FaceSwap: Die Gesichtsaustausch-Pipeline von deepfakes zwischen Forschung und Ethik
Deepfakes-Software für alle. Bitte lesen Sie diesen Forumsbeitrag: Manifesto FaceSwap hat ethische Verwendungszwecke.
Auf einen Blick
- Was ist das?
- Das Python-Projekt deepfakes/faceswap verbindet Extraktion, Training und Konvertierung zu einem durchgängigen Werkzeug für Bild- und Videogesichter und beginnt sein README mit einem Manifest zur verantwortlichen Nutzung.
- Für wen ist es gedacht?
- FaceSwap richtet sich an Lernende, VFX-Arbeitsgruppen und Forschende, die den vollständigen Ablauf von Gesichtsextraktion bis Modelltraining selbst betreiben wollen und GPU-Kapazität mitbringen. Für schnelle Ergebnisse ohne eigenes Training ist das Werkzeug ungeeignet.
- Darf ich es kommerziell nutzen?
- Ja, unter Bedingungen. GPL-3.0 ist eine Copyleft-Lizenz: Wenn Sie Software weitergeben, die sie enthält, müssen Sie deren Quellcode unter derselben Lizenz veröffentlichen. Wer sie nur intern betreibt, ohne sie weiterzugeben, löst diese Pflicht nicht aus.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 41 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Ein Deep-Learning-Werkzeug für Gesichter in Bild und Video
FaceSwap ist ein Python-Programm, das Deep Learning nutzt, um Gesichter in Bildern und Videos zu erkennen und auszutauschen. Das Repository deepfakes/faceswap trägt den Untertitel Deepfakes Software For All und verweist auf eine Manifest-Veröffentlichung im Projektforum. Die Zahlen zeigen die Reichweite des Projekts: 57510 Sterne, 13489 Forks und nur 14 offene Issues, der Standardzweig ist master. Die Lizenz ist GPL-3.0.
Die Versionsgeschichte hat sich zuletzt spürbar bewegt. Ende Dezember 2025 erschienen innerhalb von zwei Tagen die Fassungen v2.3.0 und v3.0.0, beide mit Installationspaketen für Windows, Linux und macOS. Davor lag mit v2.2.0 aus dem Juni 2023 eine mehrjährige Veröffentlichungslücke. Die Projektseite ist faceswap.dev, die ausführliche Dokumentation liegt auf Read the Docs, und ein Verweis im README empfiehlt, vor dem Einstieg die Datei INSTALL.md zu lesen.
Das Manifest: Vier Punkte und Nulltoleranz
Ungewöhnlich für ein Software-Repository ist der Umfang, mit dem FaceSwap seine Zweckbestimmung verhandelt. Das README erzählt die Entstehungsgeschichte: Die Technik war ursprünglich akademischem Publikum mit fragmentarischem Code vorbehalten, bis eine Person sie in ein lauffähiges, geschlossenes Projekt zusammenführte. Diese Fassung wurde sofort für unangemessene Inhalte benutzt, öffnete aber zugleich einer breiten Gruppe den praktischen Zugang zu KI-Technik ohne Promotionshintergrund.
Daraus leiten die Entwickler vier Punkte ab: FaceSwap ist nicht für unangemessene Inhalte gedacht, nicht für Gesichtswechsel ohne Zustimmung oder mit der Absicht, die Nutzung zu verbergen, nicht für gesetzeswidrige oder fragwürdige Zwecke, und es existiert für Experimente mit KI-Techniken, für soziale oder politische Kommentare, für Filme und andere rechtmäßige Verwendungen. Das Manifest kündigt eine Haltung der Nulltoleranz gegenüber unethischer Nutzung an und erklärt, dass viele der Beteiligten gar keine Videos erzeugen, sondern am Code selbst arbeiten.
Der dreistufige Ablauf: extract, train, convert
Der Arbeitsablauf beginnt nach README mit dem Sammeln von Fotos oder Videos, danach gliedert sich der Rest in drei Befehle. python faceswap.py extract nimmt Fotos aus dem Ordner src und schreibt die herausgeschnittenen Gesichter in den Ordner extract. python faceswap.py train verarbeitet zwei Ordner mit Bildern beider Gesichtsklassen und legt das Ergebnis im Ordner models ab. python faceswap.py convert schließlich liest den Ordner original und schreibt die bearbeitete Fassung nach modified.
Wer lieber klickt, startet die grafische Oberfläche mit python faceswap.py gui. Für Videodateien beschreibt das README zwei Wege: das mitgelieferte Werkzeug über python tools.py effmpeg -h oder ein separat installiertes ffmpeg, das Video in Einzelbilder und zurück wandelt. Detailanweisungen zu jedem Schritt verweist das README an die Datei USAGE.md, die im Repository neben INSTALL.md liegt.
Hardwareansprüche: CUDA für beste Leistung, AMD über ROCm
FaceSwap läuft laut README auf mehreren Betriebssystemen, darunter Windows, Linux und macOS. Für beste Leistung empfiehlt das Projekt eine moderne GPU mit CUDA-Unterstützung, und viele AMD-Karten werden unter Linux über ROCm bedient. Genauere Abhängigkeiten, Python-Fassungen und Einrichtungsschritte sucht man im README vergebens; es verweist konsequent auf INSTALL.md, das für Windows, Linux und macOS getrennte Wege beschreibt.
Diese Aufteilung hat einen Vorteil für Neulinge: Das README bleibt kurz und führt direkt zum Installationshandbuch, statt veraltete Angaben im Haupttext zu duplizieren. Mit den Installationspaketen der Fassung v3.0.0 reduziert sich der Aufwand zusätzlich, weil vorgefertigte Installationsdateien für alle drei Systeme bereitstehen. Wer auf Rechenkapazität verzichten will, kann Training und Konvertierung zwar prinzipiell auf der CPU laufen lassen, muss aber deutlich längere Wartezeiten einplanen, was das README selbst nicht konkret beziffert.
Unterstützung über Forum und Discord statt GitHub-Issues
Für Hilfefragen legt das README eine klare Route fest. Der Discord-Server ist laut Beschreibung seitensicher, und allgemeine Unterstützungsfragen gehören in das FaceSwap-Forum, nicht in die GitHub-Issues, wo sie andernfalls gelöscht werden könnten. Diese Trennung hält die Issue-Liste des Repositories klein, was die 14 offenen Einträge bestätigen.
Die Projektfinanzierung läuft über Patreon und einmalige Spenden, mit eigenen Adressen für Bitcoin, Ethereum, Monero und PayPal für die Beteiligten. Das README erwähnt ausdrücklich, dass die Entwickler viele Stunden ohne Bezahlung investiert haben. Die Community-Seiten bilden zugleich die Anlaufstelle für Beispiele und Rückfragen zum Modelltraining, was für ein Projekt dieser Größenordnung die praktische Suche nach Hilfe erheblich beschleunigt.
Beitrittswege für Modellforscher, Entwickler und Endnutzer
Der Beitragsabschnitt des README gliedert seine Anleitung nach Zielgruppen. Personen mit Interesse an generativen Modellen finden einen eigenen Diskussionsraum mit dem Namen faceswap-model. Entwickler werden gebeten, das README vollständig zu lesen, das Repository zu forken, eigene Änderungen auszuprobieren und die mit dev markierten Issues zu prüfen.
Fortgeschrittene Nutzer ohne Entwicklungsabsicht folgen ähnlichen Schritten über die Kennung advuser und werden ermutigt, anderen im Forum zu helfen. Endnutzern gibt das README einen knappen Rat: Code holen, damit arbeiten, und bei Problemen im Forum nachfragen. Das Problem-Tracking gehört danach ins Forum, nicht ins Repository. Für Grundlagen zum maschinellen Lernen verlinkt das README zwei Videos, die erklären, wie ein Computer Gesichter erkennt und formt und wie ein neuronales Netz lernt; als Kurzfassung nennen sie Trainingsdaten plus Versuch und Irrtum.
Fazit: Ein Bildungsprojekt mit ausdrücklicher Zweckbestimmung
FaceSwap ist mehr als ein Gesichtsfilter: Es zerlegt den Gesichtsaustausch in nachvollziehbare Stufen aus Extraktion, Training und Konvertierung, dokumentiert jeden Schritt in USAGE.md und richtet sich bewusst an Lernende. Der GPL-3.0-Kontext verlangt, dass abgeleitete Weitergaben unter derselben Lizenz stehen, was für kommerzielle Einbettungen eine konkrete Prüfaufgabe darstellt.
Gut geeignet ist das Werkzeug für VFX-Übungen, Lehrsituationen und rechtmäßige Modellierung mit eigenem Bildmaterial und Zustimmung der abgebildeten Personen. Falsch aufgehoben ist es für schnelle Konsumwerkzeuge oder für Arbeiten, die die im Manifest ausgeschlossenen Verwendungen berühren. Der sinnvollste Einstieg ist die Reihenfolge des README: INSTALL.md lesen, die Installationsdatei der Fassung v3.0.0 laden, das Beispieltraining mit zwei kleinen Bildmengen durchlaufen und die Ergebnisse der drei Befehle extract, train und convert anhand der Ordner src, extract, models, original und modified nachverfolgen.
Redaktionelles Fazit
FaceSwap richtet sich an Lernende, VFX-Arbeitsgruppen und Forschende, die den vollständigen Ablauf von Gesichtsextraktion bis Modelltraining selbst betreiben wollen und GPU-Kapazität mitbringen. Für schnelle Ergebnisse ohne eigenes Training ist das Werkzeug ungeeignet. Vor dem Start sollte man INSTALL.md und USAGE.md im Repository lesen, eine CUDA-fähige GPU einplanen und die vier Nutzungspunkte des Manifests als Maßstab für die eigene Verwendung mitnehmen.
Community-Notizen