feat(voice_loop): --stream-text (Antworttext live am Monitor)

- neuer Flag --stream-text setzt stream:true im /ws/voice-Start-Frame;
  token-Events werden inline ausgegeben (Wort fuer Wort, waehrend die KI generiert)
- mit --stream-audio kombinierbar; bei semantic wird die Live-Zeile abgeschlossen
- Token-Events sind winzig -> Audio-Startzeit praktisch unveraendert (gemessen:
  Text 1. Token lokal ~1 s, Cloud ~3 s; erster Ton wie zuvor)
- Test: /ws/voice mit stream:true liefert token-Events; 66 Tests gruen
- Doku ergaenzt (Optionen + Feature-Hinweis)

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

BEDIENUNGSANLEITUNG.md

@@ -110,6 +110,7 @@ Ablauf je Runde:
 Nützliche Optionen:
 ```bash
 python scripts/voice_loop.py --stream-audio         # satzweises Vorlesen: Antwort beginnt frueher
+python scripts/voice_loop.py --stream-text          # Antworttext live anzeigen (kombinierbar mit --stream-audio)
 python scripts/voice_loop.py --recorder pw-record   # PipeWire-Aufnahme (Standard bei 'auto')
 python scripts/voice_loop.py --recorder arecord --device hw:1,0   # ALSA, bestimmtes Mikrofon
 python scripts/voice_loop.py --llm-provider openrouter --tts-provider openrouter
@@ -177,8 +178,10 @@ curl -s -X POST "$URL/api/chat?debug=true" \
 - **Echtzeit-Streaming:** WebSocket `/ws/chat` mit `{"text":"…","stream":true}` liefert
   die Antwort wortweise; `"audio_stream":true` zusätzlich das Audio satzweise. Im
   Sprech-Loop aktivierst du das satzweise Vorlesen mit `--stream-audio` (das Vorlesen
-  beginnt dann schon nach dem ersten Satz, statt erst nach der ganzen Antwort).
+  beginnt dann schon nach dem ersten Satz, statt erst nach der ganzen Antwort) und die
-  Provider-Overrides und `--stream-audio` wirken auch über `/ws/voice` (start-Frame).
+  **Live-Anzeige des Antworttextes** mit `--stream-text` (erscheint Wort für Wort,
+  während die KI generiert — beides kombinierbar). Provider-Overrides, `--stream-audio`
+  und `--stream-text` wirken auch über `/ws/voice` (start-Frame).
 - **Unterbrechen (Barge-in):** während der Assistent spricht `{"type":"interrupt"}`
   senden → laufende Antwort wird abgebrochen.
 - **Automatische Sprechpausen-Erkennung (VAD):** im Start-Frame von `/ws/voice`

scripts/voice_loop.py

@@ -192,6 +192,8 @@ def _start_frame(args) -> dict:
     frame = {"type": "start", "format": "wav"}
     if getattr(args, "stream_audio", False):
         frame["audio_stream"] = True
+    if getattr(args, "stream_text", False):
+        frame["stream"] = True
     for key in ("stt_provider", "llm_provider", "tts_provider", "language"):
         value = getattr(args, key, None)
         if value:
@@ -211,6 +213,7 @@ async def one_turn(ws, wav: bytes, start_frame: dict, player=None) -> bytes:
     await ws.send(json.dumps({"type": "end"}))
 
     audio = b""
+    token_started = False
     while True:
         msg = await ws.recv()
         if isinstance(msg, (bytes, bytearray)):
@@ -224,11 +227,24 @@ async def one_turn(ws, wav: bytes, start_frame: dict, player=None) -> bytes:
         etype = event.get("type")
         if etype == "transcript":
             print(f"  Du:         {event.get('text','')!r}")
+        elif etype == "token":
+            # Live-Anzeige des Antworttextes, waehrend die KI ihn erzeugt.
+            if not token_started:
+                sys.stdout.write("  Assistent:  ")
+                token_started = True
+            sys.stdout.write(event.get("text", ""))
+            sys.stdout.flush()
         elif etype == "semantic":
-            print(f"  Assistent:  {event.get('text','')!r}")
+            if token_started:
+                sys.stdout.write("\n")  # Live-Zeile abschliessen (Text steht schon)
+                sys.stdout.flush()
+            else:
+                print(f"  Assistent:  {event.get('text','')!r}")
         elif etype == "emergency":
             print(f"  ⚠ NOTFALL erkannt (Kategorie: {event.get('category')})")
         elif etype == "error":
+            if token_started:
+                sys.stdout.write("\n")
             print(f"  Fehler {event.get('status','')}: {event.get('detail')}")
             return b""
         elif etype == "done":
@@ -311,6 +327,8 @@ def main() -> None:
     p.add_argument("--stream-audio", dest="stream_audio", action="store_true",
                    help="Antwort satzweise vorlesen, sobald der erste Satz fertig ist "
                         "(geringere Zeit bis zum ersten Ton)")
+    p.add_argument("--stream-text", dest="stream_text", action="store_true",
+                   help="Antworttext live am Monitor anzeigen, waehrend die KI ihn erzeugt")
     p.add_argument("--file", default=None, help="WAV statt Mikrofon senden (Test ohne Aufnahme)")
     args = p.parse_args()
     try:

tests/test_ws.py

@@ -124,6 +124,18 @@ def test_ws_voice_start_frame_options_are_honored(monkeypatch):
         assert ws.receive_json()["type"] == "done"
 
 
+def test_ws_voice_stream_text_emits_token_events(monkeypatch):
+    # stream:true im START-Frame -> der Server schickt token-Events (Live-Text).
+    opts = _install_voice_stubs(monkeypatch)
+    with client.websocket_connect("/ws/voice") as ws:
+        ws.send_json({"type": "start", "format": "wav", "stream": True, **opts})
+        ws.send_bytes(b"PCMDATA")
+        ws.send_json({"type": "end"})
+        assert ws.receive_json()["type"] == "transcript"
+        assert ws.receive_json()["type"] == "ack"
+        assert ws.receive_json()["type"] == "token"  # Antworttext kommt als token-Event(e)
+
+
 def test_ws_voice_empty_buffer_errors(monkeypatch):
     opts = _install_voice_stubs(monkeypatch)
     with client.websocket_connect("/ws/voice") as ws: