantwortliche:


    

  1. Video hochladen: Im D-ID Creative Reality™ Studio eine Videodatei (bis 30 Minuten als .mp4, .mov oder .mpeg) hochladen oder einen öffentlichen YouTube-Link einfügen.
    2. 

  2. Avatar auswählen: Einen V4 Expressive Avatar wählen, der optisch und tonal zur Präsentation passt.
    3. 

  3. Stimme und Persönlichkeit anpassen: Den Sprachdienstleister festlegen (z. B. ElevenLabs oder Microsoft Speech), Sprechgeschwindigkeit und Tonhöhe justieren sowie Instruktionen hinterlegen.
    4. 

  4. Begrüßungstexte definieren: Den Text für den Button, die Begrüßung beim Öffnen (on_click) und die Verabschiedung am Videoende (on_video_end) eingeben.
    5. 

  5. Zusatzmaterial ergänzen: Bis zu 40.000 Zeichen an Detaildokumenten oder FAQs hochladen, um Wissenslücken zu schließen.
    6. 

  6. Code einbinden: Den generierten Embed-Code kopieren und in das firmeneigene LMS, Intranet oder CMS einfügen.
    7. 





Methode 2: Programmatische REST-API für Entwickler


Für Entwicklungsteams, die interaktive Videoplayer in SaaS-Plattformen oder unternehmenseigene Lernportale einbetten möchten.


Schritt 1: Agentic-Video-Ressource anlegen


Einen POST-Aufruf an https://api.d-id.com/agentic-videos senden und Video-URL, Presenter-ID sowie Begrüßungstexte übermitteln:


curl -X POST "https://api.d-id.com/agentic-videos" \
  -H "Authorization: Basic <IHR_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "source_url": "https://storage.example.com/videos/compliance-schulung.mp4",
    "name": "Datenschutz und IT-Sicherheit",
    "presenter_id": "public_mia_elegant@avt_TJ0Tq5",
    "bubble_text": "Fragen an die Trainerin stellen",
    "greetings": {
      "on_click": "Guten Tag! Welchen Aspekt der Richtlinie darf ich näher erläutern?",
      "on_video_end": "Sie haben das Modul abgeschlossen. Haben Sie vor dem Test noch Fragen?"
    },
    "show_agent_on_video_end": true,
    "background": {
      "color": "#111827"
    }
  }'



Die API liefert sofort eine eindeutige video_id und den Startstatus zurück:


{
  "video_id": "avd_88a91b2c3d",
  "status": "created"
}



Schritt 2: Verarbeitungsstatus abfragen


Die Transkription und Agentenerstellung laufen asynchron ab. Der Status wird per GET /agentic-videos/{video_id} abgefragt, bis er done erreicht:


curl -X GET "https://api.d-id.com/agentic-videos/avd_88a91b2c3d" \
  -H "Authorization: Basic <IHR_API_KEY>"



Statusübersicht:



Schritt 3: Domänenbeschränkten Client Key generieren


Der Haupt-API-Schlüssel darf niemals im Frontend sichtbar sein. Mit POST /agents/client-key wird ein schreibgeschützter Schlüssel für freigegebene Domänen erzeugt:


curl -X POST "https://api.d-id.com/agents/client-key" \
  -H "Authorization: Basic <IHR_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "allowed_domains": [
      "https://lms.meinefirma.de",
      "https://portal.meinefirma.de",
      "http://localhost:3000"
    ]
  }'



Schritt 4: Player in HTML einbetten


Über HTML-Datenattribute initialisiert sich der Player selbstständig und bindet sich in den gewünschten Container ein:


<!-- Zielcontainer -->
<div id="agentic-player-container" style="max-width: 960px; margin: 0 auto;"></div>

<!-- D-ID Embed-Skript -->
<script
  type="module"
  src="https://agentic-videos.d-id.com/v1/index.js"
  data-client-key="Z29vZ2xlLW9hdXRoMnwx..."
  data-agentic-video-id="avd_88a91b2c3d"
  data-target-id="agentic-player-container"
  data-autoplay="false"
  data-external-id="mitarbeiter_id_7701"
  data-mixpanel-property-abteilung="Qualitaetsmanagement"
></script>



Schritt 5: Programmatische Einbindung in SPAs (React / Next.js / Vue)


In modernen Webanwendungen, in denen Komponenten dynamisch über Routing geladen werden, lässt sich die Initialisierung per JavaScript steuern:


import { useEffect } from 'react';

export function AgenticVideoPlayer({ videoId, clientKey, userId }) {
  useEffect(() => {
    let active = true;

    async function loadPlayer() {
      const { init } = await import('https://agentic-videos.d-id.com/v1/index.js');
      const mountNode = document.getElementById('spa-video-target');

      if (mountNode && active) {
        init({
          clientKey: clientKey,
          agenticVideoId: videoId,
          target: mountNode,
          autoPlay: false,
          externalId: userId,
          mixpanelProperties: {
            appVersion: '2.8.0',
            cohort: '2026-q3'
          }
        });
      }
    }

    loadPlayer();
    return () => { active = false; };
  }, [videoId, clientKey, userId]);

  return <div id="spa-video-target" className="w-full aspect-video rounded-2xl shadow-xl" />;
}





Geschäftliche Einsatzbereiche und messbare Mehrwerte





































EinsatzbereichHürde bei statischen VideosVeränderung durch Agentic VideosWichtigste KPIs
Betriebliche Weiterbildung & ComplianceAufmerksamkeit sinkt bei langen Pflichtmodulen; offene Fragen führen zu Fehlern in Tests.Unklarheiten werden sofort im Video geklärt; der Avatar erklärt Paragrafen und verweist auf Zeitmarken.Höhere Abschlussquoten; bessere Erstversuchs-Bestehensquoten; Entlastung interner Trainer.
B2B-Software-Demos & VertriebAufgezeichnete Demos können nicht auf IT-Architektur, Datenschutz oder Preismodelle eingehen.Interessierte pausieren die Demo und stellen spezifische Integrationsfragen direkt an den Avatar.Höhere Demo-zu-Test-Konversionsrate; schnellere Vertriebszyklen; weniger Vorabaufwand im Presales.
Kunden- und Mitarbeiter-OnboardingKomplexe Benutzeroberflächen führen bei Hürden im Setup zum sofortigen Nutzerabbruch.Der Avatar fungiert als ständiger Mentor auf der Seite, erklärt Optionen und leitet bei Fehlern an.Schnellere Wertschöpfung (Time-to-Value); geringere Abwanderung im ersten Monat; weniger Tickets.
Führungskräfte- und FinanzkommunikationBeschäftigte und Anleger finden in langen Townhalls selten direkt Antworten zu spezifischen Zahlen.Zuschauende fragen gezielt nach Kennzahlen und springen unmittelbar zur entsprechenden Stellungnahme.Größere Zufriedenheit mit der internen Kommunikation; besseres Verständnis der Unternehmensziele.




Erkenntnisse aus Nutzerfragen: Content-Optimierung


Klassische Analysen zeigen lediglich, dass „35 % der Zuschauenden nach vier Minuten ausgestiegen sind“ – der eigentliche Grund bleibt verborgen.


D-ID Agentic Videos erfasst wertvolle qualitative Nutzungsdaten:



Über die Anbindung an Tools wie Mixpanel können Schulungs- und Marketingteams das ursprüngliche Videoskript gezielt überarbeiten und die RAG-Wissensbasis kontinuierlich erweitern.




Best Practices und technische Hinweise


    

  1. Erstklassige Audioqualität sicherstellen: Die RAG-Erstellung und die Themen-Timeline stehen und fallen mit der Transkriptionsqualität. Klare Mikrofonaufnahmen ohne störende Hintergrundmusik sind unerlässlich.
    2. 

  2. Laufzeitbeschränkungen beachten: Direkt hochgeladene Dateien dürfen maximal 30 Minuten lang sein. Für längere Vorträge empfiehlt sich das Hosting auf YouTube oder die Aufteilung in modulare Lerneinheiten.
    3. 

  3. Strenge Sicherheitsleitplanken in regulierten Branchen: Im Finanz-, Gesundheits- oder Rechtsbereich sollte stets das Template rag-grounded mit niedriger Temperatur (0,1) gewählt werden, um Spekulationen des Modells auszuschließen.
    4. 

  4. Visuelle und akustische Stimmigkeit: Wenn das Originalvideo eine reale Person zeigt, sollte ein Avatar mit ähnlichem Erscheinungsbild und Stimmklang gewählt werden, damit der Übergang harmonisch wirkt.
    5. 

  5. Domänen im Produktivbetrieb einschränken: Der Client Key muss vor dem Livegang über den Parameter allowed_domains zwingend auf die tatsächlichen Domains beschränkt werden, um unberechtigte API-Nutzung zu verhindern.
    6. 





Fazit: Der Wandel zum dialogfähigen Video


D-ID Agentic Videos markiert einen grundlegenden Entwicklungsschritt in der digitalen Mediennutzung: Weg vom starren, passiven Sendebetrieb, hin zum intelligenten, kontextbewussten Dialog. Durch die Kombination aus ausdrucksstarken V4-Avataren, automatisierten RAG-Wissensbasen und weichen Crossfade-Überblendungen verwandelt diese Technologie lineare Präsentationen in ein interaktives Format mit hoher Verweildauer und tiefem Erkenntnisgewinn.




Referenzen


Behandelte Produkte
D-ID