Extrahiere die Sprach-DNA eines Redners aus Beispielreden. Generiere neue Reden im exakten Stil — validiert gegen 47 messbare Dimensionen. Lerne aus Feedback und werde mit jeder Rede besser.
Von der Stilanalyse bis zur fertigen Rede — mit eingebauter Lernschleife und Qualitätssicherung.
Analysiert Beispielreden quantitativ (Python: Satzlänge, Rhetorik, Grammatik) und qualitativ (Claude: Tonalität, Argumentation, Bildsprache). Ergebnis ist ein vollständiges, belegtes Stilprofil mit 15 Abschnitten und messbaren Zielwerten.
Nutzt DNA + akkumulierte Learnings + Briefing. Erstellt eine Gliederung nach dem DNA-Blueprint, generiert die Rede abschnittsweise und validiert automatisch gegen die DNA-Metriken. Learnings aus Feedback haben Vorrang. Iteriert bis Score ≥ 85.
Akzeptiert Feedback als Text oder als überarbeitete Rede. Python berechnet die Deltas, identifiziert was verschoben wurde. Learnings werden als konkrete Regeln in LEARNINGS-{Name}.md gespeichert und bei jeder Generierung mitgelesen.
Prüft ob eine Rede zum DNA-Profil passt — quantitativ (Score) und qualitativ (Tonalität, Rhetorik, Wort-DNA). Verdikt: Authentisch / Teilweise passend / Stilfremd. Hilft zu entscheiden ob eine Rede als Trainingsmaterial geeignet ist.
Exportiert die aktuelle Skill-Version als lesbares Paket — Skill-Definition, Templates und Referenzdateien gebündelt in einem Verzeichnis.
Python liefert die Zahlen. Claude liefert das Verständnis. Zusammen entsteht die Sprach-DNA.
Inkrementelle Analyse: Jede Rede wird einzeln hinzugefügt und ihr Einfluss auf die Metriken gemessen. Zeigt ob die DNA stabil wird oder mehr Reden nötig sind.
47 Dimensionen extrahieren: Satzlänge, TTR, Rhetorik, POS-Verteilung, Interpunktion, Lesbarkeit, Aktiv/Passiv, Pronomen-Profil.
Anaphern, Epiphern, Trikola, rhetorische Fragen, Antithesen und bewusste Wiederholungen erkennen.
Tonalität, Argumentationsmuster, Aufbau-Architektur, Bildsprache, Rhythmus, Quellen-Integrationsstil, Anti-Patterns.
15-Abschnitte-Stilprofil mit Zitaten als Belegen, quantitativen Zielwerten und Toleranzbereichen.
Thema, Zielgruppe,
Dauer, Quellen
Nach DNA-Blueprint,
User bestätigt
Abschnittsweise, Score-Check,
max. 3 Iterationen
Reichen deine Beispielreden? Der Skill prüft automatisch ob die DNA stabil wird — oder ob mehr Material nötig ist.
DNA konvergiert,
genug Material
Leichte Shifts,
1-2 Reden mehr
Deutliche Shifts,
mehr Reden nötig
Unter 3 Reden,
Minimum fehlt
Jeder Stil hat einen quantifizierbaren Fingerabdruck. Diese Metriken machen ihn reproduzierbar.
| Kategorie | Metriken | Werkzeug |
|---|---|---|
| Satzebene | Satzlänge (Mittelwert, Median, Stddev, Min/Max), Satztypen-Mix, Satzanfänge-Verteilung, Stakkato-Quote | spaCy |
| Wortebene | Type-Token-Ratio, Hapax-Legomena, Wortlänge, Füllwort-Profil, Modalverb-Frequenz, Top-50 Signalwörter | spaCy |
| Pronomen | Ich/Wir/Sie/Man/Es-Verteilung, Wir/Ich-Verhältnis, Gesamt-Pronomen-Anteil | spaCy |
| Interpunktion | Gedankenstriche, Doppelpunkte, Semikolons, Ellipsen, Ausrufezeichen, Fragezeichen, Klammern, Kommas (je /1000 W.) | Python |
| Lesbarkeit | Flesch-Reading-Ease (DE), Silben/Wort, Lange-Wörter-Anteil, Wörter/Satz | textstat |
| Grammatik | POS-Verteilung, Aktiv/Passiv-Verhältnis, Tempus-Verteilung, Adjektiv-Dichte, Verb/Substantiv-Ratio | spaCy |
| Rhetorik | Anaphern, Epiphern, Trikola, Rhetorische Fragen, Antithesen, bewusste Wiederholungen (je /1000 W.) | Regex+NLP |
| Dimension | Was wird erfasst |
|---|---|
| Tonalität & Register | Formalitätsgrad, emotionale Temperatur, Autoritätsstil, Humor-Typ, Empathie-Signale |
| Argumentation | Muster, Evidenz-Präferenz, Gegenargument-Behandlung, Logos/Pathos/Ethos-Gewichtung |
| Aufbau-Blueprint | Eröffnungstechnik, Übergänge, Spannungsbogen, Schluss-Technik, Proportionen |
| Zielgruppen-Ansprache | Anrede-Muster, Inklusion, Vorwissen-Annahme, Appell-Frequenz |
| Bildsprache | Metaphern-Dichte, bevorzugte Bildfelder, Vergleiche, Abstrakt/Konkret |
| Rhythmus | Sprechbarkeit, Pause-Markierungen, Emphase-Wiederholungen, Atem-Einheiten |
| Quellen-Integration | Zitat-Einbau, Quellennennung, Daten-Präsentation |
| Anti-Patterns | Was bewusst NICHT getan wird, vermiedene Wörter/Konstruktionen |
Jede generierte Rede wird gegen die DNA-Metriken geprüft. Abweichungen werden identifiziert und iterativ korrigiert.
Sehr gut
Gut
Moderat
Niedrig
Sage einfach "schreibe eine Rede für 10 Minuten" — der Skill rechnet automatisch um. Standard: 130 Wörter pro Minute (ruhiger Vortragsstil). Individuell anpassbar.
Der Skill lernt aus jeder Korrektur. Learnings werden pro DNA gespeichert und bei jeder Generierung mitgelesen.
"Die Rede ist zu formell."
"Mehr rhetorische Fragen."
"Der Schluss ist zu abrupt."
Claude interpretiert das Feedback, identifiziert welche DNA-Dimensionen betroffen sind
und schlägt konkrete Anpassungen vor.
Du korrigierst die Rede selbst. Der Skill analysiert automatisch was du geändert hast.
Python berechnet die exakten Deltas: Satzlänge +51%, Stakkato -40%, Füllwörter +12%.
Daraus leitet der Skill ab, wie die DNA angepasst werden muss.
Modus 2
Text oder Korrektur
Python + Claude
Akkumuliert
Statt den Skill selbst zu verändern, werden Erkenntnisse als konkrete Regeln in LEARNINGS-{Name}.md gespeichert — pro DNA, versionierbar, nachvollziehbar. Bei jeder Generierung werden Learnings automatisch mitgelesen und haben Vorrang vor generischen DNA-Zielwerten. Der Skill bleibt stabil, das Wissen wächst.
In drei Schritten zur ersten Sprach-DNA.
Installiert spaCy (MIT), deutsches Sprachmodell (MIT), textstat (MIT). Ca. 600 MB.
Wähle "Sprach-DNA erstellen" beim ersten Durchlauf.
| Komponente | Version | Lizenz |
|---|---|---|
| Python | 3.9+ | PSF |
| Claude Code | aktuell | Anthropic |
| spaCy | 3.7+ | MIT |
| de_core_news_lg | aktuell | MIT |
| textstat | 0.7+ | MIT |
Minimum 3, empfohlen 5-10. Mehr Reden ergeben stabilere Metriken. Bei nur 3 Reden können Ausreißer (eine besonders kurze oder formelle Rede) die Durchschnittswerte verzerren.
Ja. Lege verschiedene Sets von Beispielreden an und erstelle je eine eigene Sprach-DNA. In Modus 2 wählst du bei jedem Durchlauf welche DNA verwendet werden soll. So kannst du z.B. einen formellen Konferenz-Stil und einen lockeren Team-Meeting-Stil parallel pflegen.
Alles woraus sich die Rede inhaltlich speisen darf: Studien, Marktzahlen, Zitate, Hintergrundinfos, Pressemitteilungen, interne Reports. Die Quellen beeinflussen den Inhalt, nicht den Stil — der kommt ausschließlich aus der DNA.
Prinzipiell ja, aber das Sprachmodell ist für Deutsch optimiert. Für Englisch müsste in extract_metrics.py das Modell auf en_core_web_lg gewechselt und die Füllwort- und Modalverb-Listen angepasst werden.
Nein. spaCy läuft effizient auf der CPU. Die Analyse von 10 Reden dauert typisch 10-30 Sekunden. Das ist kein Deep Learning mit Millionen Parametern, sondern statistische Sprachanalyse.
Alles läuft lokal. Keine Daten werden an externe Server geschickt (außer an Claudes API im Rahmen der normalen Claude Code Nutzung). Beispielreden, DNA und generierte Reden bleiben auf deinem Rechner.
Der Validierungs-Score misst die quantitative Übereinstimmung. Typische Scores bei guter DNA liegen bei 75-90. Die qualitative Übereinstimmung (Tonalität, Argumentationsstil) lässt sich nicht automatisiert messen — dafür gibt es die Feedback-Schleife.
Alle verwendeten Bibliotheken (spaCy, textstat, de_core_news_lg) stehen unter der MIT-Lizenz und sind kommerziell uneingeschränkt nutzbar.
Angaben gemäß § 5 TMG
Mark Zimmermann
Ehlersstraße 18C
76187 Karlsruhe
Deutschland
Kontakt:
E-Mail: schiff_spritziger7j@icloud.com
Mark Zimmermann
Ehlersstraße 18C
76187 Karlsruhe
Die Repositories werden privat und zum Nutzen der Gemeinschaft erstellt. Der Betreiber übernimmt keine Haftung für den Einsatz, die Nutzung oder die Weiterverwendung der in den Repositories enthaltenen Inhalte. Es wird keine Gewähr für Richtigkeit, Vollständigkeit oder Aktualität der Inhalte übernommen. Externe Links unterliegen der Verantwortung der jeweiligen Betreiber. Die Inhalte unterliegen dem deutschen Urheberrecht; es gelten die jeweiligen Repository-Lizenzen.
© 2026 Mark Zimmermann