Stift und Stimme
Auch bei diesem Beitrag hat eine KI mitgeschrieben. Wie, steht am Ende.
Claude Code schreibt mir Arbeitsblätter, Folien und Klausuren. Es rechnet, setzt Formeln, baut Grafiken aus Achsen und Kurven. Nur zwei Dinge kann es nicht: ein Bild zeichnen und einen Satz laut sagen. Es ist ein Sprachmodell, da geht Text hinein und Text heraus.
Für mich sind das keine Kleinigkeiten. Eine Textaufgabe über einen Traktor, der überholt wird, liest sich besser mit einem Traktor daneben. In internationalen Klassen hilft ein Bild beim Wortschatz mehr als jede Übersetzung. Und meine Erklärvideos sollen mit meiner Stimme sprechen, ohne dass ich mich jedes Mal ans Mikrofon setze.
Ein zweiter Rechner mit Händen
Was die KI nicht selbst kann, lasse ich sie bestellen. In meinem Heimnetz steht ein PC mit einer kräftigen Grafikkarte. Darauf laufen zwei freie Modelle: FLUX erzeugt Bilder aus einer Beschreibung, Qwen3-TTS macht aus Text gesprochene Sprache und kann dabei eine Stimme nachbilden. Beide laufen vollständig auf meinem Rechner. Kein Konto bei einem Bilddienst, und kein Satz meines Materials verlässt das Haus.
Verbunden sind die beiden Rechner über MCP. Das ist eine Art Steckdosennorm für KI-Assistenten: ein vereinbartes Format, über das ein Assistent fremde Werkzeuge aufrufen kann, als wären es seine eigenen. Seitdem kennt Claude Code zwei neue Befehle, „erzeuge ein Bild“ und „sprich diesen Text“. Ich schreibe in normaler Sprache, dass ich zur Aufgabe mit dem Pendel ein Bild brauche. Claude Code formuliert die Beschreibung, schickt sie los, und wenige Sekunden später liegt das Bild im Ordner der Unterrichtseinheit. Ansehen kann Claude Code es dann selbst und mir sagen, ob es taugt.
Mein Strich, nachgebildet
Zu meinen Arbeitsblättern sollten die Bilder aussehen wie meine eigenen Skizzen. Mit einer Beschreibung allein war das nicht zu schaffen: Den Strich traf das Modell halbwegs, den grauen Markerschatten fast nie. Also habe ich ihm meinen Stil beigebracht. Grundlage waren 18 alte Handskizzen von mir, darunter ein Porträt des Physikers James Franck. Daraus hat der PC über Nacht einen kleinen Zusatz zum Modell trainiert, der nur eines weiß: wie meine Bilder aussehen. Schwarze Tuschelinie, grauer Markerschatten, Kritzelschraffur, weißer Hintergrund.
Meine Skizze: James Franck
Vom Modell: Stephen Hawking
Der Vergleich zeigt beides auf einmal: Strich und Schatten sitzen, das Gesicht nur ungefähr. Das Modell hat meinen Stil gelernt, nicht, wie ein bestimmter Mensch aussieht. Ohne den Rollstuhl im Auftrag kam jedes Mal ein freundlicher Herr mit Brille heraus, den niemand als Hawking erkannt hätte.
Das klappt erstaunlich gut und hat klare Grenzen. Beim ersten Test wollte ich ein Pendel an einem Stativ. Der Strich stimmte, der Schatten auch. Der Stativfuß kam aber als schmales Rechteck statt als Kreuzfuß, der Ständer war zu dünn. Für ein Situationsbild über einer Aufgabe reicht das. Als Aufbauskizze, nach der jemand im Physikraum einen Versuch aufbaut, wäre es falsch. Bei Bildern mit mehreren Personen rutscht ungefähr jedes vierte Mal Farbe hinein, eine grüne Tafel etwa. Dann lasse ich es mit einem anderen Zufallsstartwert neu zeichnen; derselbe Startwert liefert immer wieder dasselbe Bild. Schrift im Bild gibt es nie, dort landet sonst Buchstabensalat. Graphen, Schaltskizzen und geometrische Figuren bleiben ohnehin bei den Werkzeugen, die exakt zeichnen.
Beim Aussuchen des Modells habe ich auf die Lizenz geachtet. Von FLUX gibt es eine größere Fassung, die nur nichtkommerziell genutzt werden darf. Ob ein Arbeitsblatt, das ich an die Klasse verteile oder hier veröffentliche, darunter fällt, wollte ich gar nicht erst klären müssen. Die kleinere Fassung „schnell“ steht unter einer freien Lizenz. Wenn du so etwas nachbaust: Schau in die Lizenz, bevor du Bilder an Schüler:innen gibst.
Meine Stimme
Sich selbst aufzunehmen kostet Zeit und Überwindung. Heute nehme ich mich einmal auf, und das Modell spricht danach jeden Text mit dieser Stimme. Die Aufnahme, von der alles ausgeht, ist 13 Sekunden lang:
Und das hat das Modell daraus gemacht. Diesen Text habe ich nie eingesprochen; er passt zum Bild oben:
Text zum Mitlesen
1914 schickten James Franck und Gustav Hertz Elektronen durch eine Röhre mit Quecksilberdampf. Sie erhöhten die Spannung langsam und maßen den Strom. Der Strom stieg, brach plötzlich ein und stieg dann wieder an, und zwar immer im Abstand von knapp fünf Volt. Die Elektronen konnten ihre Energie nur in ganz bestimmten Portionen an die Atome abgeben. Genau das hatte Niels Bohr kurz vorher behauptet. Aus einer kleinen Glasröhre wurde so ein Beweis dafür, dass Atome Energie nur in festen Stufen aufnehmen.
Wofür ich das brauche, zeigt am besten ein fertiges Erklärvideo. Folien, Tonspur und Untertitel setzt ein kleines Programm zusammen, gesprochen hat das Modell mit meiner Stimme:
Bis dahin gab es einige Testläufe, die ich hier niemandem zumute. Einer davon hat mich aber positiv überrascht. Claude Code hat nicht nur geprüft, ob überhaupt Ton herauskommt, sondern nachgezählt: Meine Stimme spricht 185 Wörter pro Minute. Angenehm für Erklärvideos seien 130 bis 150. Den Grund hat es gleich mitgeliefert: Das Modell übernimmt das Tempo aus der Aufnahme, von der es lernt.
Wie es entstanden ist
Den PC habe ich nicht vom Laptop aus ferngesteuert. Ich habe Claude Code direkt auf dem PC installiert und ihm einen schriftlichen Auftrag gegeben, so wie ich einer Kollegin eine Übergabe schreiben würde. Das war einfacher und sicherer als ein Befehl, mit dem der Laptop auf dem PC beliebige Programme starten kann. So eine Hintertür will man im eigenen Netz nicht offen stehen haben.
Der lehrreichste Moment kam gleich zu Beginn. Es gab schon einen Bildbefehl und einen Sprachbefehl, die Verbindung stand, und auf den ersten Aufruf kam prompt „Audio erfolgreich generiert“. Nur hatte der Dienst nie ein Modell geladen. Er gab einfach den Erfolgssatz zurück. Aufgefallen ist das erst beim ersten echten Test, nicht an der Verbindung. Seitdem gilt bei mir: Das Bild wird angesehen und die Tonspur angehört, bevor irgendetwas als fertig gilt. Eine Erfolgsmeldung ist noch kein Ergebnis.
Vom ersten Aufruf bis zu Bildern in meinem Stil hat es drei Nachmittage gedauert, dazu eine Nacht Training. Die meiste Arbeit hat Claude Code gemacht; ich habe seine Rückfragen beantwortet. Das geht übrigens auch von unterwegs, vom Smartphone aus.
Zum Nachbauen
Ehrlich gesagt: Ohne einen Rechner mit ordentlicher Grafikkarte geht das nicht. Die Sprachausgabe braucht rund 4 GB Grafikspeicher, das Bildmodell passt nur in verkleinerter Form in 16 GB. Wer so einen Rechner hat, etwa einen zum Spielen oder für Videoschnitt, kann ihn so zum Werkzeug für die Unterrichtsvorbereitung machen. Hier ein Startpunkt für deinen eigenen Assistenten, kein fertiges Rezept:
Auf meinem PC mit [Grafikkarte, Speicher] sollen ein freies Bildmodell und ein freies Sprachmodell laufen. Mein KI-Assistent auf dem Laptop soll beide über MCP im Heimnetz aufrufen können. Die fertigen Dateien sollen über eine Adresse abrufbar sein, nicht als Text in der Antwort. Baue keinen Befehl ein, mit dem man auf dem PC beliebige Programme starten kann. Prüfe die Lizenzen der Modelle auf Unterrichtsmaterial, das ich weitergebe. Stelle mir Rückfragen, bevor du anfängst.
Für Neugierige: Der PC läuft unter Windows 11 mit 16 GB Grafikspeicher. Der MCP-Server ist ein kleines Python-Programm (FastMCP), die Modelle sind Qwen3-TTS-12Hz-1.7B-Base und FLUX.1-schnell, verkleinert auf 4 Bit (NF4). Der Stilzusatz ist ein LoRA (ein kleiner Zusatz, der dem Modell einen Stil beibringt), trainiert auf 18 Skizzen. Ein Bild in 768 × 768 Pixeln braucht gut drei Sekunden. Die Dateien holt der Laptop über eine einfache Webadresse ab. Sie als Text in die Antwort zu packen, hätte das Gedächtnis der Sitzung gesprengt.
Noch nicht fertig ist eine neue, langsamere Aufnahme meiner Stimme. Die Bilder im eigenen Stil stehen gerade erst bereit; ob sie auf einem Arbeitsblatt bestehen, zeigt sich im Unterricht.
Entwurf von Claude Code, auf Grundlage meines Arbeitstagebuchs. Überarbeitet habe ich ihn selbst.