Is it Me? Toward Self-Extension to AI Avatars in Virtual Reality

Die Arbeit stellt „ProxyMe", einen VR-Prototypen vor, der durch die Kombination von Avatar-Embodiment, Sprachklonierung und KI-gestützter Sprachmodifikation das Konzept der Selbst-Erweiterung auf KI-Avatare erforscht, um zu untersuchen, wie sich verändernde Grade der Delegation und Steuerbarkeit auf wahrgenommene Handlungsfähigkeit, Urheberschaft und Selbstidentifikation auswirken.

Das Wesentliche

🎭 Der digitale Doppelgänger: Wenn dein Avatar für dich spricht

Stell dir vor, du hast einen digitalen Schatten in der virtuellen Welt (Virtual Reality). Dieser Schatten ist nicht nur ein stummer Begleiter, sondern ein Super-Assistent, der deine Worte hört, sie sofort verbessert und dann mit deiner eigenen Stimme (oder einer leicht veränderten Version davon) wiedergibt.

Das ist das Kernkonzept des Projekts ProxyMe, das von Forschern aus den Niederlanden und Deutschland entwickelt wurde.

🧠 Das große „Was wäre, wenn?"

In Science-Fiction-Filmen wie Ghost in the Shell sehen wir Menschen, die ihre Körper mit Roboterteilen austauschen können. In Ergo Proxy gibt es Agenten, die anstelle von Menschen handeln.
Die Forscher fragen sich nun: Was passiert, wenn KI nicht nur ein Werkzeug ist (wie ein Taschenrechner), sondern Teil von dir wird?

Stell dir vor, du bist in einem virtuellen Raum und musst eine schwierige Rede halten. Du bist nervös, stolperst über deine Worte oder sagst Dinge, die du später bereust.

• Ohne KI: Du sagst: „Äh, ich... ich werde mein Bestes geben."
• Mit ProxyMe: Du sagst das Gleiche, aber dein Avatar hört es, denkt kurz nach und sagt dann mit deiner Stimme, aber voller Selbstvertrauen: „Ich werde mein Bestes geben und alles geben, was in meiner Macht steht."

Die Frage ist: Wenn der Avatar das sagt, hast du es gesagt oder die KI? Fühlst du dich noch verantwortlich?

🛠️ Wie funktioniert das „ProxyMe"-Gerät?

Das System funktioniert wie ein magischer Übersetzer für deine Seele, der in drei Schritten abläuft:

1. Das Ohr (Hören): Du sprichst natürlich in dein Mikrofon. Das System hört dir zu (wie ein sehr schneller Sekretär).
2. Das Gehirn (Denken): Eine KI (ein großes Sprachmodell) nimmt deine Worte, prüft sie und verbessert sie. Vielleicht macht sie den Satz flüssiger, höflicher oder überzeugender.
3. Der Mund (Sprechen): Das System spricht die verbesserten Worte zurück. Das Tolle: Es nutzt Klon-Technologie, um deine eigene Stimme zu nutzen. Es klingt also nach dir, nur eben „perfektioniert".

🎨 Drei Szenarien, wo das helfen könnte

Die Forscher stellen sich vor, wie dieses Tool in verschiedenen Situationen genutzt werden könnte:

• 🗣️ Der nervöse Redner: Stell dir vor, du hast Angst vor dem Sprechen vor Publikum. ProxyMe hilft dir, flüssiger zu reden und deine Punkte klarer zu formulieren, ohne dass du den Inhalt ändern musst. Es ist wie ein unsichtbarer Coach, der dir im Ohr flüstert: „Sag es so, damit es besser klingt."
• 🎭 Der Entdecker: Vielleicht möchtest du herausfinden, wie es sich anfühlt, selbstbewusster oder empathischer zu sein. ProxyMe kann deine Worte so umformulieren, dass sie diesen neuen Charakter widerspiegeln. Du kannst quasi „ausprobieren", wie es ist, eine andere Version von dir zu sein, ohne eine komplett neue Maske aufzusetzen.
• 🧘 Der Therapeut: Manchmal sind unsere eigenen Gedanken zu laut oder zu schmerzhaft. Stell dir vor, du sprichst über ein Problem, aber dein Avatar sagt es mit einer leicht distanzierten, ruhigen Stimme. Das hilft dir, deine eigenen Worte wie von außen zu betrachten und sie besser zu verstehen.

⚖️ Die große Herausforderung: „Bin ich es?"

Das ist der kniffligste Teil. Wenn die KI deine Worte so stark verändert, dass sie besser klingen als deine eigenen, fühlst du dich dann noch als der Urheber?

• Das Risiko: Du könntest denken: „Das war nicht ich, das war die KI!" und die Verantwortung abschieben.
• Das Ziel: Die Forscher wollen herausfinden, wie viel „KI-Eingriff" nötig ist, damit es sich noch immer wie dein Ausdruck anfühlt. Es geht darum, die Balance zu finden zwischen Hilfe (die KI macht es besser) und Kontrolle (du bleibst der Chef).

🔮 Was kommt als Nächstes?

Derzeit ist das System noch ein Prototyp. Es gibt ein paar Hürden:

• Verzögerung: Es dauert noch ein paar Sekunden, bis die KI antwortet. Das ist wie ein Gespräch mit jemandem, der immer ein paar Sekunden zu spät reagiert – das stört den Fluss.
• Das „Unheimliche Tal": Wenn deine geklonte Stimme fast wie deine klingt, aber nicht ganz, kann das unangenehm wirken.
• Ethik: Wer ist verantwortlich, wenn der Avatar etwas Falsches sagt?

Fazit:
ProxyMe ist wie ein Spiegel, der nicht nur dein Gesicht, sondern auch deine Gedanken verbessert. Es ist ein spannendes Experiment, um zu verstehen, wie wir in Zukunft mit KI verschmelzen werden. Die große Frage bleibt: Wenn die KI deine Stimme nutzt, um die Welt zu verändern – ist das dann immer noch deine Stimme?

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Is it Me? Toward Self-Extension to AI Avatars in Virtual Reality" auf Deutsch:

Titel: Is it Me? Toward Self-Extension to AI Avatars in Virtual Reality

Autoren: Jieying Zhang, Steeven Villa, Abdallah El Ali
Veröffentlichung: CHI '26 (Extended Abstract), 2026

---

1. Problemstellung

Die Arbeit adressiert die wachsende Verschmelzung von menschlicher Kommunikation und KI-generierten Inhalten in immersiven Umgebungen. Während frühere HCI-Forschung KI-Systeme primär als externe Werkzeuge betrachtet hat, die den Nutzer unterstützen, rücken neuere Entwicklungen (generative KI, Sprachsynthese, 3D-Avatare) in den Fokus, bei denen KI als Proxy (Stellvertreter) agiert.

Das Kernproblem liegt in der Verschwimmung der Grenzen zwischen Selbst und Simulation:

• Wenn KI-Systeme nicht nur Texte korrigieren, sondern die gesprochene Sprache und die Stimme des Nutzers in Echtzeit modifizieren und als dessen eigene Ausgabe präsentieren, entsteht eine Form der Selbsterweiterung (Self-Extension).
• Es besteht die Gefahr, dass die Zuschreibung von Urheberschaft (Authorship) und Handlungsmacht (Agency) verloren geht. Nutzer könnten KI-generierte Inhalte als ihre eigenen Gedanken wahrnehmen (Phänomen des „AI Memory Gap") oder sich von ihrer eigenen, durch KI veränderten Darstellung entfremdet fühlen.
• Die Frage „Ist das noch ich?" steht im Zentrum: Wie beeinflusst die KI-Mediation die Identifikation mit dem Avatar und das Gefühl der Kontrolle über die eigene Kommunikation?

2. Methodik und Systemimplementierung (ProxyMe)

Die Autoren stellen ProxyMe vor, ein VR-Prototyp-System, das die Selbsterweiterung durch KI-Modifikation von Stimme und Inhalt erforscht.

Systemarchitektur:
Das System ist in Unity implementiert und nutzt folgende Komponenten-Pipeline:

1. Eingabe: Der Nutzer spricht natürlich in ein VR-Headset.
2. Spracherkennung (STT): Die Sprache wird mittels Whisper in Text transkribiert.
3. Verarbeitung & Modifikation (LLM): Der Text wird an ein Llama-3.1-8B-Modell gesendet. Basierend auf vordefinierten Prompts (z. B. „Verbessern", „Widersprechen", „Erweitern") wird der Inhalt umformuliert, erweitert oder modifiziert.
4. Sprachsynthese (TTS): Der modifizierte Text wird mittels IndexTTS zurück in Sprache umgewandelt.
   • Stimmoptionen: Entweder eine geklonte Stimme des Nutzers (für Kontinuität) oder eine roboterhafte/neutraler Stimme (zur Demonstration von Fremdheit).
5. Ausgabe: Der Avatar im VR-Raum spricht den modifizierten Satz als Antwort auf einen virtuellen Agenten.

Design-Ziele:

• Handeln im Namen des Nutzers: Teilweise Delegation der Kommunikation ohne explizite Bestätigung bei jedem Schritt.
• Starke Inkorporation (Embodiment): Nutzung eines Avatars und der geklonten Stimme, um das Gefühl der Eigenständigkeit zu stärken.
• Beobachtbare Perspektive: Ein dritter Blickwinkel (Third-Person), der es dem Nutzer erlaubt, die KI-Modifikation zu beobachten, ohne ständig eingreifen zu müssen.
• Datenschutz: Lokale Ausführung, um biometrische Daten (Stimme) nicht extern zu speichern.

Experimentelles Setup:

• Szenario: Moralische Dialoge mit einem virtuellen Agenten.
• Design: Ein 2x3 Within-Subjects-Design wird geplant:
  • Stimme: Geklont vs. Robotisch.
  • Inhalt: Wiederholung (Repetition), Verbesserung (Enhancement), Gegenargument (Counter).
• Messgrößen: Selbstberichtete Wahrnehmung von Handlungsmacht (Agency), Urheberschaft (Authorship) und Selbstidentifikation.

3. Wichtige Beiträge

1. Konzept der Avatar-Selbsterweiterung: Die Arbeit definiert und operationalisiert den Begriff „Self-Extension" im Kontext von KI-Avataren. Sie unterscheidet sich von reinen Assistenzsystemen, da die KI-Ausgabe direkt als Teil des eigenen Ausdrucksverhaltens erlebt wird.
2. Prototyp ProxyMe: Ein funktionsfähiger VR-Prototyp, der die technische Machbarkeit einer Echtzeit-Modifikation von Sprache und Inhalt unter Beibehaltung der eigenen Stimme demonstriert.
3. Theoretischer Rahmen: Verknüpfung von Clark's „Extended Mind"-Theorie mit modernen KI-Interaktionen. Die Arbeit zeigt, wie KI nicht nur ein Werkzeug, sondern ein integraler Bestandteil des kognitiven und sensorischen Zyklus werden kann.
4. Ethische und gestalterische Implikationen: Identifikation kritischer Design-Herausforderungen, insbesondere im Hinblick auf:
   • Die Balance zwischen Delegation und Kontrolle.
   • Die Gefahr der Entfremdung (Alienation) bei zu starken Modifikationen.
   • Die Notwendigkeit von Transparenz und Provenienz-Tracking (Woher kommt der Inhalt?).

4. Ergebnisse und aktuelle Erkenntnisse

Da es sich um einen „Work-in-Progress" (Extended Abstract) handelt, liegen noch keine finalen statistischen Ergebnisse aus der Hauptstudie vor. Die Autoren berichten jedoch über folgende Erkenntnisse aus dem Prototyping und der Vorarbeit:

• Latenzproblematik: Die aktuelle End-to-End-Latenz beträgt ca. 11,6 Sekunden (STT: 1,2s, LLM: 2,9s, TTS: 7,5s). Dies unterbricht den natürlichen Gesprächsfluss und gefährdet das Gefühl der Inkorporation (Embodiment).
  • Lösungsansatz: Geplante Umstellung auf Streaming-Architekturen und Nutzung von „perceptual masking" (Verdeckung der Wartezeit durch Gesprächspausen oder visuelle Interaktionen).
• Wahrnehmung von Agency: Vorläufige Beobachtungen deuten darauf hin, dass die Art der Stimmmodifikation (geklont vs. robotisch) und der Grad der inhaltlichen Veränderung (Verbesserung vs. Widerspruch) die Wahrnehmung beeinflussen. Nutzer neigen dazu, KI-Änderungen zu akzeptieren, solange sie als „Verbesserung" wahrgenommen werden, könnten aber bei inhaltlichen Widersprüchen (Counter) verwirrt sein.
• Ethische Bedenken: Es wurde festgestellt, dass Nutzer Schwierigkeiten haben könnten, zwischen ihren eigenen Gedanken und den von der KI generierten Gedanken zu unterscheiden, was zu einem Verlust der Urheberschaft führen kann.

5. Bedeutung und Ausblick

Die Arbeit ist von großer Bedeutung für die Zukunft der Mensch-Computer-Interaktion (HCI) und KI-Ethik:

• Neue Interaktionsparadigmen: Sie markiert den Übergang von KI als Werkzeug zu KI als Erweiterung des Selbst. Dies erfordert neue Design-Prinzipien, die die psychologischen Auswirkungen dieser Verschmelzung berücksichtigen.
• Anwendungsbereiche: Das Konzept hat Potenzial in Bereichen wie:
  • Sprachtherapie: Unterstützung bei Sprechstörungen.
  • Öffentliches Sprechen: Verbesserung von Klarheit und Selbstvertrauen.
  • Psychotherapie: Schaffung einer psychologischen Distanz zu emotional belastenden Aussagen durch Externalisierung.
  • Identitätsforschung: Exploration alternativer Selbstbilder.
• Zukünftige Forschung: Die Autoren planen, die Latenz zu reduzieren, die Langzeitwirkung auf die Selbstwahrnehmung zu untersuchen und Mechanismen zu entwickeln, die Nutzern helfen, die Herkunft von Inhalten (Mensch vs. KI) klar zu unterscheiden, um die Verantwortung (Accountability) zu wahren.

Zusammenfassend fordert das Paper die HCI-Community auf, sich intensiv mit den Konsequenzen auseinanderzusetzen, wenn KI nicht mehr nur hilft, sondern spricht – und wie wir sicherstellen können, dass der Nutzer dabei nicht sein eigenes „Ich" verliert.