Add HTTP service, MCP adapter, systemd autostart; fix bugs and docs

- chatterbox_cli_v4.py: cooperative stop/interrupt via threading.Event;
  fix force_split_sentence (word boundary instead of mid-word cut);
  fix synthesize_streaming normalization order (split before preprocess)
- tts_service.py: FastAPI service with job queue, model cache, worker thread;
  LAN-accessible on 0.0.0.0:9999; audio_device default None (auto)
- mcp_adapter.py: MCP adapter (stdio + streamable-http) wrapping REST API;
  update docstring and default TTS_URL to port 9999
- requirements.txt: add fastapi, uvicorn, httpx, mcp
- README.md, BEDIENUNGSANLEITUNG.md: document service, MCP, AI integrations
  (Claude, Ollama, Open WebUI, llama.cpp, Home Assistant), systemd autostart
- CLAUDE.md: reflect current architecture (service + adapter now implemented)

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

BEDIENUNGSANLEITUNG.md

@@ -13,13 +13,32 @@ Es wandelt geschriebenen Text in natürlich klingende Sprache um.
 
 ---
 
-## Das Programm starten
+## Automatischer Start im Hintergrund
 
-Öffne ein Terminal und gib folgende Befehle ein:
+Der Sprach-Service startet automatisch, sobald du dich am Computer anmeldest.
+Du musst nichts weiter tun — er läuft im Hintergrund und wartet auf Anfragen.
+
+Ob der Service läuft, prüfst du so:
+
+```bash
+systemctl --user status chatterbox-tts
+```
+
+Bei Problemen neu starten:
+
+```bash
+systemctl --user restart chatterbox-tts
+```
+
+---
+
+## Das Kommandozeilen-Programm starten
+
+Für die direkte Nutzung über das Terminal:
 
 ```bash
 conda activate chatterbox
-cd ~/Python_Programs/chatterbox
+cd ~/chatterbox-tts-cli
 ```
 
 ---
@@ -85,7 +104,7 @@ python chatterbox_cli_v4.py --lang en --text "Good morning, how are you?"
 Mit `--speed` kann man einstellen, wie schnell der Text gesprochen wird.
 
 - `1.0` = normale Geschwindigkeit (Standard)
-- `0.85` = etwas langsamer — gut für ältere Hörer
+- `0.85` = etwas langsamer — gut für entspanntes Zuhören
 - `0.75` = deutlich langsamer
 - `1.2` = etwas schneller
 
@@ -149,6 +168,73 @@ python chatterbox_cli_v4.py --lang de \
 
 ---
 
+## Den Service aus dem Netzwerk nutzen
+
+Der Service ist im gesamten Heimnetzwerk erreichbar — zum Beispiel vom Handy,
+Tablet oder einem anderen Computer.
+
+**Text vorlesen lassen** (aus jedem Gerät im Netzwerk):
+
+```bash
+curl -X POST http://COMPUTER-IP:9999/speak \
+  -H "Content-Type: application/json" \
+  -d '{"text": "Hallo aus dem Netzwerk", "lang": "de"}'
+```
+
+`COMPUTER-IP` ersetzen durch die IP-Adresse dieses Computers (z. B. `192.168.1.42`).
+
+**Aktuelle IP-Adresse herausfinden:**
+```bash
+hostname -I
+```
+
+**Ausgabe stoppen:**
+```bash
+curl -X POST http://COMPUTER-IP:9999/stop
+```
+
+---
+
+## KI-Assistenten lassen vorlesen
+
+Wenn du einen KI-Assistenten auf diesem oder einem anderen Gerät nutzt,
+kann er den TTS-Service direkt ansprechen:
+
+### Claude (Claude Code / Claude Desktop)
+
+Claude ist bereits mit dem TTS-Service verbunden. Du kannst Claude einfach bitten,
+etwas vorzulesen — er ruft den Service automatisch auf.
+
+Beispiel-Anfrage an Claude:
+> „Lies mir bitte diesen Text vor: ..."
+
+### Home Assistant
+
+In der `configuration.yaml` folgendes eintragen:
+
+```yaml
+rest_command:
+  tts_sprechen:
+    url: "http://COMPUTER-IP:9999/speak"
+    method: POST
+    content_type: "application/json"
+    payload: '{"text": "{{ text }}", "lang": "de"}'
+```
+
+Danach in einer Automation verwendbar:
+```yaml
+service: rest_command.tts_sprechen
+data:
+  text: "Die Waschmaschine ist fertig."
+```
+
+### Ollama / LM Studio / Open WebUI
+
+Lokale KI-Modelle (z. B. llama, qwen) können über eine kleine Hilfsklasse mit dem
+Service verbunden werden — Details in der `README.md`.
+
+---
+
 ## Typischer Arbeitsablauf
 
 1. Text in einem Editor schreiben und als `.txt`-Datei speichern
@@ -175,11 +261,17 @@ python chatterbox_cli_v4.py --lang de \
 
 **Kein Ton zu hören:**
 ```bash
-# Ausgabegerät prüfen
 python -c "import sounddevice; print(sounddevice.query_devices())"
 ```
 Dann `--audio-device pulse` oder das passende Gerät angeben.
 
+**Service antwortet nicht:**
+```bash
+systemctl --user restart chatterbox-tts
+# Warte 5 Sekunden, dann:
+curl http://localhost:9999/health
+```
+
 **„Modell nicht gefunden":**
 Beim ersten Start wird das Modell heruntergeladen (~2 GB).
 Sicherstellen, dass eine Internetverbindung besteht.
@@ -198,3 +290,5 @@ kann 30–60 Sekunden brauchen. Mit GPU (CUDA) dauert es ca. 5–10 Sekunden.
   nicht immer perfekt — mit der Aussprache-Datei lässt sich das korrigieren.
 - Das Programm liest alles vor, was in der Datei steht — also auch
   Überschriften und Metadaten wie „Schlagzeile:" oder „Stand:".
+- Eine laufende Ausgabe kann erst am Ende des aktuellen Satzes unterbrochen
+  werden, nicht sofort mitten im Wort.

CLAUDE.md

@@ -31,56 +31,105 @@ python chatterbox_cli_v4.py --lang de --pronunciation-dict aussprache.json --inp
 
 No build step, no test suite, no linter configuration — this is a single-file script.
 
+## Running the HTTP Service
+
+```bash
+# Läuft als systemd-User-Service (Autostart beim Login):
+systemctl --user status chatterbox-tts
+systemctl --user restart chatterbox-tts
+journalctl --user -u chatterbox-tts -f
+
+# Manuell starten (Port 9999, LAN-weit erreichbar):
+uvicorn tts_service:app --host 0.0.0.0 --port 9999
+
+# Health-Check:
+curl http://127.0.0.1:9999/health
+```
+
+Endpunkte: `POST /speak`, `POST /stop`, `GET /health`, `GET /status`, `GET /voices`
+
+## Running the MCP Adapter
+
+```bash
+# stdio (Claude Code / Claude Desktop) — bereits in ~/.claude.json konfiguriert:
+python mcp_adapter.py --stdio
+
+# HTTP-Transport (Port 8001):
+python mcp_adapter.py
+
+# Anderen TTS-Service ansprechen:
+TTS_URL=http://192.168.1.10:9999 python mcp_adapter.py --stdio
+```
+
 ## Architecture
 
-Everything lives in `chatterbox_cli_v4.py`. The processing pipeline is:
+### Files
 
-**Text input → normalization → chunking → TTS generation → audio output**
+| Datei | Funktion |
+|-------|----------|
+| `chatterbox_cli_v4.py` | Kern-CLI und alle Hilfsfunktionen; wird von `tts_service.py` importiert |
+| `tts_service.py` | FastAPI-Service mit Job-Queue und Worker-Thread |
+| `mcp_adapter.py` | MCP-Wrapper über die REST-API |
+
+### CLI pipeline (`chatterbox_cli_v4.py`)
+
+**Text input → `clean_raw_text` → chunking → `preprocess_tts_text` per chunk → TTS generation → audio output**
+
+Reihenfolge ist kritisch: erst splitten (Satzgrenzen auf Rohtext erkennen), dann normalisieren (Akronym-Punkte würden sonst falsche Satzgrenzen erzeugen).
+
+### Stop/Interrupt
+
+Modul-globales `threading.Event`:
+```python
+STOP_REQUESTED = threading.Event()
+request_stop()   # setzt das Event
+clear_stop()     # löscht es vor jedem neuen Job
+stop_requested() # abfragen
+```
+`PlaybackWorker` und beide Synthesize-Funktionen prüfen das Event an Chunk-Grenzen. Ein laufendes `model.generate()` kann nicht mid-call abgebrochen werden (Python-Thread-Grenzen) — der Abbruch greift am nächsten Chunk.
 
 ### Text normalization (`preprocess_tts_text`)
-Applied per chunk before synthesis. Order matters:
+
-1. Pronunciation dict substitutions (before acronym expansion, so proper names are caught first)
+1. Pronunciation dict (vor Akronym-Expansion, damit Eigennamen zuerst greifen)
 2. Unit normalization (120 km/h → "120 Kilometer pro Stunde")
 3. Time normalization (14:58 → "vierzehn Uhr achtundfünfzig")
 4. Year normalization (2026 → "zweitausendsechsundzwanzig")
-5. Acronym spelling (ARD → "Ah Er De"; skips entries in `NON_SPELLED_ACRONYMS`)
+5. Acronym spelling (ARD → "Ah Er De"; `NON_SPELLED_ACRONYMS` ausgenommen)
 
-`DEFAULT_PRONUNCIATION_DE` contains built-in German phonetic approximations (e.g. Xi → "Schi").
+`DEFAULT_PRONUNCIATION_DE` enthält eingebaute deutsche Lautschrift-Näherungen (z. B. Xi → "Schi").
 
 ### Text chunking
-Three modes (chosen by CLI flags):
-- **sentence_mode** (default): `split_into_sentences()` — one sentence per TTS call, lowest latency to first audio
-- **conversation_mode**: `split_for_conversation()` — first chunk is small (`--first-chunk-len`, default 80 chars), rest up to `--len` (400)
-- **plain**: `split_long_text()` — paragraph-aware chunking up to `--len`
 
-`SENTENCE_END_RE` handles edge cases like ordinal numbers, ellipses, and CJK punctuation. `SEPARATOR_LINE_RE` silently drops lines like `--- Ende ---`.
+Drei Modi (CLI-Flags):
+- **sentence_mode** (default): `split_into_sentences()` — ein Satz pro TTS-Call, geringste Latenz
+- **conversation_mode**: `split_for_conversation()` — erster Chunk klein (`--first-chunk-len`, default 80), Rest bis `--len` (400)
+- **plain**: `split_long_text()` — absatzbasiertes Chunking bis `--len`
+
+`force_split_sentence` sucht bei Überlänge erst vorwärts zum nächsten Wortende — kein Schneiden mitten im Wort.
 
 ### Model loading (`load_model`)
-- `--lang en` → `ChatterboxTTS` (mono, always available)
+
-- Other languages → `ChatterboxMultilingualTTS` (requires multilingual package; `HAS_MULTILINGUAL` flag guards import)
+- `--lang en` → `ChatterboxTTS` (mono, immer verfügbar)
-- `--t3-model v3` (default) or `v2` selects the multilingual T3 checkpoint
+- Andere Sprachen → `ChatterboxMultilingualTTS` (`HAS_MULTILINGUAL`-Flag bewacht Import)
-- Models are downloaded to `~/.cache/huggingface/` on first use (~2–3 GB)
+- `--t3-model v3` (default) oder `v2` wählt den multilingualen T3-Checkpoint
-- **Critical**: `attn_implementation = "eager"` is forced at import time because SDPA returns `None` attention weights, breaking the `AlignmentStreamAnalyzer` hook
+- Modelle werden in `~/.cache/huggingface/` gecacht (~2–3 GB)
+- **Kritisch**: `attn_implementation = "eager"` wird beim Import erzwungen — SDPA gibt `None`-Attention-Weights zurück und bricht den `AlignmentStreamAnalyzer`-Hook
 
 ### Audio output (`PlaybackWorker`)
-- Uses `sounddevice.OutputStream` with a callback at 48 kHz (PipeWire/PulseAudio standard)
+
-- Internal producer thread converts Torch tensors → `CALLBACK_BLOCK`-sized (2048 samples) numpy arrays
+- `sounddevice.OutputStream` mit Callback bei 48 kHz (PipeWire/PulseAudio-Standard)
-- If `--speed != 1.0`: pyrubberband R3-Engine (`--fine` flag) stretches time without pitch change before resampling
+- Interner Producer-Thread: Torch-Tensoren → `CALLBACK_BLOCK`-große (2048 Samples) numpy-Arrays
-- Resampling: `torchaudio.functional.resample(chunk, model_sr, 48000)`
+- `--speed != 1.0`: pyrubberband R3-Engine (`--fine`) streckt Zeit ohne Pitch-Änderung, dann Resampling via `torchaudio.functional.resample(chunk, model_sr, 48000)`
-- `PlaybackWorker.stop()` sends `None` sentinel into the queue and joins the thread
+- `PlaybackWorker.stop()` schickt `None`-Sentinel in die Queue und jointed den Thread
 
 ### Two synthesis paths
-- **`synthesize_non_streaming`**: generates each chunk fully, feeds finished tensors to `PlaybackWorker`, concatenates all wavs for `--save`
-- **`synthesize_streaming`**: calls `model.generate_stream()` with `chunk_size`; each yielded audio sub-chunk goes directly to `PlaybackWorker`; marked experimental in docs
 
-## Planned extensions (Ideen/)
+- **`synthesize_non_streaming`**: generiert jeden Chunk vollständig, füttert fertige Tensoren in `PlaybackWorker`, concateniert alle WAVs für `--save`
+- **`synthesize_streaming`**: ruft `model.generate_stream()` mit `chunk_size` auf; jeder Audio-Sub-Chunk geht direkt in `PlaybackWorker`; experimentell
 
-The `Ideen/` folder documents a planned **REST/MCP bridge**:
+### HTTP Service (`tts_service.py`)
-- `tts_service.py` (FastAPI): `POST /speak`, `POST /stop`, `GET /health`, `GET /voices`
-- `mcp_adapter.py`: thin MCP wrapper calling the REST API
-- `chatterbox_backend.py`: imports `chatterbox_cli_v4.py` via `importlib` and calls `synthesize_non_streaming()` directly
 
-Key gaps to address before building the service:
+- **Modell-Cache**: `_model_cache: dict[(lang, t3_model), (model, kind, sr)]` — einmal laden, halten; Thread-sicher via `_model_lock`
-1. **Stop/interrupt**: `PlaybackWorker.stop()` drains the audio queue, but a blocking `model.generate()` call cannot be interrupted mid-run. A `threading.Event`-based cancel token threaded through `synthesize_non_streaming` is the planned approach.
+- **Job-Queue**: `queue.Queue[SpeakJob]` mit einzelnem Worker-Thread; verhindert parallelen GPU/Audio-Zugriff
-2. **Model caching**: `load_model()` reloads from disk on every call; a service needs a per-language singleton.
+- **`SpeakRequest.interrupt`**: ruft `request_stop()` + `_drain_queue()` vor dem Einreihen auf
-3. **Status object**: progress is `print()`-based; a service needs structured state.
+- **Status**: `_current_job`, `_recent_jobs` (max. 20) via `_state_lock` thread-safe lesbar

README.md

@@ -1,115 +1,320 @@
 # chatterbox-tts-cli
 
-Ein kommandozeilenbasierter TTS-Assistent (Text-to-Speech) auf Basis von
+Ein lokaler Text-to-Speech-Assistent auf Basis von
 [Chatterbox TTS](https://github.com/resemble-ai/chatterbox) (Resemble AI).
-Optimiert für deutsche Sprache und den Einsatz als Audio-Vorlesehilfe, z. B.
+Optimiert für deutsche Sprache; nutzbar als Kommandozeilen-Tool, als lokaler
-für Senioren oder Accessibility-Anwendungen.
+HTTP-Service und als MCP-Server für KI-Assistenten.
 
 ## Features
 
-- **Satz-für-Satz-Streaming** — gibt den ersten Satz aus, während die nächsten
+- **Satz-für-Satz-Ausgabe** — gibt den ersten Satz aus, während die nächsten bereits generiert werden; minimale Latenz
-  bereits generiert werden; minimale Latenz
+- **Lückenlose Audiowiedergabe** — Callback-basierter OutputStream; keine Unterbrechungen zwischen Sätzen
-- **Lückenlose Audiowiedergabe** — Callback-basierter OutputStream mit
+- **Geschwindigkeitsanpassung** — pitch-erhaltende Zeitstreckung via pyrubberband (R3-Engine); `--speed 0.5`–`2.0`
-  vorgefertigten Blöcken; keine Unterbrechungen zwischen Sätzen
-- **Geschwindigkeitsanpassung** — pitch-erhaltende Zeitstreckung via
-  pyrubberband (R3-Engine); konfigurierbar per `--speed`
 - **Voice Cloning** — optionale WAV-Referenz für Akzent und Klang
-- **Mehrsprachig** — Deutsch, Englisch und 20+ weitere Sprachen via
+- **Mehrsprachig** — Deutsch, Englisch und 20+ weitere Sprachen via `ChatterboxMultilingualTTS`
-  `ChatterboxMultilingualTTS` (erfordert Multilingual-Setup, s. u.)
+- **Deutsche Textnormalisierung** — Abkürzungen (ARD → „Ah Er De"), Uhrzeiten (14:58 → „vierzehn Uhr achtundfünfzig"), Jahreszahlen, Einheiten, Aussprache-Wörterbuch
-- **Deutsche Textnormalisierung**
+- **HTTP-Service** — FastAPI-Service mit Job-Queue, Stop/Interrupt, Status-Endpunkt
-  - Abkürzungen: ARD → "Ah Er De", YMCA → "Ypsilon Em Tse Ah"
+- **MCP-Adapter** — direkte Integration in Claude Code, Claude Desktop und andere MCP-Hosts
-  - Komposita: US-Präsident → "U Es Präsident"
+- **Systemd-Autostart** — Service startet automatisch beim Login
-  - Uhrzeiten: 14:58 → "vierzehn Uhr achtundfünfzig"
+
-  - Jahreszahlen: 2026 → "zweitausendsechsundzwanzig"
+---
-  - Einheiten: 120 km/h → "120 Kilometer pro Stunde"
-- **Konfigurierbares Aussprache-Wörterbuch** — Eigennamen und Fremdwörter
-  per JSON-Datei phonetisch überschreiben
-- **Automatische Satz-Erkennung** — intelligentes Splitting inkl.
-  Ordinalzahlen, Paragraphen und Trennzeilen
 
 ## Systemvoraussetzungen
 
 - Python 3.11+
-- CUDA-GPU empfohlen (RTX 3070 oder besser; CPU möglich aber langsam)
+- CUDA-GPU empfohlen (RTX 3070 oder besser; CPU möglich, aber langsam)
-- Linux mit PipeWire oder PulseAudio (für `--audio-device pulse`)
+- Linux mit PipeWire oder PulseAudio
-- `rubberband-cli` (nur wenn `--speed` != 1.0 genutzt wird):
+- `rubberband-cli` für Geschwindigkeitsanpassung:
   ```bash
   sudo apt install rubberband-cli
   ```
 
+---
+
 ## Installation
 
 ```bash
-# 1. Conda-Umgebung erstellen (empfohlen)
+# 1. Conda-Umgebung
 conda create -n chatterbox python=3.11
 conda activate chatterbox
 
-# 2. PyTorch mit CUDA installieren (Beispiel für CUDA 12.4)
+# 2. PyTorch mit CUDA (Beispiel CUDA 12.4)
 pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124
 
-# 3. Chatterbox und weitere Abhängigkeiten
+# 3. Alle Abhängigkeiten
-pip install chatterbox-tts sounddevice pyrubberband
+pip install -r requirements.txt
-
-# 4. Skript herunterladen
-# chatterbox_cli_v4.py in das Arbeitsverzeichnis legen
 ```
 
-### Multilingual-Setup (für Deutsch und andere Nicht-Englisch-Sprachen)
+Beim ersten Start mit `--lang de` werden Modelle automatisch heruntergeladen (~2–3 GB, `~/.cache/huggingface/`).
 
-Das Standard-Paket `chatterbox-tts` enthält die Multilingual-Unterstützung
+---
-noch nicht vollständig. Notwendige Schritte:
+
+## Kommandozeilen-CLI
 
 ```bash
-# Multilingual-Modell herunterladen (beim ersten Start automatisch)
+conda activate chatterbox
-# Modell-Auswahl: v3 (Standard, besser) oder v2
+
-# Wird in ~/.cache/huggingface/ gespeichert
+# Deutschen Text vorlesen
+python chatterbox_cli_v4.py --lang de --input text.txt
+
+# Mit Voice Cloning
+python chatterbox_cli_v4.py --lang de --voice stimme.wav --input text.txt
+
+# Text direkt übergeben
+python chatterbox_cli_v4.py --lang en --text "Hello, how are you?"
+
+# Langsamer sprechen (pitch bleibt gleich)
+python chatterbox_cli_v4.py --lang de --speed 0.85 --input text.txt
+
+# Nur speichern, nicht abspielen
+python chatterbox_cli_v4.py --lang de --no-play --output ausgabe.wav --input text.txt
+
+# Aussprache-Wörterbuch
+python chatterbox_cli_v4.py --lang de --pronunciation-dict aussprache.json --input text.txt
 ```
 
-Beim ersten Start mit `--lang de` werden die Modelle automatisch heruntergeladen
+### CLI-Optionen
-(ca. 2–3 GB).
-
-## Schnellstart
-
-```bash
-# Deutschen Text vorlesen (aus Datei)
-python chatterbox_cli_v4.py --lang de --input mein_text.txt
-
-# Mit eigener Stimme (Voice Cloning)
-python chatterbox_cli_v4.py --lang de \
-  --voice meine_stimme.wav \
-  --input mein_text.txt
-
-# Etwas langsamer sprechen
-python chatterbox_cli_v4.py --lang de --speed 0.85 --input mein_text.txt
-
-# Englisch
-python chatterbox_cli_v4.py --lang en --text "Hello, how are you today?"
-```
-
-## Optionen
 
 | Option | Standard | Beschreibung |
 |--------|----------|--------------|
 | `--text TEXT` | — | Text direkt als Argument |
-| `--input DATEI` | — | UTF-8-Textdatei als Eingabe |
+| `--input DATEI` | — | UTF-8-Textdatei |
 | `--lang CODE` | `de` | Sprachcode (de, en, fr, es, …) |
-| `--voice DATEI.wav` | — | Referenz-WAV für Voice Cloning |
+| `--voice DATEI.wav` | — | Referenz-WAV für Voice Cloning (10–30 s) |
-| `--speed 0.85` | `1.0` | Geschwindigkeit (0.7–1.3); pitch bleibt gleich |
+| `--speed N` | `1.0` | Wiedergabegeschwindigkeit (0.5–2.0) |
 | `--audio-device` | `pulse` | Ausgabegerät (z. B. `pulse`, `default`) |
 | `--t3-model` | `v3` | Multilingual-Modell: `v3` oder `v2` |
 | `--acronym-mode` | `german` | Akronym-Modus: `german`, `space`, `period_space` |
 | `--pronunciation-dict` | — | JSON-Datei mit Aussprache-Substitutionen |
 | `--save` | nein | WAV-Datei speichern |
 | `--output DATEI.wav` | — | Ausgabepfad (impliziert `--save`) |
-| `--no-play` | — | Nur speichern, nicht abspielen |
+| `--no-play` | — | Nicht live abspielen |
-| `--no-sentence-mode` | — | Text als Ganzes statt satzweise verarbeiten |
+| `--no-sentence-mode` | — | Größere Chunks statt satzweise |
-| `--debug-delay N` | `0` | Pause in Sekunden vor jedem Satz (zum Testen) |
+| `--stream` | — | Streaming-Modus (experimentell) |
-| `--speed` | `1.0` | Sprechgeschwindigkeit |
+| `--no-progress` | — | Weniger Konsolenausgabe |
+| `--debug-delay N` | `0` | Pause vor jedem Satz (zum Testen) |
+| `--stop` | — | Laufende Ausgabe abbrechen |
+
+---
+
+## HTTP-Service (`tts_service.py`)
+
+FastAPI-Service mit Job-Queue und Worker-Thread. Startet automatisch via systemd.
+
+```bash
+# Manueller Start
+uvicorn tts_service:app --host 0.0.0.0 --port 9999
+
+# Systemd (Autostart, läuft bereits)
+systemctl --user status chatterbox-tts
+systemctl --user restart chatterbox-tts
+journalctl --user -u chatterbox-tts -f
+```
+
+### Endpunkte
+
+| Methode | Pfad | Funktion |
+|---------|------|----------|
+| `POST` | `/speak` | Text in Queue einreihen |
+| `POST` | `/stop` | Ausgabe abbrechen, Queue leeren |
+| `GET` | `/health` | Service-Status und Gerät |
+| `GET` | `/status` | Aktueller Job, Queue-Länge, letzte Jobs |
+| `GET` | `/voices` | Unterstützte Sprachen |
+
+### `/speak` Request-Body
+
+```json
+{
+  "text": "Hallo Welt",
+  "lang": "de",
+  "voice": null,
+  "interrupt": false,
+  "speed": 1.0,
+  "t3_model": "v3",
+  "audio_device": null,
+  "max_len": 400,
+  "save_wav": false,
+  "output_path": null,
+  "pronunciation_dict": null
+}
+```
+
+```bash
+# Beispiel
+curl -X POST http://localhost:9999/speak \
+  -H "Content-Type: application/json" \
+  -d '{"text": "Hallo Welt", "lang": "de"}'
+
+# Aus dem LAN
+curl -X POST http://192.168.x.x:9999/speak \
+  -H "Content-Type: application/json" \
+  -d '{"text": "Text aus dem Netzwerk", "lang": "de"}'
+
+# Laufende Ausgabe unterbrechen
+curl -X POST http://localhost:9999/speak \
+  -d '{"text": "Wichtiger Text", "lang": "de", "interrupt": true}' \
+  -H "Content-Type: application/json"
+
+# Stoppen
+curl -X POST http://localhost:9999/stop
+```
+
+---
+
+## MCP-Adapter (`mcp_adapter.py`)
+
+Dünner Wrapper über die REST-API für MCP-fähige Hosts.
+
+```bash
+# stdio-Modus (Claude Code / Claude Desktop)
+python mcp_adapter.py --stdio
+
+# HTTP-Modus (andere MCP-Clients, Port 8001)
+python mcp_adapter.py
+
+# Anderen TTS-Service ansprechen
+TTS_URL=http://192.168.1.10:9999 python mcp_adapter.py --stdio
+```
+
+### MCP-Tools
+
+| Tool | Parameter | Funktion |
+|------|-----------|----------|
+| `speak` | text, lang, voice, interrupt, speed | Text ausgeben |
+| `stop` | — | Ausgabe stoppen |
+| `get_status` | — | Aktuellen Job abfragen |
+| `list_voices` | — | Sprachen auflisten |
+
+### Claude Code Konfiguration
+
+Bereits eingerichtet via `claude mcp add --scope user`. Zur manuellen Einrichtung:
+
+```bash
+claude mcp add --scope user chatterbox-tts \
+  /home/dschlueter/miniforge3/envs/chatterbox/bin/python \
+  /home/dschlueter/chatterbox-tts-cli/mcp_adapter.py --stdio
+```
+
+### Claude Desktop (`~/.config/claude/claude_desktop_config.json`)
+
+```json
+{
+  "mcpServers": {
+    "chatterbox-tts": {
+      "command": "/home/dschlueter/miniforge3/envs/chatterbox/bin/python",
+      "args": ["/home/dschlueter/chatterbox-tts-cli/mcp_adapter.py", "--stdio"]
+    }
+  }
+}
+```
+
+---
+
+## Integration mit KI-Tools
+
+### Claude Code / Claude Desktop — MCP (fertig eingerichtet)
+
+Claude kann direkt die Tools `speak`, `stop`, `get_status` und `list_voices` aufrufen.
+Kein weiterer Setup nötig.
+
+### Ollama (llama3.2, qwen2.5, mistral-nemo u. a.)
+
+Modelle mit Tool-Support können den REST-Service über Function Calling ansprechen:
+
+```python
+import ollama, httpx
+
+tools = [{
+    "type": "function",
+    "function": {
+        "name": "speak",
+        "description": "Text als Sprache ausgeben",
+        "parameters": {
+            "type": "object",
+            "properties": {
+                "text": {"type": "string"},
+                "lang": {"type": "string", "default": "de"},
+                "speed": {"type": "number", "default": 1.0},
+            },
+            "required": ["text"],
+        },
+    },
+}]
+
+resp = ollama.chat(model="qwen2.5", messages=[{"role": "user", "content": "..."}], tools=tools)
+
+for call in resp.message.tool_calls or []:
+    if call.function.name == "speak":
+        httpx.post("http://127.0.0.1:9999/speak", json=call.function.arguments)
+```
+
+### Open WebUI
+
+Im Open-WebUI-Menü unter *Tools* eine neue Python-Klasse anlegen:
+
+```python
+import requests
+
+class Tools:
+    def speak(self, text: str, lang: str = "de") -> str:
+        """Text als Sprache ausgeben."""
+        r = requests.post("http://127.0.0.1:9999/speak",
+                          json={"text": text, "lang": lang}, timeout=10)
+        return r.json().get("job_id", "error")
+
+    def stop(self) -> str:
+        """Laufende Sprachausgabe stoppen."""
+        requests.post("http://127.0.0.1:9999/stop", timeout=5)
+        return "stopped"
+```
+
+### LM Studio
+
+LM Studio bietet einen OpenAI-kompatiblen Endpunkt. Die Tool-Definition entspricht dem
+Ollama-Beispiel oben; der Client wechselt lediglich auf die LM-Studio-URL.
+
+### llama.cpp (Server-Modus)
+
+llama.cpp mit `--jinja` unterstützt Function Calling, ruft aber nicht selbst HTTP-Endpoints
+auf. Benötigt eine Middleware (z. B. das Ollama-Beispiel oben), die generierte Tool-Calls
+abfängt und an `/speak` weiterleitet.
+
+### Home Assistant
+
+```yaml
+# configuration.yaml
+rest_command:
+  tts_speak:
+    url: "http://192.168.x.x:9999/speak"
+    method: POST
+    content_type: "application/json"
+    payload: '{"text": "{{ text }}", "lang": "de"}'
+
+  tts_stop:
+    url: "http://192.168.x.x:9999/stop"
+    method: POST
+```
+
+Aufruf in einer Automation:
+```yaml
+service: rest_command.tts_speak
+data:
+  text: "Die Waschmaschine ist fertig."
+```
+
+### Node-RED / n8n
+
+HTTP-Request-Node direkt auf `POST http://<host>:9999/speak` mit JSON-Body.
+Kein weiterer Setup nötig.
+
+### Pi (Inflection AI)
+
+Keine Tool-API verfügbar — direkte Integration nicht möglich.
+
+---
 
 ## Aussprache-Wörterbuch
 
-Für Eigennamen und Fremdwörter, die das Modell falsch ausspricht:
-
 ```json
 {
   "Xi Jinping": "Schi Dschinping",
@@ -124,16 +329,16 @@ python chatterbox_cli_v4.py --lang de \
   --input nachricht.txt
 ```
 
+---
+
 ## Bekannte Einschränkungen
 
-- **Wortbetonung** lässt sich nicht steuern — das Modell kennt kein SSML.
+- **Wortbetonung** lässt sich nicht steuern — kein SSML. Abhilfe: Voice-Referenz mit gewünschter Betonung.
-  Abhilfe: Voice-Referenz mit gewünschter Betonung aufnehmen.
+- **Laufendes `model.generate()`** kann nicht mid-call abgebrochen werden (Python-Thread-Grenzen); Stop greift am nächsten Chunk-Beginn.
-- **Chinesische/japanische Namen** werden phonetisch angenähert; das Modell
+- **Chinesische/japanische Namen** werden phonetisch angenähert.
-  ist nicht für asiatische Phonetik optimiert.
+
-- **Sehr lange Texte** werden satzweise verarbeitet; zwischen Absätzen können
+---
-  kurze Pausen entstehen (Generierungszeit für den nächsten Satz).
 
 ## Lizenz
 
-MIT — dieses Skript. Das Chatterbox-Modell unterliegt der MIT-Lizenz von
+MIT — dieses Skript. Das Chatterbox-Modell: MIT-Lizenz (Resemble AI). Modellgewichte: CC BY-NC 4.0.
-Resemble AI. Die Modellgewichte sind nicht-kommerziell (CC BY-NC 4.0).

chatterbox_cli_v4.py

@@ -463,7 +463,9 @@ def force_split_sentence(text: str, max_len: int) -> List[str]:
     while len(remaining) > max_len:
         split_pos = remaining.rfind(" ", 0, max_len + 1)
         if split_pos <= 0:
-            split_pos = max_len
+            # Kein Leerzeichen vor max_len — vorwärts zum nächsten Wortende suchen
+            next_space = remaining.find(" ", max_len)
+            split_pos = next_space if next_space != -1 else len(remaining)
         parts.append(remaining[:split_pos].strip())
         remaining = remaining[split_pos:].strip()
 
@@ -830,15 +832,9 @@ def synthesize_streaming(
     if voice_path and not Path(voice_path).exists():
         raise FileNotFoundError(f"Voice-Referenz nicht gefunden: {voice_path}")
 
-    text = preprocess_tts_text(
+    # Erst bereinigen und splitten, dann pro Chunk normalisieren —
-        text=text,
+    # sonst erzeugen Akronym-Punkte ("ARD" → "Ah Er De.") falsche Satzgrenzen.
-        lang=lang,
+    text = clean_raw_text(text)
-        spell_uppercase_acronyms=spell_uppercase_acronyms,
-        acronym_mode=acronym_mode,
-        normalize_time_values=normalize_time_values,
-        normalize_year_values=normalize_year_values,
-        normalize_units_values=normalize_units_values,
-    )
 
     model, model_kind, sr = load_model(lang, device)
 
@@ -849,9 +845,20 @@ def synthesize_streaming(
         )
 
     if conversation_mode:
-        text_chunks = split_for_conversation(text, first_chunk_len=first_chunk_len, max_len=max_len)
+        raw_chunks = split_for_conversation(text, first_chunk_len=first_chunk_len, max_len=max_len)
     else:
-        text_chunks = split_long_text(text, max_len=max_len)
+        raw_chunks = split_long_text(text, max_len=max_len)
+
+    preprocess_kw = dict(
+        lang=lang,
+        spell_uppercase_acronyms=spell_uppercase_acronyms,
+        acronym_mode=acronym_mode,
+        normalize_time_values=normalize_time_values,
+        normalize_year_values=normalize_year_values,
+        normalize_units_values=normalize_units_values,
+    )
+    text_chunks = [preprocess_tts_text(c, **preprocess_kw) for c in raw_chunks]
+    text_chunks = [c for c in text_chunks if c.strip()]
 
     if not text_chunks:
         raise ValueError("Kein verwertbarer Text nach dem Einlesen gefunden.")

mcp_adapter.py

@@ -2,7 +2,7 @@
 """
 Chatterbox TTS – MCP-Adapter
 
-Setzt einen laufenden tts_service.py voraus (Standard: http://127.0.0.1:8000).
+Setzt einen laufenden tts_service.py voraus (Standard: http://127.0.0.1:9999).
 
 Start (streamable-http, Port 8001 – für beliebige MCP-Clients):
     python mcp_adapter.py
@@ -10,18 +10,13 @@ Start (streamable-http, Port 8001 – für beliebige MCP-Clients):
 Start (stdio – für Claude Code / Claude Desktop):
     python mcp_adapter.py --stdio
 
-Claude Code Konfiguration (.claude/settings.json):
+Claude Code (bereits konfiguriert via `claude mcp add --scope user`):
-    {
+    claude mcp add --scope user chatterbox-tts \
-      "mcpServers": {
+        /home/dschlueter/miniforge3/envs/chatterbox/bin/python \
-        "chatterbox-tts": {
+        /home/dschlueter/chatterbox-tts-cli/mcp_adapter.py --stdio
-          "command": "python",
-          "args": ["/home/dschlueter/chatterbox-tts-cli/mcp_adapter.py", "--stdio"]
-        }
-      }
-    }
 
 Umgebungsvariable TTS_URL überschreibt die Service-Adresse:
-    TTS_URL=http://192.168.1.10:8000 python mcp_adapter.py --stdio
+    TTS_URL=http://192.168.1.10:9999 python mcp_adapter.py --stdio
 """
 from __future__ import annotations
 
@@ -31,7 +26,7 @@ import os
 import httpx
 from mcp.server.fastmcp import FastMCP
 
-TTS_URL = os.environ.get("TTS_URL", "http://127.0.0.1:8000").rstrip("/")
+TTS_URL = os.environ.get("TTS_URL", "http://127.0.0.1:9999").rstrip("/")
 
 mcp = FastMCP(
     "Chatterbox TTS",

requirements.txt

@@ -1,27 +1,25 @@
 # Chatterbox TTS CLI — Abhängigkeiten
 # Getestet mit Python 3.11, CUDA 12.x, Ubuntu 22.04/24.04
+#
+# PyTorch separat installieren (passende CUDA-Version via pytorch.org):
+#   pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124
 
-# TTS-Kern
+# --- TTS-Kern ---
 chatterbox-tts>=0.1.7
 
-# PyTorch (passende CUDA-Version separat installieren, z. B. via pytorch.org)
+# --- Audio-Ausgabe (Linux/PipeWire/PulseAudio) ---
-torch>=2.6.0
-torchaudio>=2.6.0
-
-# Audio-Ausgabe (Linux/PipeWire/PulseAudio)
 sounddevice>=0.4.0
 
-# Pitch-erhaltende Zeitstreckung (Geschwindigkeitsanpassung)
+# --- Pitch-erhaltende Zeitstreckung (--speed != 1.0) ---
+# Systempaket zusätzlich erforderlich: sudo apt install rubberband-cli
 pyrubberband>=0.4.0
-# rubberband-cli muss zusätzlich als Systempakete installiert sein:
-#   sudo apt install rubberband-cli
 
-# HTTP-Service (Phase 2)
+# --- HTTP-Service (tts_service.py) ---
 fastapi>=0.115.0
 uvicorn[standard]>=0.32.0
 
-# HTTP-Client für MCP-Adapter (Phase 3)
+# --- HTTP-Client (mcp_adapter.py → tts_service.py) ---
 httpx>=0.28.0
 
-# MCP-Adapter (Phase 3)
+# --- MCP-Adapter (mcp_adapter.py) ---
 mcp>=1.0.0

tts_service.py

@@ -3,7 +3,7 @@
 Chatterbox TTS – lokaler HTTP-Service
 
 Start:
-    uvicorn tts_service:app --host 127.0.0.1 --port 8000
+    uvicorn tts_service:app --host 0.0.0.0 --port 9999
 
 Endpunkte:
     POST /speak   – Text in Warteschlange einreihen
@@ -178,8 +178,8 @@ class SpeakRequest(BaseModel):
     interrupt: bool = False
     speed: float = Field(default=1.0, ge=0.5, le=2.0)
     t3_model: str = "v3"
-    audio_device: str = "pulse"
+    audio_device: Optional[str] = None
-    max_len: int = Field(default=400, ge=50, le=1000)
+    max_len: int = Field(default=400, ge=100, le=1000)
     save_wav: bool = False
     output_path: Optional[str] = None
     session_id: Optional[str] = None