docs: lokales TTS (piper in-process) + Start-Warm-up dokumentieren

README/BEDIENUNGSANLEITUNG/Architektur: piper laeuft in-process (gecachtes
Stimmmodell, kein Subprozess pro Satz), In-Process-Resampling, lokale Modelle
werden beim Start vorgeladen. .[local] installiert jetzt faster-whisper UND
piper-tts. Latenz-Hinweis erster Ton 5,8 s -> ~1,6 s.

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

README.md

@@ -148,6 +148,12 @@ Markdown/Emojis — schlecht zum Vorlesen und spürbar träge. Der Provider
 Modell `base`. Auf einer RTX 3090 lohnt `FASTER_WHISPER_DEVICE=cuda` +
 `FASTER_WHISPER_COMPUTE_TYPE=float16`; das verkürzt die Transkriptionszeit pro Turn.
 
+**Dritter Hebel — lokales TTS (piper):** piper läuft **in-process** über die piper-Python-API
+(im `.[local]`-Extra). Das Stimmmodell wird **einmal** geladen und prozessweit gecacht —
+früher startete piper als Subprozess **pro Satz** und zahlte jedes Mal ~2 s Modell-Ladezeit.
+Zusätzlich werden lokale Modelle **beim Serverstart vorgeladen** (Warm-up), sodass auch der
+erste Nutzer keinen Kaltstart spürt. Messung (lokales Setup): erster Ton **5,8 s → ~1,6 s**.
+
 ### Komplett lokal: Profil `local-dev`
 
 `VA_PROFILE=local-dev` betreibt **alle** KI-Module ohne Cloud. Die Route löst auf zu:
@@ -160,8 +166,8 @@ Modell `base`. Auf einer RTX 3090 lohnt `FASTER_WHISPER_DEVICE=cuda` +
 
 **Voraussetzungen:**
 - **LLM:** llama.cpp-Container läuft (`make llm-up`)
-- **STT:** faster-whisper installiert (`pip install -e .[local]`)
-- **TTS:** piper-Binary + Stimme vorhanden (siehe `PIPER_*` in `.env.example`)
+- **STT + TTS:** `pip install -e .[local]` (installiert faster-whisper **und** piper-tts);
+  ein piper-Stimmmodell (`<name>.onnx` + `.onnx.json`) im `PIPER_VOICES_DIR` (siehe `PIPER_*`)
 
 **Start (Reihenfolge):**