feat(stt): Geräte-STT auf Mobilgeräten (Web Speech API) — getrennt, Datenschutz-Linie C

- Geräte-STT erkennt Sprache lokal und sendet nur Text über den Text-Turn; spart
  Audio-Upload + Server-STT. Getrennter Schalter (STT ▾) unabhängig vom TTS.
- Linie C: nur bei nachweislich lokaler Erkennung (iOS / Chrome on-device); Cloud
  (z. B. Chrome-Desktop -> Google) nur mit Admin-Flag ALLOW_CLOUD_STT.
  -> config.allow_cloud_stt, RUNTIME_SETTABLE, /api/me, Admin-Toggle.
- Fix-only (SpeechRecognition braucht Sprach-Hint); Flex -> Server-STT-Fallback.
  Kein/instabiles SpeechRecognition (z. B. Firefox) -> Server-STT. Live-Interim im
  Eingabefeld. Terminal/Desktop/Laptop unverändert serverseitig (Option nur sichtbar,
  wenn das Gerät lokale Erkennung bietet).
- Tests: /api/me-Flag + runtime-setzbar (169 grün). Doku §5.1.2 + §6.3.1.

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

BEDIENUNGSANLEITUNG.md

@@ -792,7 +792,8 @@ https://va.beispiel.de/        ← remote über Reverse-Proxy (alles, inkl. Mikr
 | **Texteingabe + Senden** | Text tippen, dann Enter oder „Senden" |
 | **🎤 Mikrofon-Button** | **Idle (grün 🎤):** Tippen → Aufnahme startet · **Aufnahme (rot pulsierend 🎤):** Tippen → Aufnahme stoppt und wird gesendet · **KI antwortet (amber ⏹):** Tippen → Antwort sofort unterbrechen (Barge-in) |
 | **Sprache ▾** | Antwortsprache wählen (→ § 6.6): `🔄 Flex` = folgt automatisch der gesprochenen Sprache · feste Sprache (🇩🇪/🇬🇧/…) = Eingabe wird in diese Sprache übersetzt. Die vorlesende Stimme folgt der Auswahl. |
-| **Qualität ▾** | Vorlese-Quelle wählen: `📱 Gerät` = das Handy/der Browser liest selbst vor (Web Speech API, kein Server-Audio → spart Daten/Kosten) · `Schnell` = piper (lokal) · `Hoch` = chatterbox (neuronal) · `Cloud` = openrouter |
+| **Qualität ▾** (Ausgabe/TTS) | Vorlese-Quelle: `📱 Gerät` = das Handy/der Browser liest selbst vor (Web Speech API, kein Server-Audio → spart Daten/Kosten) · `Schnell` = piper (lokal) · `Hoch` = chatterbox (neuronal) · `Cloud` = openrouter |
+| **STT ▾** (Eingabe) | *Nur sichtbar auf Geräten mit lokaler Spracherkennung* (iOS/Android): `🎙 Gerät` = Spracherkennung im Gerät (nur Text wird gesendet) · `☁ Server` = Audio-Upload + Whisper (wie am PC/Laptop). Getrennt von der Ausgabe wählbar (→ § 6.3.1). |
 | **☀️ / 🌙** | Tag-/Nacht-Modus; folgt sonst automatisch dem Betriebssystem |
 | **⚙️** (Admin) | Öffnet das Admin-Panel — nur für Admin-Nutzer sichtbar (→ § 7.5) |
 | **Angemeldet als …** | SSO-Identität; „Gast" wenn AUTH deaktiviert oder kein SSO-Cookie |
@@ -1012,6 +1013,27 @@ FASTER_WHISPER_DEVICE=cuda
 FASTER_WHISPER_COMPUTE_TYPE=float16
 ```
 
+#### 6.3.1 Geräte-STT (Web Speech API) — „🎙 Gerät"
+
+Auf **Mobilgeräten** (iOS/Android) kann die Spracherkennung **im Gerät** laufen: Das
+Handy wandelt Sprache in Text um und sendet nur den **Text** an den Server — kein
+Audio-Upload, keine Server-STT-Last. Gegenstück zum Geräte-TTS (§ 6.5.0), aber
+**getrennt** wählbar (STT-Dropdown in der Kopfzeile).
+
+- **Erscheint nur**, wenn das Gerät lokale Spracherkennung bietet. **Terminal, Desktop-
+  Browser und Laptop** zeigen die Option nicht — dort läuft STT wie bisher über den
+  Server (Whisper).
+- **Datenschutz (Linie C):** Standardmäßig nur bei **nachweislich lokaler** Erkennung
+  (iOS-Safari; Chrome mit On-Device-Modus). **Chrome am Desktop** würde das Audio zur
+  Erkennung an Google schicken — das ist nur erlaubt, wenn ein Admin
+  `ALLOW_CLOUD_STT=true` setzt (Admin → Einstellungen → „Geräte-STT (mobil)").
+- **Nur Fix-Sprache:** Geräte-STT braucht einen Sprach-Hint → es nutzt die im
+  Sprach-Dropdown gewählte feste Sprache. Im **Flex-Modus** fällt es automatisch auf
+  Server-STT (Whisper-Auto-Erkennung) zurück.
+- **Fallback:** Ohne Unterstützung (z. B. Firefox) oder bei Erkennungsfehlern wird der
+  Server-STT-Pfad genutzt. Während der Erkennung erscheint der Text **live** im
+  Eingabefeld; erneutes Tippen aufs Mikrofon beendet und sendet.
+
 ---
 
 ### 6.4 LLM-Einstellungen (Sprachmodell, lokal)

app/api/me.py

@@ -3,6 +3,7 @@ from fastapi import APIRouter, Depends, HTTPException
 from app.auth import require_user, is_admin_user
 from app.config import settings
 from app.dependencies import get_store
+from app.runtime_config import runtime_settings
 from app.schemas import UserPrefs, MemoryCreate, MemoryOut
 from app.store import User
 
@@ -18,6 +19,7 @@ async def get_me(user: User = Depends(require_user)):
         "is_admin": user.is_admin or is_admin_user(user),
         "prefs": user.prefs,
         "sso_logout_url": settings.sso_logout_url,
+        "allow_cloud_stt": bool(runtime_settings.allow_cloud_stt),
     }
 
 

app/config.py

@@ -135,6 +135,10 @@ class Settings(BaseSettings):
     faster_whisper_model: str = "base"        # tiny|base|small|medium|large-v3
     faster_whisper_device: str = "auto"       # auto|cpu|cuda
     faster_whisper_compute_type: str = "default"  # default|int8|float16|int8_float16
+    # Geräte-STT (Web Speech API) nur bei nachweislich lokaler Erkennung (iOS, Chrome
+    # on-device). True erlaubt es auch bei Cloud-Erkennung (z. B. Chrome-Desktop ->
+    # Audio geht zu Google). Default False = strenger Datenschutz (Linie C).
+    allow_cloud_stt: bool = False
     # --- Lokales TTS (piper) -------------------------------------------------
     piper_bin: str = "piper"                  # Pfad/Name des piper-Binaries
     piper_voices_dir: str = str(Path.home() / ".local" / "share" / "piper" / "voices")

app/runtime_config.py

@@ -34,6 +34,7 @@ RUNTIME_SETTABLE: dict[str, tuple[str, str, str]] = {
     "memory_extraction_enabled":     ("Erinnerungs-Extraktion",        "bool",  "true | false"),
     "memory_extraction_every_n_turns": ("Extraktion alle N Turns",     "int",   "z.B. 3"),
     "daily_request_limit":           ("Tageskontingent (global)",      "int",   "0 = unbegrenzt"),
+    "allow_cloud_stt":               ("Geräte-STT via Cloud erlauben", "bool",  "true = auch Cloud-Erkennung (z.B. Chrome-Desktop -> Audio zu Google); false = nur on-device"),
 }
 
 _TTL = 30.0

app/web/app.js

@@ -9,6 +9,7 @@ const formEl = $("#prompt-form");
 const micBtn = $("#mic");
 const ttsSel = $("#tts");
 const langSel = $("#lang-sel");
+const sttSel = $("#stt-sel");
 
 // "Flex" ist im Sprachmenü nur ein weiterer Wert: keine feste Sprache, sondern
 // automatische Erkennung. Eine konkrete Sprache = Fix-Modus (Eingabe wird übersetzt).
@@ -103,6 +104,90 @@ function unlockTTS() {
   try { speechSynthesis.speak(new SpeechSynthesisUtterance("")); _ttsUnlocked = true; } catch (e) {}
 }
 
+// ---------- Geräte-STT (Web Speech API SpeechRecognition) ----------
+// Gegenstück zum Geräte-TTS: das Gerät erkennt Sprache lokal und schickt nur Text.
+// Linie C: standardmäßig nur bei nachweislich lokaler Erkennung (iOS, Chrome on-device);
+// Cloud-Erkennung (z. B. Chrome-Desktop -> Audio zu Google) nur, wenn der Admin
+// allow_cloud_stt aktiviert hat. Sonst greift weiter der Server-STT (Whisper).
+const SR = window.SpeechRecognition || window.webkitSpeechRecognition;
+const STT_SUPPORTED = !!SR;
+const STT_KEY = "va-stt";       // geräte-lokal: "device" wenn Geräte-STT gewählt
+let meAllowCloudStt = false;    // aus /api/me (Admin-Flag)
+
+function isIOS() {
+  const ua = navigator.userAgent || "";
+  return /iPhone|iPad|iPod/i.test(ua) ||
+    (navigator.maxTouchPoints > 1 && /Macintosh/.test(ua));
+}
+// Heuristik: iOS erkennt on-device. Chrome mit processLocally-Unterstützung gilt
+// ebenfalls als lokal. Sonst (Cloud) nur erlaubt, wenn der Admin es freigibt.
+function sttIsLocal() {
+  if (isIOS()) return true;
+  try { return SR && "processLocally" in SR.prototype; } catch (e) { return false; }
+}
+function sttDeviceAllowed() {
+  return STT_SUPPORTED && (sttIsLocal() || meAllowCloudStt);
+}
+function isSttDeviceMode() { return !!sttSel && sttSel.value === "device"; }
+
+// Geräte-STT für DIESEN Turn nutzen? Nur Fix-Sprache (SpeechRecognition braucht einen
+// Sprach-Hint); im Flex-Modus auf Server-STT (Whisper-Auto-Erkennung) zurückfallen.
+function useDeviceStt() {
+  return isSttDeviceMode() && sttDeviceAllowed() && (langSel && langSel.value !== "flex");
+}
+
+// Stellt das STT-Dropdown beim Laden ein: Option ausblenden wenn nicht erlaubt;
+// sonst lokale Wahl bzw. Mobil-Default.
+function applySttChoice() {
+  if (!sttSel) return;
+  if (!sttDeviceAllowed()) {
+    sttSel.classList.add("hidden");   // kein Geräte-STT -> Server wie bisher
+    sttSel.value = "server";
+    return;
+  }
+  sttSel.classList.remove("hidden");
+  const local = localStorage.getItem(STT_KEY);
+  if (local === "device") sttSel.value = "device";
+  else if (local === "server") sttSel.value = "server";
+  else if (isMobile()) { sttSel.value = "device"; localStorage.setItem(STT_KEY, "device"); }
+}
+
+let recognition = null;
+function startDeviceStt() {
+  const rec = new SR();
+  rec.lang = LANG_BCP47[langSel.value] || "de-DE";
+  rec.interimResults = true;
+  rec.continuous = false;
+  try { if (sttIsLocal() && "processLocally" in rec) rec.processLocally = true; } catch (e) {}
+  recognition = rec;
+  let finalText = "";
+  setMicRecording();
+  statusEl.textContent = "höre zu … (zum Stoppen erneut tippen)";
+  rec.onresult = (e) => {
+    let interim = "";
+    for (let i = e.resultIndex; i < e.results.length; i++) {
+      const t = e.results[i][0].transcript;
+      if (e.results[i].isFinal) finalText += t; else interim += t;
+    }
+    promptEl.value = (finalText + interim).trim();  // Live-Feedback im Eingabefeld
+  };
+  rec.onerror = (e) => {
+    recognition = null;
+    setMicIdle();
+    statusEl.textContent = e.error === "no-speech" ? "nichts gehört — bitte erneut"
+      : "Spracherkennung fehlgeschlagen (" + (e.error || "?") + ")";
+  };
+  rec.onend = () => {
+    recognition = null;
+    setMicIdle();
+    const text = (promptEl.value || "").trim();
+    promptEl.value = "";
+    if (text) sendText(text);   // -> vorhandener Text-Turn (inkl. Geräte-/Server-TTS)
+  };
+  try { rec.start(); } catch (e) { recognition = null; setMicIdle(); statusEl.textContent = "STT-Start fehlgeschlagen"; }
+}
+function stopDeviceStt() { if (recognition) { try { recognition.stop(); } catch (e) {} } }
+
 const PLAYBACK_KEY = "va-playback";  // geräte-lokal: "device" wenn Geräte-TTS gewählt
 
 // Setzt das Qualität-Dropdown beim Laden. Vorrang:
@@ -167,6 +252,8 @@ function loadMe() {
           : (prefs.language || "flex");
       }
       applyPlaybackChoice(prefs.tts_provider);
+      meAllowCloudStt = !!me.allow_cloud_stt;
+      applySttChoice();
       return me;
     } catch (e) {
       $("#identity").textContent = "Verbindung fehlgeschlagen";
@@ -525,10 +612,14 @@ micBtn.addEventListener("click", () => {
     stopAudio();
     statusEl.textContent = "Unterbrochen";
     // busy + Button-Reset erfolgen sobald die WS schliesst (-> runTurn resolve -> sendVoice/sendText)
+  } else if (recognition) {
+    stopDeviceStt();          // Geräte-STT läuft -> stoppen (onend sendet den Text)
   } else if (mediaRecorder && mediaRecorder.state === "recording") {
     stopRecording();
+  } else if (useDeviceStt()) {
+    startDeviceStt();         // lokale Spracherkennung (nur Fix + erlaubt)
   } else {
-    startRecording();
+    startRecording();         // Server-STT (Upload) — wie bisher, auch am Desktop
   }
 });
 
@@ -589,6 +680,8 @@ if (ttsSel) {
     }
   });
 }
+// STT-Wahl ist geräte-lokal (nicht server-seitig) -> nur in localStorage.
+if (sttSel) sttSel.addEventListener("change", () => localStorage.setItem(STT_KEY, sttSel.value));
 
 loadMe();
 
@@ -1393,6 +1486,8 @@ const FIELD_META = {
                                      labels: { "true":"Aktiviert","false":"Deaktiviert" } },
   memory_extraction_every_n_turns: { ui: "number",  min: 1, max: 20 },
   daily_request_limit:             { ui: "number",  min: 0 },
+  allow_cloud_stt:                 { ui: "select",  opts: ["true","false"],
+                                     labels: { "true":"Erlaubt (auch Cloud-Erkennung)","false":"Nur on-device (Datenschutz)" } },
 };
 
 const FIELD_GROUPS = [
@@ -1403,6 +1498,7 @@ const FIELD_GROUPS = [
   { label: "TTS-Verarbeitung",         keys: ["tts_normalize_level","audio_stream_default"] },
   { label: "Gedächtnis",               keys: ["memory_extraction_enabled","memory_extraction_every_n_turns"] },
   { label: "Limits",                    keys: ["daily_request_limit"] },
+  { label: "Geräte-STT (mobil)",        keys: ["allow_cloud_stt"] },
 ];
 
 let _settingsData = [];

app/web/index.html

@@ -214,13 +214,18 @@
       <option value="ru">🇷🇺 RU</option>
       <option value="zh">🇨🇳 ZH</option>
     </select>
-    <select id="tts" title="Sprachqualität"
+    <select id="tts" title="Sprachausgabe (TTS)"
       class="text-sm rounded-lg border border-slate-300 dark:border-slate-600 bg-transparent px-2 py-1.5">
       <option value="device">📱 Gerät</option>
       <option value="piper">Schnell</option>
       <option value="chatterbox">Hoch</option>
       <option value="openrouter">Cloud</option>
     </select>
+    <select id="stt-sel" title="Spracherkennung (STT)"
+      class="hidden text-sm rounded-lg border border-slate-300 dark:border-slate-600 bg-transparent px-2 py-1.5">
+      <option value="device">🎙 Gerät</option>
+      <option value="server">☁ Server</option>
+    </select>
     <button id="new-chat" title="Neues Gespräch (Verlauf zurücksetzen)"
       class="h-9 w-9 grid place-items-center rounded-lg border border-slate-300 dark:border-slate-600 hover:bg-slate-100 dark:hover:bg-slate-700 transition-colors">
       <svg viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.7" class="w-5 h-5"><path stroke-linecap="round" stroke-linejoin="round" d="M16.862 4.487l1.687-1.688a1.875 1.875 0 1 1 2.652 2.652L10.582 16.07a4.5 4.5 0 0 1-1.897 1.13L6 18l.8-2.685a4.5 4.5 0 0 1 1.13-1.897l8.932-8.931Zm0 0L19.5 7.125M18 14v4.75A2.25 2.25 0 0 1 15.75 21H5.25A2.25 2.25 0 0 1 3 18.75V8.25A2.25 2.25 0 0 1 5.25 6H10"/></svg>
@@ -250,6 +255,6 @@
     <div id="status" class="w-full max-w-3xl mx-auto mt-1 min-h-[1rem] text-xs text-slate-500 dark:text-slate-400"></div>
   </footer>
 
-  <script src="/app.js?v=31"></script>
+  <script src="/app.js?v=32"></script>
 </body>
 </html>

tests/test_audit.py

@@ -42,3 +42,19 @@ def test_backend_switch_rejection_is_audited(caplog):
                         json={"backend": "boese"}, headers=ADM_HDR)
     assert r.status_code == 422
     assert "action=llm_backend_switch_rejected" in "\n".join(caplog.messages)
+
+
+def test_me_exposes_allow_cloud_stt():
+    # /api/me liefert das Datenschutz-Flag (Client-Gate für Geräte-STT).
+    d = client.get("/api/me").json()
+    assert "allow_cloud_stt" in d
+    assert isinstance(d["allow_cloud_stt"], bool)
+
+
+def test_allow_cloud_stt_runtime_settable():
+    from app.runtime_config import RUNTIME_SETTABLE
+    assert "allow_cloud_stt" in RUNTIME_SETTABLE
+    r = client.put("/api/admin/config/allow_cloud_stt", json={"value": "true"}, headers=ADM_HDR)
+    assert r.status_code == 200
+    assert client.get("/api/me").json()["allow_cloud_stt"] is True
+    client.delete("/api/admin/config/allow_cloud_stt", headers=ADM_HDR)