Aussprache-Wörterbuch: eigenes Modul, Wortgrenzen, gepflegte Liste, Kandidaten-Suche

Englische Fachbegriffe und fremde Eigennamen wurden auf Deutsch falsch vorgelesen
("Repository", "Donald Trump"). Chatterbox hat keinen Lautschrift-Eingang, also bleibt
nur die Umschrift in deutscher Rechtschreibung — die gab es zwar schon, aber nur als
kleines Dict im CLI-Skript, das keine andere Anwendung sinnvoll erweitern konnte.

Empirisch geprüft, warum es keinen besseren Weg gibt:
- Der multilinguale Tokenizer heißt "grapheme_mtl_merged_expanded_v1" und enthält zwar
  IPA-Zeichen und ein [ipa]-Sprachtoken. generate() lehnt language_id="ipa" ab; umgeht
  man nur die Whitelist, kommt Unsinn heraus: "ɹɪˈpɑzɪˌtɔɹi" klingt wie "Ripacitari",
  "dɪˈplɔɪmənt" wie "Deep Romant" (per Whisper zurücktranskribiert). IPA ist tot.
- Der vorhandene Sprachwechsel im Satz ([en]...[/en]) synthetisiert die Teile korrekt,
  klebt sie aber ohne Überblendung zusammen: gemessen 4 Nahtpausen von 0,5-0,8 s, der
  Satz wächst von 3,9 s auf 7,1 s. Für Fließtext unbrauchbar.

Neu:
- pronunciation.py — eigenständiges Modul, reine Standardbibliothek (kein torch), damit
  CLI, HTTP-Service, MCP-Adapter und fremde Projekte (Open Notebook) dasselbe Wörterbuch
  nutzen können, ohne das Modell zu laden. Namen werden aus chatterbox_cli_v4
  re-exportiert, bestehende Importe bleiben gültig.
- Ladereihenfolge mit Vorrang: eingebaut -> pronunciation/<lang>.json (mitgeliefert) ->
  ~/.config/chatterbox/pronunciation/<lang>.json -> $CHATTERBOX_PRONUNCIATION_DICT ->
  explizit übergebenes Dict. Kaputte JSON-Dateien werden gemeldet, nicht fatal.
- pronunciation/de.json — kuratierte Einträge (Tech, KI, Firmen, Personen, Medien).
- pronunciation_candidates.py — findet in einem Text alles, was hunspell (de) nicht kennt
  und noch nicht im Wörterbuch steht. An einem echten Podcast-Transkript getestet: 61
  Kandidaten, darunter Voicebox, Scrapling, Scraping.

Fehlerbehebung: Ersetzt wird jetzt an Wortgrenzen und in einem einzigen Durchgang. Das
alte str.replace() machte aus "UNESCO" ein "Uh EnnESCO" und aus "UNIX" ein "Uh EnnIX",
weil der Eintrag "UN" auch mitten im Wort traf.

Verifiziert: 199 Einträge laden in 44 ms ohne torch; UNESCO/UNIX/Xiaomi bleiben intakt;
Open Notebooks TTS-Server spricht die Umschrift ohne eine einzige Codeänderung dort; der
MCP-Service auf :9999 läuft unverändert weiter.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

README.md

@@ -458,8 +458,58 @@ python chatterbox_cli_v4.py --lang de \
   --input nachricht.txt
 ```
 
-Häufige Begriffe sind bereits eingebaut (GitHub, YouTube, iPhone, Xi Jinping u. a.).
-Das eigene Dict wird immer **nach** dem eingebauten angewendet — Überschreibungen sind möglich.
+### Ladereihenfolge
+
+Das Wörterbuch liegt in **`pronunciation.py`** — einem eigenständigen Modul **ohne
+torch-Abhängigkeit**, damit jede Chatterbox-Anwendung (CLI, HTTP-Service, MCP-Adapter,
+fremde Projekte) es nutzen kann, ohne ein 4-GB-Modell zu laden:
+
+```python
+from pronunciation import load_pronunciation_dict, apply_pronunciation_dict
+text = apply_pronunciation_dict(text, load_pronunciation_dict("de"))
+```
+
+Quellen werden zusammengeführt, spätere überschreiben frühere:
+
+| # | Quelle | Zweck |
+|---|---|---|
+| 1 | `DEFAULT_PRONUNCIATION_DE` (in `pronunciation.py`) | Notnagel, falls keine Datei da ist |
+| 2 | `pronunciation/<lang>.json` | **die gepflegte Liste** (~200 Einträge), versioniert |
+| 3 | `~/.config/chatterbox/pronunciation/<lang>.json` | persönliche Ergänzungen |
+| 4 | `$CHATTERBOX_PRONUNCIATION_DICT` (Pfad, `:`-getrennt) | pro Projekt/Deployment |
+| 5 | `--pronunciation-dict` bzw. API-Parameter | pro Aufruf |
+
+Inhalt anzeigen: `python pronunciation.py de`
+
+### Kandidaten finden
+
+`pronunciation_candidates.py` sucht in einem Text alles, was **hunspell** (deutsches
+Wörterbuch) nicht kennt und noch nicht im Wörterbuch steht — praktisch immer genau die
+englischen Fachbegriffe und fremden Eigennamen:
+
+```bash
+python pronunciation_candidates.py transkript.txt              # nach Häufigkeit sortiert
+python pronunciation_candidates.py *.txt --min-count 2 --json  # Gerüst zum Ausfüllen
+```
+
+Braucht `hunspell` + `hunspell-de-de`. Die Umschrift schreibt ein Mensch.
+
+### Ersetzt wird an Wortgrenzen
+
+Früher ein nacktes `str.replace()`: aus „UNESCO" wurde „Uh EnnESCO", aus „UNIX" ein
+„Uh EnnIX". Jetzt wird nur an Wortgrenzen ersetzt, alles in einem Durchgang (längste
+Einträge zuerst), sodass Ersetzungen sich nicht gegenseitig treffen.
+
+**Umschrift nie komplett großschreiben:** die Akronym-Expansion läuft danach und würde
+„EIGEN" zu „E I Ge E En" buchstabieren.
+
+> **Warum keine Lautschrift (IPA)?** Chatterbox ist graphem-basiert; der multilinguale
+> Tokenizer heißt wörtlich `grapheme_mtl_merged_expanded_v1`. Im Vokabular stehen zwar
+> IPA-Zeichen und ein `[ipa]`-Sprachtoken, aber empirisch spricht das Modell IPA **nicht**
+> als Lautschrift: `ɹɪˈpɑzɪˌtɔɹi` klingt wie „Ripacitari", `dɪˈplɔɪmənt` wie „Deep Romant".
+> Auch der Weg über Sprachwechsel im Satz (`[en]…[/en]`) hilft hier nicht: die Segmente
+> werden ohne Überblendung aneinandergehängt, jede Naht kostet 0,5–0,8 s Pause. Deshalb
+> Umschrift.
 
 ---