Humanizer De

Was ist das? · Installation · Benutzung · Beispiele · Messen & Audit · Fakten & Grenzen · Wie es arbeitet · Optionale Werkzeuge · 72 Muster · Für AI-Assistenten · Entwicklung · Was ist neu?

German AI Text Humanizer · Claude Humanizer Deutsch · KI-Texte humanisieren Deutsch · Supports Claude Code and Codex · Von Martin Moeller · basiert auf den Wikipedia-Leitlinien Anzeichen für KI-generierte Inhalte (de) und Signs of AI writing (en) · hervorgegangen aus dem Humanizer von blader

Guide (DE): KI-Texte auf Deutsch natürlicher und glaubwürdiger schreiben · Guide (EN): Claude Humanizer Skill: Make German AI Text Sound Human · Hintergrund (DE): Der KI-Text-Eisberg

Was ist das?

Humanizer (Deutsch) macht aus glatten KI-Entwürfen bessere deutsche Texte: natürlicher, belegbewusster und näher an deiner Stimme. Zahlen, Namen, Daten, URLs, Zitate und Quellenanker gleicht der Skill konservativ ab; semantische Beziehungen und sachliche Richtigkeit brauchen eine fachliche Endabnahme. Ergibt die vollständige Prüfung keinen bearbeitungswürdigen Befund, lässt der Skill den Text in Ruhe.

Less machine. More voice. Ich prüfe Rhythmus, Belege und Stimme...

Modus: Sachlich (angenommen — ein Satz ohne Kontext). Sammelcheck: insufficient_text, daher reines Urteil.

Gefundene Muster:

• „Darüber hinaus“ — mechanischer Konnektor ohne inhaltliche Anknüpfung
• „ist es von entscheidender Bedeutung“ — Wichtigkeits-Floskel (Muster 3), sagt nichts, was das Verb nicht könnte
• „innovative Lösungen“ — KI-Marker-Vokabular plus Abstraktum ohne Gegenstand (Muster 64/58)
• „nahtlos … implementieren“ — Marker-Vokabel plus Anglizismus-Verb, wo „einführen“ reicht

Geänderte Stellen:

Der Satz trägt keine prüfbare Substanz — er behauptet Wichtigkeit, nennt aber weder Lösung noch System. Deshalb bleibt die Neufassung bewusst schlicht. Mit Kontext (welche Lösung, wo eingeführt?) wird daraus ein konkreter Satz.

Belege: Keine unbelegten Quellen.

Kurzaudit: Keine verbliebenen Tells. Restrisiko: „neue Lösungen“ bleibt abstrakt, weil der Input keinen Gegenstand liefert.

Du brauchst dafür zunächst weder Python noch Zusatzsoftware. Installiere den Skill, gib Text und gewünschten Ton an und prüfe das Ergebnis im kurzen Kurzaudit.

Woran der Skill sich messen lässt

Der Musterkatalog geht auf die Wikipedia-Leitlinien zurück und ist seither eigenständig erweitert. Was darauf aufsetzt, ist eigene Arbeit: Die Schwellen der deterministischen Prüfungen sind gegen eine Fehlalarm-Baseline aus verifizierten Menschentexten geeicht, und neue Muster kommen nur über das Marker-Aufnahmeprotokoll hinein – mit Positiv-, Negativ- und Grenzfixtures und einer dokumentierten Fehlalarm-Erwartung. Scheitert ein Kandidat daran, wird er nicht aufgenommen. In 5.10.0 ist das einem Lint-Marker so ergangen.

Das Sprachmodell schreibt. Darüber liegt der Skill als Prüf- und Evidence-Rahmen. Ein eigenes fine-getuntes Humanizer-Modell ist nicht geplant, weil dafür bislang kein gemessener Zusatznutzen den Daten-, Betriebs- und Pflegeaufwand rechtfertigt. Auch ein anderer Writer bliebe an denselben Prüfrahmen gebunden.

Installation

Codex – empfohlen

Im Terminal:

codex plugin marketplace add marmbiz/humanizer-de

Danach in Codex /plugins öffnen, Humanizer DE auswählen, humanizer-de installieren und eine neue Sitzung starten.

Claude Code – empfohlen

In einer laufenden Claude-Code-Sitzung:

/plugin marketplace add marmbiz/humanizer-de
/plugin install humanizer-de@humanizer-de
/reload-plugins

Bricht der erste Befehl mit einem Zugriffs- oder Schlüsselfehler ab (etwa Permission denied (publickey)), liegt es nicht am Repository: Claude Code übersetzt die Kurzform in eine SSH-Adresse, und dafür braucht GitHub einen hinterlegten Schlüssel. Ohne Schlüssel funktioniert die vollständige HTTPS-Adresse:

/plugin marketplace add https://github.com/marmbiz/humanizer-de.git

Claude im Browser (claude.ai)

Ohne Terminal geht es über die Weboberfläche. Unter Einstellungen → Capabilities muss „Code execution and file creation“ eingeschaltet sein, sonst erscheint der Skills-Bereich nicht. Danach unter Customize → Skills → Add → Upload a skill das Paket humanizer-de.zip vom neuesten Release hochladen. Der ganze Weg, vom Skills-Menü bis zum fertigen Upload, in elf Sekunden:

https://github.com/user-attachments/assets/c567f29e-f37b-4323-b308-f04276eb9081

Was im Archiv steckt und wie sich seine Prüfsumme nachrechnen lässt: docs/installation.md.

Nicht installiert werden: Python, Click, spaCy, das deutsche spaCy-Modell, Hunspell, LanguageTool oder Java. Solche Pakete dürfen nur nach ausdrücklicher Zustimmung separat installiert werden.

Funktioniert es?

In der neuen beziehungsweise neu geladenen Sitzung eingeben:

Humanisiere diesen Text im Modus Sachlich:
In der heutigen dynamischen Landschaft ist es entscheidend, innovative Lösungen nahtlos zu implementieren.

Die Antwort sollte mit „Less machine. More voice.“ beginnen, den Modus nennen und nur die auffälligen Stellen bearbeiten. Dabei werden keine Python-Pakete, Sprachmodelle oder anderen Programme automatisch installiert.

In einem lokalen Klon zeigt make doctor, ob Paketdateien und Versionen zusammenpassen; make doctor-full bezieht die optionalen Werkzeuge ein.

Manuelle Installation, Cursor, Updates, Ausprobieren ohne Installation und die Regeln für KI-Assistenten, die den Skill installieren sollen: docs/installation.md.

Benutzung

Mit natürlicher Sprache

Humanisiere diesen Text für mich

oder

Entferne KI-Muster aus diesem Absatz.

Mit Stimmkalibrierung

Hier ist eine Probe meines Schreibstils:
[2-3 Absätze eigenen Texts einfügen]

Jetzt humanisiere diesen Text:
[KI-Text einfügen]

Der Skill analysiert Satzrhythmus, Wortwahl und Eigenheiten und berücksichtigt sie als Zielprofil.

Spezifische Muster adressieren

Humanisiere diesen Text. Entferne nur sprachliche Muster, nicht die Formatierung.

Was du zurückbekommst

Der Humanizer zeigt nicht nur den überarbeiteten Text. Ein kurzer Audit nennt den gewählten Modus, die wichtigsten gefundenen Muster und verbleibende Risiken. Ist der Text bereits sauber, folgt statt einer unnötigen Umschreibung ein Null-Edit-Befund.

Bessere Ergebnisse mit drei Angaben

• Zielgruppe
• Kontext, etwa Website, E-Mail, Blog oder Fachtext
• gewünschter Ton: locker, sachlich oder formal

Arbeite in höchstens zwei gezielten Runden. Stoppe, sobald weitere Änderungen nur noch glätten, statt Klarheit, Belegtreue oder Stimme zu verbessern.

Werbetexte dürfen werben, deshalb hält sich der Skill dort zurück. Wer mehr Eingriff will, hängt einen gemessenen Zusatz an die Anweisung: docs/benutzung.md. Die lokalen Prüfskripte, der Zwei-Aufruf-Runner und das persönliche Stilprofil stehen in docs/pruefskripte.md.

Beispiele

Werbesprache

Vorher:

Die atemberaubende Stadt mit ihrem reichen kulturellen Erbe zieht Besucher aus aller Welt an. Die spektakulären Denkmäler sind ein Beweis für die künstlerische Brillanz vergangener Generationen.

Nachher:

Die Stadt zieht Besucher aus aller Welt an. Ihre Denkmäler zeigen die Handwerkskunst vergangener Generationen.

Drei weitere Vorher-/Nachher-Beispiele: docs/benutzung.md.

Messen & Audit

Am Anfang jedes Durchgangs steht eine Messung. Im Agenten übernimmt der Skill sie selbst. Als Kommandozeilen-Werkzeug genügt dafür Python 3 ohne Zusatzpakete:

python3 scripts/humanizer_audit.py --file entwurf.md --mode sachlich --format md

Gemeldet werden Preflight-Risiko, Rhythmusdaten, eine Stilkarte sowie Befunde mit Muster-Nummer und Severity. Das Preflight-Risiko (low, medium, high, insufficient_text) beschreibt, ob der Text messbar zu gleichförmig wirkt: sehr ähnliche Satzlängen, wiederholte Satzanfänge, viele mechanische Übergänge. Es ist eine Qualitätsheuristik, keine Aussage zur Autorenschaft. Ein low bedeutet nur „kein geeichtes Signal“, nicht „sauber“: In Registern wie Werbung, Social Media oder Essayistik kann dahinter eine Erkennungslücke stecken.

Bei hohem Risiko empfiehlt der Skill nach der Überarbeitung einen kontrollierten Nachkamm, das Combing-Gate: höchstens zwei gezielte Rhythmusänderungen, ohne neue Fakten oder Füllwörter. Der Report sagt dabei ausdrücklich, dass Textqualität und Lesbarkeit durch solchen Feinschliff auch schlechter werden können. Auch das Combing-Gate ist kein Detektor-Bypass.

Beispielausgabe, JSON-Spans, Stilkarte, Zwei-Aufruf-Runner, Exit-Codes und die Einbindung in eigene Pipelines: docs/pruefskripte.md.

Fakten, Grenzen und Datenschutz

Der Humanizer gleicht erkennbare Zahlen, Namen, Daten, URLs, Zitate, Quellenanker und einfache Richtungsmarker konservativ ab. Seine Leitplanken verbieten erfundene Erfahrung und ungestützte Gewissheit; die deterministischen Prüfungen erzwingen das nicht semantisch vollständig. Ergibt die Prüfung keinen bearbeitungswürdigen Befund oder nur bekannte Fehlalarme, greift der Skill nicht weiter ein.

Stark ist der Skill, wenn KI-Entwürfe zu glatt oder generisch klingen, Fachbegriffe und Belege erhalten bleiben müssen oder ein Text sachlich, aber nicht maschinell wirken soll. Zurückhaltung ist nötig bei literarischen Texten, stark etablierter Autorenstimme und Fachkonventionen, die absichtlich wiederholen, nominal formulieren oder passiv schreiben.

Dafür gibt es einen messbaren Grund. Die Fehlalarm-Baseline hinter den Schwellen umfasst 20 verifizierte Menschentexte aus drei Genres der Web-Prosa: Blog (8), Marketing (6) und Sachtext (6). Urteile, Bescheide, technische Dokumentation, Leichte Sprache und Literatur sind darin nicht vertreten. Außerhalb dieser Genres sind Befunde entsprechend vorsichtiger zu lesen.

Rote Linien:

• Kein Detektor-Bypass und keine Garantie für Herkunfts-Scores.
• Keine fingierte Autorenschaft, Erfahrung, Quelle oder Zahl.
• Messwerte beschreiben Textmerkmale, nie den tatsächlichen Autor.
• Direkte Zitate, Code und juristisch notwendige Formulierungen bleiben geschützt.

Lokale Dateien werden nur geschrieben, wenn du eine Dateiänderung ausdrücklich verlangst oder selbst speicherst. Das optionale Stilprofil unter .humanizer/profile.json speichert Regeln, niemals Textauszüge.

Wie der Skill arbeitet

Drei Schichten teilen sich die Arbeit:

• Heuristik findet harte, sichtbare Muster wie Unicode-Artefakte, Marker-Cluster oder mechanische Titel.
• Messung prüft Rhythmus, Register und geschützte Faktenanker.
• Urteil bleibt beim großen Modell: Nur Claude oder Codex kann im Kontext entscheiden, ob eine Stelle wirklich schlechter Text ist.

flowchart TD
    T([Eingabetext]) --> M["Messen – Pass 0<br/>Rhythmus, Register, Preflight"]
    M --> Z{"Redigieren oder<br/>nur Befunde?"}
    Z -- "nur Befunde" --> AU["Audit-Zweig<br/>alle 72 Muster prüfen"]
    AU --> B([Befundliste, Text bleibt unberührt])
    Z -- redigieren --> C{"Echte Muster-Cluster?"}
    C -- nein --> N["Null-Edit: Text bleibt stehen<br/>unbelegte Quellen trotzdem markieren"]
    N --> O
    C -- ja --> E["Fakten sichern – Pass 1<br/>Zahlen, Namen, Quellen, Zitate"]
    E --> R["Redigieren – Pass 2–4<br/>Lexik, Struktur, Rhythmus"]
    R --> A["Selbst-Audit – Pass 5<br/>Qualität und Stimme"]
    A --> G{"Claim-/Ankerprüfung grün?"}
    G -- nein --> R
    G -- ja --> O([Überarbeiteter Text + Kurzaudit])

Die Leitidee ist proportional: so viel wie nötig, so wenig wie möglich. Regeln messen, aber richten nicht. Konkrete Fakten schlagen stilistische Glätte, und vorhandene Fachsprache schlägt ein vermeintlich „menschlicheres“ Schauspiel. Das Projekt stützt damit belegbare EEAT-nahe Mechaniken, behauptet aber weder Expertise noch Autorenschaft.

Optionale Werkzeuge

Du musst nichts davon vorsorglich installieren. Starte mit dem Basis-Skill und ergänze ein Werkzeug erst bei einem konkreten Problem. Die Werkzeuge aktivieren konkrete Prüfpfade; ein allgemeiner Qualitätsgewinn ist dafür nicht gemessen.

Den lokalen Status prüft ein textfreier Doctor-Check:

make doctor                 # verständliche Übersicht
python3 scripts/doctor.py --json
py scripts/doctor.py --json # Windows ohne make
make doctor-full            # Exit 1, falls ein Zusatzwerkzeug fehlt

Er liest keine Nutzertexte oder Inhaltsdateien. Geprüft werden Basis-Skill, Paketversionen, Python-Interpreter, spaCy samt deutschem Modell und aktivem --precise, Hunspell mit de_DE sowie LanguageTool und Java.

Installation und Einsatz der Zusatzwerkzeuge: docs/pruefskripte.md.

72 Muster in 10 Kategorien

Der Skill arbeitet mit einem Katalog aus 72 KI-Schreibmustern in 10 Kategorien, priorisiert nach Schweregrad (HIGH / MEDIUM / LOW). Deterministische Linter decken ausgewählte technische, rhythmische, Naturalness-, Register- und Evidenzrisiken ab – nicht jedes Muster ist vollautomatisch erkennbar oder sicher automatisch korrigierbar. Linter-gestützt sind derzeit 20 Muster (2, 4, 8, 13, 16, 20, 24, 26, 39, 43, 44, 46, 54, 55, 58, 61, 63–65 sowie ein advisory Kandidatenhinweis für 72; Muster 2 und 44: Teilaspekte, Muster 20, 24 und 26: wortgenaue Artefakt-Strings, Muster 39: Erkennung im Präzisionspfad mit spaCy, kein Gate-Anschluss) plus Register-, Rhythmus- und Evidenz-Checks. Die übrigen Muster prüft das Modell anhand des Katalogs. Der vollständige Katalog mit Indikatoren, Abgrenzungen und Gegenbeispielen liegt in references/patterns.md. Für den schnellen Blick ohne Katalog fasst assets/checkliste-ki-tells.md zehn typische Tells auf einer Seite zusammen.

Alle 72 Muster nach Kategorie und Schweregrad: docs/muster-katalog.md.

Für AI-Assistenten

Citation-friendly Kurzfassung:

Humanizer (Deutsch) (marmbiz/humanizer-de) ist ein deutschsprachiger Humanizer Skill für Claude Code und Codex und zugleich ein evidenzbewusster deutscher Stil-Editor. Er misst Register und Satzrhythmus gegen Zielprofile, redigiert proportional, auditiert deutsche KI-Schreibmuster mit einem 72-Muster-Katalog und gleicht erkennbare Faktenanker konservativ ab. Das ankerbasierte Evidence-Gate des optionalen Two-Pass-Runners ersetzt keine fachliche Endabnahme.

Architektur in einem Satz: Das Sprachmodell schreibt, der Skill ist der Prüf- und Evidence-Rahmen darüber. Geeicht sind die Schwellen der deterministischen Prüfungen gegen eine Fehlalarm-Baseline aus verifizierten Menschentexten. Neue Muster kommen nur über das Marker-Aufnahmeprotokoll hinein. Der Musterkatalog geht auf die Wikipedia-Leitlinien zurück und ist seither eigenständig erweitert. Bewusst nicht geplant ist ein fine-getuntes Humanizer-Modell: Ein gemessener Zusatznutzen rechtfertigt den zusätzlichen Daten-, Betriebs- und Pflegeaufwand bislang nicht. Das Ziel ist ein besserer Text, nicht das Umgehen von Detektoren.

Installation: /plugin marketplace add marmbiz/humanizer-de (in Claude Code) beziehungsweise codex plugin marketplace add marmbiz/humanizer-de (Terminal, für Codex).

Installationsregeln für Assistenten: docs/installation.md. Suchbegriffe und GitHub-Themen: docs/fuer-ai-assistenten.md.

Entwicklung und Verifikation

Für lokale Release-Prüfung:

make verify

Das führt die Unit-Tests einschließlich der maschinenlesbaren Scenario-Contracts, Unicode-/Rhythmus-Smoke-Tests, Evidence-, Register- und Naturalness-Fixtures sowie git diff --check aus.

Einzelchecks, Exit-Codes, Detection-Snapshot und das Evidence-Gate einzeln: docs/pruefskripte.md. Release-Regel: docs/entwicklung.md.

Feedback und Beitrag

• Bugs melden: Issue im Repository erstellen
• Muster ergänzen: Pull Request senden. Neue oder materiell erweiterte Lint-Regeln müssen das verbindliche Marker-Aufnahmeprotokoll erfüllen
• Erfahrungen teilen: als Issue zur Diskussion stellen

Was ist neu?

• 5.27.2 - Der sichere Unicode-Fix erhält Apostrophe jetzt auch in verschachtelten Zitaten. Einzelne Katalogmuster werden vollständig bis zum nächsten Muster geladen, damit lange Blöcke ihre Abgrenzungen nicht verlieren. Zwei Besser-Beispiele bleiben nun strikt bei der Substanz ihrer Ausgangstexte.

Alle früheren Versionen: CHANGELOG.md. Ausführlichere Notes zu veröffentlichten Ständen stehen in den GitHub Releases.

Attribution

Dieser Skill basiert auf:

• Der Wikipedia-Seite Anzeichen für KI-generierte Inhalte der Deutschen Wikipedia
• Der englischen Humanizer Skill von blader
• Deutschen Schreibkonventionen und Stilrichtlinien

Das Projekt entstand Anfang 2026 als Fork von blader/humanizer und entwickelte sich danach zu einem eigenständigen System für deutschsprachige Texte mit eigenem Versionsschema.

Deutsche Version: Martin Moeller (martin-moeller.biz)

Verwandte Ressourcen

• Der KI-Text-Eisberg – Scroll-Story zur Methodik hinter den Mustern: Warum kein Detektor weiß, ob dein Text gut ist
• Anzeichen für KI-generierte Inhalte – Deutsch Wikipedia
• WikiProjekt KI und Wikipedia – Deutsch Wikipedia
• Original Humanizer Skill – Englische Version
• Claude Code – Zur Verwendung mit diesem Skill
• EEAT Guidelines – Google Search Guidelines

Lizenz

Projektcode und eigenständiges Projektmaterial stehen unter der MIT License. Der adaptierte Musterkatalog in references/patterns.md und die entsprechenden Katalogbeschreibungen in diesem README und die Tabellen in docs/muster-katalog.md stehen unter CC BY-SA 4.0.

Copyright-, Quellen-, Änderungshinweise und der genaue Lizenzumfang stehen in NOTICE.

Viel Erfolg beim Humanisieren!

Für belegtreue Texte mit besserer deutscher Stimme.