Von manueller Textanpassung zu automatischer Stil-Replikation: Ein Tool zum Kopieren von Schreibstilen#

Schreibstile zu übernehmen ist mühsam. Unser Style-Tool automatisiert das: Es analysiert Beispieltexte und wendet deren Stil auf neue Inhalte an.

Das Tool entstand aus einer Frage: Können KI-Sprachmodelle nicht nur Grammatik und Wortschatz kopieren, sondern auch Strukturen, Narrative und Abläufe? Wir wollten testen, wie weit diese Replikation geht – von Goethe-Prosa bis zu Comic-Sprache.

Was war das Ziel?#

Wir wollten herausfinden, ob Sprachmodelle komplexe Stildimensionen erfassen können.

Einfache Stil-Anweisungen funktionieren bereits. Aber Stile sind mehr als Satzbau. Sie haben eigene Strukturen, Reihenfolgen und Erzählmuster. Das Projekt sollte zeigen, ob auch diese tieferen Ebenen replizierbar sind.

Was kann das Tool?#

Das Tool ist eine Web-Anwendung mit vier Funktionen:

• Transformieren: Wandelt Texte nach Stilprofilen um (z. B. von Fachtext zu Goethe-Stil, von Bericht zu Obama-Rede, von Prosa zu Comic-Dialog)
• Stil analysieren: Extrahiert Merkmale aus Beispieltexten (linguistische Muster wie Satzlänge, lexikalische Aspekte wie Fachbegriffe, strukturelle Eigenschaften wie Absatzaufbau)
• Feinabstimmung: Lernt aus Vorher-Nachher-Vergleichen (z. B. ursprünglicher KI-Text und manuelle Überarbeitung)
• Stilübersicht: Zeigt Profile an und exportiert sie als Datei

Das Tool verarbeitet gängige Formate (TXT, Markdown, Word-Dokumente) und kann bis zu 250.000 Texteinheiten auf einmal verarbeiten.

So können Nutzer eigene Stilprofile erstellen und auf beliebige Texte anwenden.

Wie wurde es entwickelt?#

Wir haben viel Zeit in die Vorbereitung gesteckt.

• Konzeptphase (~60 Minuten): Intensive Diskussion über Funktionsbereiche und technische Ansätze
• Spezifikation (~30 Minuten): Klärung aller Details, bevor der erste Code geschrieben wurde
• Erste Umsetzung (~90 Minuten): Komplette Implementierung mit allen vier Funktionen
• Fehlerkorrekturen (2x ~30 Minuten): Zwei kleine Nachbesserungen

Gesamtaufwand: Etwa 3 Stunden für ein funktionsfähiges Tool

Ergebnis: 2.140 Zeilen Python-Code in 6 Dateien, plus separate Anweisungsdateien für die KI

Warum lief es so gut?#

Weil die Spezifikation vor dem Coding vollständig war.

Wir haben erst programmiert, als jedes Detail geklärt war. Die Aufteilung in vier Funktionsbereiche, das Datenformat, die Architektur – alles stand fest. Diese Klarheit ermöglichte eine Umsetzung ohne größere Korrekturen.

Eine detaillierte Spezifikation reduzierte die Entwicklungszeit drastisch und vermied kostspielige Iterationen.

Wichtige Erkenntnisse#

1. Stil ist mehr als Sprache – aber trotzdem kopierbar

Erste Tests zeigen sehr gute Ergebnisse. Wir haben etwa zehn Stilprofile erstellt: Autoren-Stile wie Goethe, Reden-Stile von Helmut Schmidt oder Barack Obama, Genres wie Interviews oder Comics.

Besonders überraschend: Der Comic-Stil funktioniert hervorragend. Das Tool generiert nicht nur Comic-Sprache (z. B. kurze Dialoge, Ausrufe, Soundwörter), sondern beschreibt auch einzelne Panels. Diese Beschreibungen konnten wir dann über KI-Bildgeneratoren in grafische Comics umsetzen.

Stil scheint ein kulturelles Phänomen zu sein, das sich dennoch technisch replizieren lässt.

2. Hybride Datenstrukturen sind der Schlüssel

Wir kombinieren zwei Ansätze: Strukturierte Daten (Zahlen, Kategorien) und natürlichsprachliche Anweisungen. Stilprofile enthalten messbare Merkmale (z. B. durchschnittliche Satzlänge: 15 Wörter) und gleichzeitig Beschreibungen (z. B. “Nutze lebendige Verben”).

Diese Mischung hatte sich bereits in früheren Experimenten bewährt. Sie verbindet Präzision mit Flexibilität.

3. Feinabstimmung durch Änderungsanalyse bildet reale Arbeitsabläufe ab

Die Feinabstimmungs-Funktion nutzt ein alltägliches Muster: Man erhält eine KI-Antwort und passt sie manuell an. Das Tool analysiert diese Anpassungen und leitet daraus Regeln ab.

Dieser Ansatz macht implizite Entscheidungen explizit. Wenn jemand regelmäßig KI-Texte kürzt oder Fachbegriffe ersetzt, erkennt das Tool dieses Muster und wendet es künftig automatisch an.

Was können andere davon lernen?#

• Investiert Zeit in die Spezifikation, bevor ihr eine Zeile Code schreibt – es spart später ein Vielfaches an Zeit
• Bewährte technische Muster (z. B. strukturierte Datenformate, Token-Verwaltung) sollten aus früheren Projekten übernommen werden
• Der KISS-Ansatz (Keep It Simple) gilt besonders bei der Spezifikation – einfache Lösungen sind oft die besten
• Kleine Projekte (hier: 6 Dateien, 2.140 Zeilen Code) bleiben beherrschbar und lassen sich schnell umsetzen
• Arbeitsabläufe der Nutzer sollten in Tool-Funktionen abgebildet werden (hier: das Muster “KI-Antwort erhalten → manuell anpassen”)

Fazit#

✔ Sprachmodelle können komplexe Stildimensionen erfassen und replizieren – von Syntax bis zu kulturellen Erzählmustern

✔ Eine gründliche Spezifikation reduziert Entwicklungszeit drastisch (hier: 90 Minuten für die komplette Erstimplementierung)

✔ Die Kombination aus strukturierten Daten und natürlicher Sprache ist ein praktikabler Ansatz für KI-gestützte Text-Tools

Dies ist Teil einer Reihe über Experimente mit Sprachmodellen. Der Fokus liegt darauf, was man aus solchen Projekten lernen kann – nicht nur auf den Ergebnissen.