GNM — Googles parametrisches Kopfmodell, erstmals unter freier Lizenz

Es gibt eine Sorte von Werkzeug, die in der 3D-Grafik seit Jahren selbstverständlich ist und an die wir trotzdem nie herankamen: das parametrische Kopfmodell. Die Idee dahinter ist elegant. Man vermisst einige tausend echte Köpfe, rechnet aus den Scans einen Durchschnittskopf und die Hauptachsen der Abweichung — und kann danach jeden Kopf als eine Handvoll Zahlen ausdrücken. Ein Regler für die Schädelbreite, einer für die Nasenlänge, einer für das Lächeln. Wer diese Achsen hat, kann Gesichter erzeugen, verändern und animieren, ohne je ein Mesh von Hand zu modellieren.

Die bekannten Modelle dieser Art waren für uns bislang lizenzrechtlich unerreichbar. Sie stehen unter Forschungslizenzen: Registrierung mit akademischer Adresse, Nutzung ausschließlich für nicht-kommerzielle Forschung, Weitergabe untersagt. Für einen Verein, dessen Zweck es ist, Ergebnisse frei auszuliefern, ist eine solche Lizenz keine Hürde, sondern eine Mauer. Man darf damit nicht einmal etwas verschenken.

Im Juli 2026 hat Google GNM veröffentlicht — Generative aNthropometric Model, gesprochen wie „Genom“. Der erste Baustein ist GNM Head, ein statistisches Kopfmodell aus großen Scan-Datenbeständen. Und die Lizenz ist Apache 2.0 — für den Code und, was ungleich seltener ist, für die Modellgewichte. Die 53 Megabyte große Modelldatei liegt schlicht im Repository. Kein Login, kein Antragsformular, keine Beschränkung auf Forschung. Das ist der eigentliche Befund dieses Steckbriefs: Nicht dass es ein gutes Kopfmodell gibt, sondern dass wir zum ersten Mal eines benutzen dürfen.

Inhaltlich ist das Modell ungewöhnlich vollständig. Es beschreibt die Identität eines Kopfes über 253 Achsen — davon 170 für den Schädel und die Gesichtsform, drei für die Augäpfel, achtzig allein für die Zähne. Der Ausdruck kommt über weitere 383 Achsen: 200 für die Augenpartie, 150 für die untere Gesichtshälfte, 32 für die Zunge, eine für die Weite der Iris. Mitgeliefert wird nicht nur die Haut, sondern die innere Anatomie: Augäpfel, Zähne und Zunge als eigene Geometrie. Dazu kommen ein Sampler, der auf Zuruf neue Identitäten und Ausdrücke erzeugt, ein Satz Gesichts-Landmarken, Werkzeuge zum Anpassen des Modells an vorhandene 3D-Punkte, Implementierungen für vier verschiedene Rechen-Bibliotheken und ein UV-Layout für spätere Texturen.

Für uns steckt der größte Hebel aber nicht in der Feature-Liste, sondern in einer unscheinbaren mathematischen Eigenschaft: Das Modell ist linear. Ein konkreter Kopf entsteht als Mittelwert plus gewichtete Summe der Basis-Vektoren — eine Matrixmultiplikation, sonst nichts. Es gibt kein neuronales Netz im Auswertungspfad, keine Inferenz, kein Modell, das geladen werden müsste. Wenn wir die Basis auf die wichtigsten Dimensionen kürzen und kompakt speichern, lässt sich ein Kopf direkt im Browser oder in Godot berechnen, ohne Python, ohne Server, ohne Netzverbindung. Das ist genau die Bauform, die wir für unsere Apps ohnehin anstreben: das schwere Werkzeug einmal offline, das Ergebnis klein und selbstständig lauffähig beim Menschen.

Genau diese Annahme haben wir am 31. Juli 2026 geprüft, statt sie zu glauben. Wir haben ein eigenes Binärformat gebaut, das die Achsen regionenweise kürzt, die Ausdrucks-Achsen nur dort speichert, wo sie das Gesicht überhaupt bewegen, und alles auf 8 Bit quantisiert. Der erste Anlauf ergab einen Kopf mit Haut und Augen, der 2,3 MB wog und im Mittel 0,6 Millimeter von der vollen Rechnung abwich — bei einem Kopf von 34 Zentimetern Höhe. Die Sichtprüfung mit einem eigens geschriebenen Rasterizer zeigte, worauf es ankommt: Die gekürzten Köpfe bleiben dieselbe Person, sie werden nur etwas weicher.

Dann der eigentliche Beweis. Wir haben die Auswertung in TypeScript und in GDScript nachgebaut und gegen die Original-Rechnung gehalten. Beide Ports treffen sie auf 0,0003 Millimeter genau — Rundungsrauschen, sonst nichts. Im Browser lief das mit großem Abstand schnell genug. In reinem GDScript dagegen kam nur eine Handvoll Aktualisierungen pro Sekunde heraus, viel zu wenig für eine Animation Bild für Bild. Damit stand fest, wo der Engpass liegt.

Und er lag nicht dort, wo wir ihn vermutet hatten. Unsere Erwartung, das Ganze passe in wenige Kilobyte, war falsch gewesen, aber der Grund war lehrreich: Jede einzelne Achse ist ein vollständiges Verschiebungsfeld über alle Punkte des Netzes. Größe und Rechenzeit hängen also an der Zahl der Punkte, nicht an der Zahl der Achsen. Achsen zu streichen bringt wenig; das Netz zu vergröbern bringt alles.

Also haben wir das gebaut. Ein Kantenkollaps nach dem Quadrik-Fehlermaß, mit einer für uns entscheidenden Zusatzbedingung: Es wird immer auf einen bereits vorhandenen Punkt zusammengezogen, nie auf einen neu berechneten Mittelpunkt. Nur dadurch bleiben die übrigen Punkte eine echte Teilmenge des Originals — und die Achsen lassen sich unverändert mitnehmen, statt sie alle neu interpolieren zu müssen.

Das Ergebnis ist deutlicher, als wir erwartet hatten. Das Web-Profil fiel von 2,3 MB auf 648 Kilobyte, ein Kisten-Profil für Godot auf 227 Kilobyte. Im Browser rechnet der Port jetzt 2.418 vollständige Köpfe pro Sekunde und 8.903, wenn nur der Gesichtsausdruck wechselt. In Godot sind es 138 beziehungsweise 510 — und damit kippt der vorherige Befund: Eine Ausdrucks-Aktualisierung kostet dort knapp zwei Millisekunden.

Diese Zahl allein wäre allerdings geschönt, denn sie beschreibt nur die Punktpositionen. Ohne Normalen lässt sich nichts beleuchten, der Kopf bliebe eine schwarze Fläche; und ohne Pose kann er sich nicht umsehen. Also haben wir beides nachgebaut und mitgemessen: Normalen kosten in Godot weitere 1,6 Millisekunden, die Pose 0,5. Der ehrliche Preis pro Bild liegt damit bei 4,0 Millisekunden — knapp ein Viertel eines 60-Hertz-Budgets. Die Echtzeit-Aussage hält also, aber sie gilt für einen Kopf, nicht für eine Menschenmenge.

Bei der Pose kam eine Überraschung. Wir hatten „Kiefer und Nacken“ erwartet — tatsächlich hat das Modell kein Kiefergelenk. Seine vier Gelenke sind Hals, Kopf und die beiden Augäpfel; die Mundbewegung steckt vollständig in der Ausdrucks-Basis, die wir ohnehin schon hatten. Was die Pose stattdessen mitbringt, ist etwas anderes: Blickrichtung. Ein Kopf kann jemanden anschauen. Für eine Begleitfigur ist Blickkontakt vermutlich mehr wert als jedes weitere Formdetail. Nachgemessen bewegt eine Blickänderung ausschließlich die Augenpunkte, rund fünf Millimeter, und die Gesichtshaut um exakt null.

Zweite Überraschung, weniger erfreulich: Die Matrix für die Pose-Korrekturen — 7,7 Megabyte, gedacht zum Ausbügeln von Verformungsfehlern an Gelenken — ist in dieser Modellversion vollständig mit Nullen gefüllt. Der ganze Rechenweg ist wirkungslos. Wir liefern ihn deshalb nicht mit und sparen pro Profil 216 Kilobyte. Wer GNM portiert, ohne das zu prüfen, baut an dieser Stelle sorgfältig toten Code.

Blieb die letzte Lücke: der Mund. Für Lippensynchronisation braucht man Mundstellungen — und hier zeigt sich das Grundproblem statistischer Modelle in Reinform. Keine der Ausdrucks-Achsen heißt „Mund offen“; es sind Hauptachsen einer Datenauswertung, mit Namen wie lower_face_region_007. Wir haben nachgemessen, was sie tun: Eine verengt den Mund um sechs Millimeter und stülpt ihn vor, eine andere schließt ihn — aber keine einzige ist ein sauberer Regler.

Der Ausweg lag wieder in etwas, das das Modell mitliefert: 68 Gesichts-Landmarken, jede als Mischung aus drei Netzpunkten definiert. Damit sind sie linear in den Koeffizienten — und fünf Mundmaße wie Öffnung, Breite und Vorstülpung ebenfalls. Die Frage „welche Koeffizienten ergeben diese Mundstellung?“ wird dadurch von einer Bastelei zu einer Gleichung mit exakter Lösung.

Das Ergebnis sind zwölf Mundstellungen für das Deutsche — von a über das geschlossene m/b/p bis zum gerundeten sch/ch. Alle Zielmaße werden auf 0,05 Millimeter genau getroffen, und zwar selbst dann noch, wenn nur zehn Mund-Achsen zur Verfügung stehen: Auch unser kleinstes Profil kann sprechen. Weil eine Mundstellung nur ein Zahlenvektor ist, ist das Überblenden zweier Stellungen wieder eine gültige Stellung — der weiche Übergang zwischen zwei Lauten kostet nichts als eine Interpolation.

Und wieder ein Befund, den erst das Hinsehen brachte: Ein offener Mund ohne Zähne ist keine Öffnung, sondern eine leere Fläche. Unsere schlanken Profile hatten Zähne und Zunge weggelassen — für einen geschlossenen Mund richtig, für einen sprechenden falsch. Es gibt deshalb jetzt ein eigenes Profil mit Zähnen; es kostet 59 Kilobyte mehr und macht aus einem Schlitz einen Mund.

Damit lag die letzte Frage auf dem Tisch: Wie kommt man von einem Satz zu einer Mundbewegung? Der erste Teil war leichter als erwartet. Für Mundbilder braucht man keine Lautumschrift, denn viele Laute sehen gleich aus — /k/, /g/, /t/, /d/, /n/ und /l/ sind mit dem Auge nicht zu unterscheiden. Statt Phonetik genügen Sichtbarkeitsklassen, und deutsche Rechtschreibung ist regelmäßig genug, dass Regeln reichen.

Der zweite Teil, die Zeitachse, ging schief — und das ist der interessantere Teil dieses Berichts. Wir haben ihn nicht abgeschätzt, sondern gemessen: mit der Sprachausgabe des Betriebssystems echtes deutsches Audio erzeugt, aus demselben Satz eine Mundbewegung abgeleitet und beides verglichen. Das Ergebnis war ernüchternd. Eine allein aus dem Text geschätzte Taktung traf in 83 Prozent der Einzelbilder richtig, ob gerade gesprochen wird oder nicht — blindes Raten kommt auf 88 Prozent. Auch der Versuch, die Silben an den Lautstärke-Gipfeln des Tons zu verankern, half nicht. Ein Mund, der sich zur falschen Zeit bewegt, ist schlimmer als einer, der stillsteht.

Was fehlt, sind Wortgrenzen. Verankert man die Mundbewegung an einzelnen Wörtern, schlägt sie als erste Variante das blinde Raten; nimmt man zusätzlich die Lautstärke als Maß für die Öffnung, kommt sie auf 91 Prozent und läuft sichtbar mit dem Ton. Bemerkenswert ist, wie grob diese Wortgrenzen sein dürfen: Die Zahl entsteht mit Grenzen, die bloß aus den Lautstärke-Tälern geschätzt sind, ganz ohne Ausrichtungsverfahren.

Zwei handfeste Fehler hat erst diese Messung sichtbar gemacht, und beide hätten wir sonst ausgeliefert. Erstens zählten wir Diphthonge doppelt: Das „au“ in schaut liefert zwei Mundbilder, ist aber eine Silbe — ein Testsatz kam so auf 18 statt 15 Silben, und die ganze Verankerung verrutschte. Zweitens setzten wir an jeder Wortgrenze eine Pause; in flüssiger Rede wird aber durchgesprochen, und die Vorhersage behauptete ständig Schweigen, wo der Ton redete.

Und genaue Wortgrenzen haben wir längst — im eigenen Haus. Unsere Spracherkennung liefert wortgenaue Zeitmarken; sie ist damit genau das Ausrichtungswerkzeug, das der Sprachausgabe fehlt. Man schickt den selbst erzeugten Ton durch den eigenen Erkenner und bekommt die Zeitachse zurück. Das ist kein Umweg, sondern ein Kreis, der sich schließt: Zwei Dienste, die wir ohnehin betreiben, ergänzen einander genau an der Stelle, an der jeder für sich zu kurz greift.

Diesen Durchstich haben wir gemacht. Deutsches Testaudio durch die eigene Spracherkennung geschickt: Das Transkript kam fehlerfrei zurück, dazu elf Wörter mit Anfang und Ende auf die Millisekunde. Die Mundbewegung lässt sich damit direkt an echten Wortgrenzen aufhängen statt an geschätzten.

Beim Prüfen fiel uns dann ein Fehler im eigenen Maßstab auf, und der ist lehrreich genug, um ihn hier zu behalten. Wir hatten die geschätzten Wortgrenzen mit den echten verglichen — und die geschätzten schnitten besser ab. Der Grund war nicht, dass sie besser wären: Sie stammen aus den Lautstärke-Tälern des Tons, und gemessen wurde gegen eben diese Lautstärke. Ein Zirkelschluss. Wer ihn übersieht, kommt zum Schluss, das Geschätzte schlage das Gemessene, und baut die falsche Sache weiter aus.

Wir haben deshalb ein Maß gesucht, das ohne den Ton auskommt: Passen die gemessenen Wortdauern zu dem, was der Text erwarten lässt? Die Antwort ist deutlich — 0,92 von 1,0 an Übereinstimmung zwischen der gemessenen Dauer eines Wortes und dem, was unsere Regeln für dieses Wort veranschlagen. Beide Seiten, die unabhängig voneinander entstanden sind, beschreiben dieselbe Sprache.

Eine frühere Fassung dieses Berichts empfahl an dieser Stelle etwas anderes — die Sprachausgabe solle ihre Lautfolgen herausgeben. Das gilt aber nur für die englischen Stimmen; die deutschen laufen über ein anderes Verfahren, das ausschließlich Ton liefert. Für unsere eigentliche, deutschsprachige Seite führt der Weg über den Erkenner. Wir korrigieren das hier, statt es stillschweigend zu ersetzen.

Und weil ein Nachbau nur so gut ist wie seine Prüfung, haben wir unsere Pose-Rechnung nicht gegen unser Verständnis des Papiers gehalten, sondern gegen GNMs eigenen Programmcode: Google liefert eine Referenzimplementierung mit, die wir installiert und gegen unsere Zahlen laufen lassen haben. Abweichung über sechs Versuche mit zufälliger Identität, Miene, Drehung und Verschiebung: null Millimeter, nicht gerundet, sondern exakt. Bezahlt haben wir dafür fast nichts an Form: Bei 4.000 Punkten weicht die vergröberte Fläche im Mittel 0,06 Millimeter von der feinen ab, zehnmal weniger als das Kürzen der Achsen ohnehin kostet.

Zwei Fehler dabei waren unsere eigenen, und beide gehören hierher. Unsere ersten Testbilder zeigten nur flache Silhouetten — ein Rechenfehler im Prüfwerkzeug, nicht im Modell. Und unsere erste Messung der Vergröberung meldete einen Fehler von 3,5 Millimetern, weil sie den Abstand zum nächsten Punkt statt zur nächsten Fläche maß; richtig gemessen waren es 0,06. Wäre uns das nicht aufgefallen, hätten wir den wirksamsten Schritt des ganzen Spikes als untauglich verworfen. Wir schreiben das hier hin, weil ein Steckbrief, der nur die geglückten Schritte zeigt, als Entscheidungsgrundlage nichts wert ist.

Wo könnte uns das nützen? Am unmittelbarsten in der Werkstatt, wo saubere, geschlossene Kopf-Geometrie mit steuerbarer Form direkt in unsere Druck-Kette passt — Porträt-Reliefs, Büsten, Münzen mit Kopfmotiv, erzeugt statt modelliert. Zweitens als Quelle synthetischer Gesichter: Der Sampler erzeugt Porträts, die keine reale Person abbilden, und ersetzt damit Stockfotos in Test- und Demo-Material, ohne Bildlizenz und ohne Persönlichkeitsrechte. Drittens als Basis-Geometrie für Figuren — mit dem ausdrücklichen Vorbehalt, dass ein fotorealistischer Menschenkopf in unseren bewusst stilisierten Kisten ein Stilbruch wäre; tragfähig ist der Weg nur mit anschließender Stilisierung.

Ebenso ehrlich gehört gesagt, was nicht drin ist. GNM liefert Geometrie und nur Geometrie: keine Haare, keine Wimpern, keine Hauttextur, keine Kleidung, keinen Körper. Wer damit eine Spielfigur plant, plant hauptsächlich das, was GNM nicht mitbringt. Es gibt außerdem keinen Weg von einem Foto zu einem Kopf — angepasst wird das Modell an 3D-Punkte mit bekannter Zuordnung, und genau diese Zuordnung herzustellen ist der teure Teil, den das Repository offen lässt.

Und ein Punkt, der uns als Verein besonders angeht: Sobald wir echte Gesichter vermessen statt zu erzeugen, entstehen biometrische Daten im Sinne von DSGVO und revDSG. Solange wir generieren, ist das unproblematisch — im Gegenteil, es ist der datenschutzfreundlichere Weg. Die Grenze zwischen beidem müssen wir bewusst ziehen, bevor eine Zeile Code entsteht. Google selbst benennt zudem die Grenzen des Trainingsmaterials: binäre Geschlechtskategorien und vier grobe demografische Gruppen, die die tatsächliche Vielfalt von Menschen nicht abbilden. Wer den Sampler benutzt, reproduziert die Verteilung der Scans. Das gehört benannt, nicht weggeglättet.

Unterm Strich: Die Annahme, an der alles hing, trägt — und sie trägt weiter, als wir zu Beginn des Tages dachten. Ein parametrisches Kopfmodell lässt sich in wenigen hundert Kilobyte ausliefern und ohne Server, ohne Python und ohne Netzverbindung beim Menschen auswerten, im Browser wie in Godot, in Echtzeit. Damit sind der Druck-Pfad in der Werkstatt, die synthetischen Porträts und der Weg in die Kisten alle offen. Ein Kopf kann sich umsehen, jemanden anschauen und zwölf unterscheidbare Mundstellungen einnehmen, und er kann den Mund passend zum gesprochenen Wort bewegen — an echten Zeitmarken aus unserer eigenen Spracherkennung. Was bleibt, ist der teure Teil, den GNM nicht mitbringt — Haare, Haut, alles Sichtbare jenseits der Form — und eine saubere Zeitachse, für die unsere eigene Sprachausgabe die fehlende Information bereits erzeugt und nur noch herausgeben müsste. Aber der Boden ist geprüft, und er hält.

Der ganze Aufbau — Exporter, Vergröberung, beide Ports und die Messreihen — liegt offen unter mana/mana-koepfe.