Vom kahlen Kopf zum Erzähler — zehn Schritte im Browser

Im Juli haben wir gezeigt, dass sich Googles Kopfmodell GNM kürzen und im Browser rechnen lässt — 0,20 Millisekunden für einen vollständigen Kopf, ohne Server und ohne Python. Was dabei entstand, war ein Beweis, kein Gesicht: ein kahler, blasser Kopf, der zwar die richtige Form hatte, aber niemanden ansah.

Dieser Bericht ist der zweite Teil. Wir haben den Kopf einen Foliensatz erzählen lassen und ihn danach in zehn Schritten überarbeitet — nach jedem Schritt ein Bild, damit nachvollziehbar bleibt, was tatsächlich etwas gebracht hat und was nicht.

Der Aufbau: der Ton ist die Uhr

Der Erzähler sitzt unten rechts in der Ecke, die Folie füllt den Rest. Alles, was er braucht, wird vorgebacken: Aus dem Sprechtext entsteht Ton, aus dem Ton eine Lautstärke-Hüllkurve und Wortmarken, aus Text und Marken eine Mundspur. Zur Laufzeit spielt die Seite das nur noch ab.

Das ist die wichtigste Entscheidung im ganzen Aufbau. Ein gebackener Vortrag ist eine Handvoll Dateien: 815 Kilobyte Kopfmodell, 563 Kilobyte Ton für 68 Sekunden Rede, 77 Kilobyte Spuren. Er braucht kein Netz, keinen Schlüssel und keine Grafikkarte — und läuft weiter, wenn unsere Infrastruktur ausfällt.

Die zweite Entscheidung: audio.currentTime ist die einzige Uhr. Mundstellung, Untertitel, das Aufdecken der Stichpunkte und der Fortschrittsbalken hängen alle daran. Damit gibt es keine zweite Zeitachse, die auseinanderlaufen könnte. Die Untertitel fallen dabei kostenlos ab — die Wortmarken werden für die Lippen ohnehin gebraucht.

Die zehn Schritte

Der Sprung liegt zwischen Bild 1 und Bild 3. Verschattung, Augen und Lidschlag machen aus einer Maske ein Gesicht. Alles danach ist Feinschliff — sichtbar, aber nicht mehr entscheidend. Wer wenig Zeit hat, baut diese drei und hört auf.

Bemerkenswert ist, wie wenig davon Handarbeit war. Zwei der drei entscheidenden Schritte sind gelöste Gleichungen, keine gestalterischen Entscheidungen:

Die Iris steht nicht im Netz — beim Vergröbern überlebte kein einziger Iris- und Pupillenpunkt. Statt das Netz feiner zu machen, wird die Iris aus dem Winkel zwischen Punkt und Blickachse gerechnet. Das überlebt jede Netzdichte, und erst dadurch wandert der Blick sichtbar: Ohne farbige Iris dreht sich nur eine weiße Kugel, und niemand sieht es.

Der Lidschlag war dieselbe Rechnung wie unsere Mundstellungen. GNM hat kein Lidgelenk und keine Achse namens „Auge zu" — aber die 68 Gesichts-Landmarken sind baryzentrisch aus je drei Punkten gemischt und damit linear in den Koeffizienten. Die Lidöffnung ist also ein lineares Funktional, und die Frage „welche Koeffizienten schließen das Auge?" hat eine exakte Lösung. Der Ruhespalt von 7,26 Millimetern schließt sich auf ein Hundertstel genau.

Was wir nachgemessen und dabei widerlegt haben

Wir wollten dem Gesicht Unsymmetrie geben — perfekt spiegelgleiche Gesichter lesen sich sofort als Computergrafik. Die naheliegende Annahme war, dass mehr Identitäts-Achsen mehr Unsymmetrie bringen.

Sie bringen fast keine. Von 6 auf 40 aktive Achsen hebt sich die mittlere Links-Rechts-Abweichung von 0,16 auf 0,21 Millimeter; echte Gesichter liegen im Millimeterbereich. GNMs Identitäts-Basis ist praktisch symmetrisch. Wer dort nach Unsymmetrie sucht, sucht an der falschen Stelle — wir legen sie deshalb als leichte Verwindung auf die Ruheform und holen den einen Anteil, den das Modell wirklich hergibt, aus den seitengetrennten Augen-Achsen.

Vier Fehler, die teurer aussahen als sie waren

Der Vollständigkeit halber, weil alle vier typisch sind:

Die Seite wurde heruntergeladen statt angezeigt. Unser kleiner Server hat die Dateiendung aus dem Anfragepfad gelesen — und / hat keine. Die Startseite ging als unbekannter Dateityp raus. Der eigentliche Schaden war ein anderer: Auch alle automatischen Bildschirmfotos hingen daran fest, und wir haben das über vier verschiedene Konfigurationen hinweg der Bildaufnahme angelastet statt dem Server.

Beim Lidschlag stimmte der Takt nicht — was erst auffiel, als jemand hinsah. Nachgemessen waren es 61 Lidschläge je Minute statt der menschlichen 10 bis 20, bei einer mittleren Dauer von 0,057 statt 0,10 bis 0,40 Sekunden. Die Ursache war ein Taktgeber, der sich selbst laufend änderte; dadurch sprang die Phase und es kamen lauter abgeschnittene Halb-Lidschläge heraus. Darin steckte noch ein zweiter, schärferer Fehler: Am letzten Bild eines Lidschlags ergab eine Division in Gleitkomma 1.0000000000000002 statt 1. Damit wurde die Basis einer Potenz mit gebrochenem Exponenten winzig negativ — und das ist keine Zahl. Der ungültige Wert lief über die Pose in jeden einzelnen Punkt des Kopfes und schob ihn aus dem Bild. Genau ein Bild, genau an dieser Zeit.

Und als das Zahnfleisch eine eigene Gewebe-Kennung bekam, bekam es eine höhere Nummer als die Augen. Eine Abfrage prüfte nur „Kennung größer gleich Augapfel" — womit 508 Zahnfleischpunkte plötzlich als Auge zählten und die berechnete Augenmitte zum Mund zogen. Sichtbare Folge: Die Augenbrauen verschwanden, weil ihr Band relativ zur Augenmitte gesetzt wird. Eine fehlende Obergrenze in einer Bedingung.

Alle drei sahen nach einem grundsätzlichen Problem aus und waren je eine Zeile. Zwei davon hätte kein Test gefunden, weil sie nur an einem einzigen Zeitpunkt oder in einem einzigen Bild auftreten — deshalb tastet ein Test die Zeitkurven jetzt in Halbmillisekunden-Schritten ab.

Ein vierter kam später dazu, und er ist der lehrreichste. Die Modelldatei bekam einen Anhang: ein Byte je Punkt, das sagt, ob dort Haut, Lederhaut oder Zahn ist. Ganz ans Ende gestellt, ausdrücklich in der Annahme, ältere Leser würden ihn folgenlos überlesen. Das tun sie nicht. Der Leser auf der Spiel-Engine-Seite prüft als Erstes die Versionsnummer der Datei — und fiel aus, lange bevor er den ignorierbaren Anhang überhaupt erreichte. Ein Anhang ist erst dann verträglich, wenn die Leser eine Versions-Spanne akzeptieren. Gefunden haben wir es nicht beim Ändern, sondern erst zwei Tage später beim Nachmessen: Auf dieser Seite lief kein Test mit, seit das Format sich änderte.

Wo es aufhört

Der Kopf ist ein Prüfstand, keine App. Die Zähne bleiben grob, das Haar bleibt kurz, die Hautmaserung ist gerechnet und nicht fotografiert. In der Anwendungsgröße — der Erzähler ist rund 250 Pixel breit — trägt das alles; in einer Großaufnahme nicht.

Ein Schritt aus der Prüfstands-Ecke ist trotzdem gemacht: Es gibt jetzt einen zweiten Foliensatz, der nicht von der Technik handelt, sondern vom Verein. Der Erzähler ist dort Mittel und nicht mehr Thema — und das ist die eigentliche Probe darauf, ob er trägt.

Nachtrag: eine Zahl, die keine war

Zwei Tage nach dem ersten Bericht maßen wir die Spiel-Engine-Seite nach und bekamen das Achtfache heraus — einunddreißig Millisekunden statt vier, bei einem Modell, das um anderthalb Prozent gewachsen war. Es lag weder am Modell (gleiche Achsen, gleiche Dateigröße) noch an der Engine (dieselbe Fassung seit Juni) noch an der Maschine allgemein (der Browser-Wert stimmte weiter).

Es lag an der Messung. Sie bestand aus zwanzig Durchläufen, ohne Aufwärmen, einmal ausgeführt, direkt im Anschluss an eine schwere Rechenschleife. Wir haben denselben alten Test viermal hintereinander laufen lassen: 4,3 — 5,4 — 6,4 — 8,6 Millisekunden. Dieselbe Maschine, dieselben Daten, derselbe Befehl. Der erste Lauf auf kühlem Gerät war das schöne Ende dieser Spanne, und genau er stand im Bericht.

Gemessen wird jetzt anders: aufwärmen, die Zahl der Durchläufe so wählen, dass mindestens eine Drittelsekunde zusammenkommt, fünf Runden fahren und die beste nehmen — Störungen machen immer nur langsamer, nie schneller — und die schlechteste Runde daneben ausweisen, damit die Streuung sichtbar bleibt.

Und dann die unbequeme Fortsetzung: Es reicht nicht. Auch mit dem besseren Verfahren wandert dieselbe Messung auf demselben Gerät im Lauf eines Tages zwischen 4,7 und 11,2 Millisekunden. Der Grund stand in der Prozessliste — auf dem Laptop rechneten zeitweise mehrere andere Sitzungen mit. Kein Verfahren innerhalb eines Programms kann eine belegte Maschine herausrechnen; ein Minimum aus fünf Runden entfernt kurze Ausreißer, keine dauerhafte Fremdlast.

Deshalb sagt der Test es jetzt selbst: Liegt die schlechteste Runde mehr als ein Viertel über der besten, schreibt er „Maschine unruhig, Zahl nicht zitierfähig“ dazu.

Die ehrliche Auskunft lautet damit: In der Spiel-Engine kostet ein Kopf zwischen einem Drittel und zwei Dritteln eines Bildes bei sechzig Bildern je Sekunde. Das trägt für eine Begleitfigur und für nichts darüber hinaus. Uns ist dieser Nachtrag lieber als die schönere Zahl — eine Kennzahl ohne angegebene Streuung ist eine Behauptung, keine Messung.

Der ehrlichste Satz zum Schluss ist derselbe wie beim ersten Bericht: Wir erzeugen Gesichter, wir vermessen keine. Sobald reale Personen eingelesen würden, entstünden biometrische Daten. Diese Grenze steht, und sie ist der Grund, warum ein Modell wie GNM für uns überhaupt der richtige Weg ist.