KI-Stimme oder Mensch? Ein Forensik-Check für die YouTube-Pipeline

1.824 Wörter Transkript, kein einziges „um" oder „you know", ein Geräuschpegel in den Sprechpausen von −69,7 dB — sauberer, als ein Mikrofon in einem echten Raum es je liefert. Diese drei Zahlen stammen von einem kleinen AI-News-Kanal, der nachrichtenartig OpenAI-Releases kommentiert. Sie sind das akustische Fingerabdruck-Muster einer Text-to-Speech-Stimme. Die Frage, die daraus folgt: Wie viele der Kanäle in einer über Monate gewachsenen Quellensammlung werden eigentlich von einer KI vorgelesen — und woran lässt sich das belastbar festmachen?

Warum die Stimme zählt#

Der Hintergrund ist eine LLM-gepflegte Wissensdatenbank, in der jede analysierte Quelle ein Profil mit Verlässlichkeits-Bewertung bekommt — der Aufbau wurde im Beitrag Vom Prototyp zur Pipeline beschrieben. Bei YouTube-Kanälen ist die Frage nach der Vertonung kein kosmetisches Detail. Ein Kanal, dessen Stimme aus dem Generator kommt, ist fast immer ein Faceless-Format: kein Gesicht, kein eigener Test, keine Demo. Solche Kanäle aggregieren typischerweise Blogposts und Marketingmaterial und lesen sie mit einer generischen Stimme vor. Das senkt nicht automatisch jeden Faktenwert, aber es verschiebt die Einordnung: Ein KI-vertonter Aggregator hat keine eigene Autorität gegenüber der Primärquelle, die er zusammenfasst.

Ein naheliegender Einwand vorweg, weil er die ganze Methode prägt: Viele dieser Kanäle nennen in ihrer Beschreibung einen realen Betreiber — „Ich bin X, Software-Engineer mit acht Jahren Erfahrung", oft mit Business-Mail. Das ist eine Behauptung, kein Nachweis. Faceless-Kanäle mit TTS-Vertonung erfinden oder leihen sich regelmäßig eine Betreiber-Persona. Ein genannter Name zählt nur dann entlastend, wenn die Person nachweislich vor der Kamera spricht oder unabhängig als reale Stimme dokumentiert ist. Andernfalls entscheidet die Forensik.

Zwei Stufen, feste Reihenfolge#

Der Check ist als eigener Agent organisiert, der vor der akustischen Analyse zunächst recherchiert. Die Reihenfolge ist Absicht.

1. Web-Recherche zuerst. Gibt es öffentliche Diskussionen, dass dieser Kanal KI-Stimmen nutzt? Tritt die Person on camera auf? Ist es ein bekannter Creator mit dokumentierter echter Stimme? Diese Stufe klärt die einfachen Fälle billig — ein etablierter Tech-YouTuber, der seit Jahren vor der Kamera redet, braucht keine Spektralanalyse.
2. Forensik danach. Bleibt der Fall offen, wird ein kurzer Audioausschnitt gezogen und vermessen. Die Forensik ist der harte Beleg dort, wo die Selbstauskunft des Kanals nichts wert ist.

Getrennt davon steht ein wiederverwendbares Mess-Skript (voice-forensics.py, Python mit numpy), das einen Audioausschnitt und optional ein Transkript entgegennimmt und die Marker als JSON ausgibt — inklusive einer konservativen Vorklassifikation, die der Agent dann mit dem Rechercheergebnis zu einem Gesamturteil verbindet.

Die vier Marker#

Nicht jeder Marker ist gleich belastbar. Zwei tragen das Urteil, zwei liefern nur Kontext.

Die Disfluenz-Dichte ist der aussagekräftigste Marker. Ein Mensch, der zehn Minuten frei spricht, produziert dutzende Füllwörter, Selbstkorrekturen und Halbsätze. Ein abgelesenes TTS-Skript hat davon praktisch keine. Gezählt werden gebundene Marker wie „um", „uh", „you know", „I mean" sowie die deutschen Pendants „ähm", „halt", „sozusagen", „quasi".

Der Noise-Floor misst den Geräuschpegel in den Sprechpausen. Eine echte Aufnahme trägt dort Raumton, Mikrofon-Eigenrauschen und Atemgeräusche — typisch −45 bis −55 dB. Synthetische Spuren sind dort digital still.

Die beiden schwachen Marker fließen nicht in die Punktzahl ein. Der spektrale Cutoff ist verführerisch — TTS-Modelle haben oft eine niedrigere Bandbreitengrenze — aber YouTube re-encodiert jede Spur per Opus-Codec, was den Cutoff verzerrt. Die Pausen-Regelmäßigkeit diskriminiert zwar, liegt bei TTS und Mensch aber zu dicht beieinander, um sie zu werten.

Die Scoring-Logik bleibt bewusst simpel:

# Score nur aus den zwei robusten Markern; Schwellwerte an wenigen Fällen
# kalibriert — plausibel, aber nicht statistisch gesichert.
if disfluency_per_1k < 1.5:      score += 2   # sehr niedrig, Skript/TTS-typisch
elif disfluency_per_1k < 3.0:    score += 1   # niedrig
if noise_floor_db < -75:         score += 2   # praktisch digitale Stille
elif noise_floor_db < -62:       score += 1   # studio-clean

# score >= 3  -> ki-verdacht-stark
# score == 2  -> ki-verdacht
# score == 1  -> grenzfall
# score == 0  -> eher-menschlich

Gegenprobe: zwei Kanäle, klare Trennung#

Ein Marker-Set ist nur so gut wie seine Trennschärfe. Zur Kontrolle wurde derselbe Messlauf auf einen bekannten On-Camera-Kanal angewendet — einen großen IT-YouTuber, der seit Jahren sichtbar vor der Kamera spricht. Das Ergebnis stellt die beiden Pole nebeneinander:

Faktor acht bei den Füllwörtern, 25 dB Abstand beim Noise-Floor. Die Marker, die das Urteil tragen, trennen die Fälle deutlich — nicht knapp.

Ein zweiter Kanal lieferte den Extremfall: ein Noise-Floor von −86,3 dB. Mit einem Mikrofon in einem realen Raum ist das kaum erreichbar; das ist quasi digitale Null. Genau für solche Werte gibt es die zweite Schwellenstufe (< −75 dB zählt doppelt), damit ein praktisch unmöglicher Pegel stärker wiegt als ein bloß sauberer.

Was nicht funktioniert — und die Grenzen#

Die ehrlichere Hälfte. Kein Marker ist ein Beweis, und beim Aufbau tauchten mehrere Fallstricke auf.

Auto-Subs verschlucken Füllwörter. Der Disfluenz-Marker steht und fällt mit der Transkriptquelle. YouTube-Auto-Untertitel glätten Sprache und lassen „um" oder „uh" oft weg. Eine niedrige Dichte aus Auto-Subs ist deshalb ein Verdacht, kein Beweis — das Skript markiert dieses Caveat im Output, damit es im Urteil sichtbar bleibt.

Ein Noise-Gate fälscht den Floor. Wer eine echte Aufnahme stark nachbearbeitet und ein Noise-Gate setzt, drückt den Pausenpegel künstlich nach unten. Ein sauberer Floor allein beweist also nichts; erst die Kombination mit der Disfluenz-Dichte trägt.

Das Sample kann danebenliegen. Gemessen wird ein Ausschnitt aus der Mitte des Videos, um Intro und Outro zu meiden. Trotzdem kann er auf ein Musik- oder Sponsor-Segment fallen. Ein Indikator dafür ist eine Pausenzahl von null in 60 Sekunden — dann sind die Audio-Marker unbrauchbar und es braucht ein anderes Segment.

Die Schwellwerte sind dünn kalibriert. Sie beruhen auf einer Handvoll Fälle. Sie trennen die getesteten Pole sauber, sind aber nicht statistisch gesichert — bei mehr Daten gehören sie nachjustiert. Das steht so auch als Kommentar im Code, direkt an den Konstanten, damit es niemand für gesichert hält.

Unterm Strich: Eine forensische 100-Prozent-Bestimmung ist nicht möglich. Was die Methode liefert, ist eine konvergierende Indizienkette. Wenn mehrere unabhängige Marker in dieselbe Richtung zeigen, ein Kanal faceless ist und die Stimme aus dutzenden ähnlicher Billig-Clips wiedererkannt wird, ist das genug für ein begründetes Urteil — nicht für einen Beweis.

Einbau in die Pipeline#

Der Check hängt an der Quellenprofil-Pflege und läuft einmal pro Kanal, nicht pro Video. Ein bereits geprüftes Profil wird übersprungen.

graph TD
    A[Video analysiert] --> B[Quellenprofil anlegen/aktualisieren]
    B --> C{voice_type schon gesetzt?}
    C -->|ja| E[überspringen]
    C -->|nein| D[Stimm-Check: Web-Recherche -> Forensik]
    D --> F[voice_type ins Frontmatter
Stimme/Vertonung-Abschnitt]

Das Urteil wird maschinenlesbar im Frontmatter des Quellenprofils abgelegt und im Fließtext begründet:

voice_type: ki-bestaetigt   # human | ki-verdacht | ki-bestaetigt | ungeprueft
voice_checked: 2026-06-14

Damit ist die Vertonung filterbar — eine spätere Abfrage kann alle KI-vertonten Quellen auf einen Blick zeigen — und jede Einstufung bleibt über den Evidenz-Abschnitt nachvollziehbar.

Einordnung#

Der Mehrwert liegt weniger im einzelnen Urteil als in der Systematik: ein reproduzierbares Skript, ein Agent, der Recherche und Messung in fester Reihenfolge verbindet, und ein Datenfeld, das die Einschätzung dauerhaft festhält statt sie im Bauchgefühl zu lassen. Die Marker werden mit jedem geprüften Kanal besser kalibrierbar, und die ehrliche Benennung der Grenzen — Auto-Sub-Confounder, Noise-Gate, dünne Datenbasis — gehört zum Verfahren dazu, nicht in die Fußnote.

Offen bleibt die Frage nach dem TTS-Anbieter: Ob sich aus dem Spektrum die konkrete Stimm-Engine ableiten lässt, wäre ein nächster Schritt. Für die Quellenbewertung reicht zunächst die binäre Richtung — vorgelesen von einem Menschen oder von einer Maschine.