feat: Barge-in/Turn-Manager und VAD-Aeusserungserkennung (#4 Ausbau)

- Barge-in: Antwort-Turn als abbrechbarer asyncio.Task; {"type":"interrupt"} oder
  neue Eingabe bricht laufende Antwort ab -> interrupted-Event (/ws/chat + /ws/voice)
- VAD (app/audio/vad.py): energie-basierte Stille-Erkennung (reines Python, int16-PCM)
- /ws/voice opt-in {"type":"start","vad":true}: automatisches Aeusserungsende ohne end
- Tests: 52 gruen (+5: VAD-Unit, Barge-in, VAD-Auto-Segmentierung)
- Doku aktualisiert (README, BEDIENUNGSANLEITUNG, Architektur)

Offen (schwere Deps/Dienste): echte partielle Live-Transkripte (Streaming-STT),
WebRTC (aiortc). STT laeuft heute pro Aeusserung.

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

app/audio/vad.py

@@ -0,0 +1,59 @@
+"""Einfache energie-basierte Sprachaktivitaetserkennung (VAD).
+
+Reines Python (stdlib `array`), arbeitet auf s16le-PCM (mono). Erkennt das Ende
+einer Aeusserung anhand andauernder Stille nach erkannter Sprache. Damit kann der
+Server in /ws/voice Aeusserungen automatisch segmentieren, ohne dass der Client
+ein explizites Ende-Signal schickt.
+
+Hinweis: Das ersetzt keinen echten Streaming-STT-Dienst (keine wortweisen
+Teil-Transkripte) - es bestimmt nur die Aeusserungsgrenzen.
+"""
+
+import array
+import math
+
+
+def rms(pcm: bytes) -> float:
+    """Lautstaerke (RMS) eines s16le-PCM-Puffers; 0.0 bei leerem Puffer."""
+    usable = len(pcm) - (len(pcm) % 2)
+    if usable <= 0:
+        return 0.0
+    samples = array.array("h")
+    samples.frombytes(pcm[:usable])
+    if not samples:
+        return 0.0
+    return math.sqrt(sum(s * s for s in samples) / len(samples))
+
+
+class EnergyVAD:
+    def __init__(self, sample_rate: int = 16000, threshold: float = 500.0, silence_ms: float = 700.0):
+        self.sample_rate = sample_rate
+        self.threshold = threshold
+        self.silence_ms = silence_ms
+        self._speech_started = False
+        self._silence_ms = 0.0
+
+    def feed(self, pcm: bytes) -> bool:
+        """Verarbeitet einen Audio-Chunk.
+
+        Liefert True, sobald nach erkannter Sprache genug Stille (silence_ms)
+        vergangen ist - die Aeusserung gilt dann als beendet.
+        """
+        level = rms(pcm)
+        n_samples = len(pcm) // 2
+        chunk_ms = (n_samples / self.sample_rate) * 1000.0 if self.sample_rate else 0.0
+
+        if level >= self.threshold:
+            self._speech_started = True
+            self._silence_ms = 0.0
+            return False
+
+        if self._speech_started:
+            self._silence_ms += chunk_ms
+            if self._silence_ms >= self.silence_ms:
+                return True
+        return False
+
+    def reset(self) -> None:
+        self._speech_started = False
+        self._silence_ms = 0.0