Initiales Repository: stt.py, historisches stt_respeaker.py, CLAUDE.md, .gitignore

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

.gitignore

@@ -0,0 +1,33 @@
+# Python
+__pycache__/
+*.py[cod]
+*.egg-info/
+.eggs/
+.venv/
+venv/
+.pytest_cache/
+
+# Secrets / lokale Konfiguration
+.env
+
+# Audio-Aufnahmen und Ausgaben (persönliche Daten)
+*.wav
+*.mp3
+*.ogg
+*.flac
+
+# Whisper-/Modell-Caches
+models/
+
+# Logs
+*.log
+
+# Editor / Tool-Konfiguration
+.vscode/
+.idea/
+.claude/
+
+# Editor-/Backup-Reste
+*.bak
+*.orig
+*.patch

CLAUDE.md

@@ -0,0 +1,56 @@
+# CLAUDE.md
+
+This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.
+
+> Sprache: Code-Kommentare, Doku und Commits auf Deutsch (Umlaute in Code/Kommentaren bisher meist als ae/oe/ue).
+
+## Projektziel
+
+Lokale, schnelle, zuverlässige Spracherkennung (Sprache → Text), nicht blockierend. Soll später als
+Baustein in Smarthome-Szenarien dienen (Home Assistant, Mikrocontroller wie ESP32/Arduino als
+Audio-Clients) und das **STT-Pendant zum TTS-Projekt `chatterbox-tts-cli`** werden
+(https://kitux.de/forgejo/dschlueter/chatterbox-tts-cli, lokaler Klon `~/chatterbox-tts-cli`:
+CLI-Kern + FastAPI-Service mit Job-Queue/Worker-Thread + MCP-Adapter + systemd-User-Service).
+
+Referenz für bewährtes STT: `~/my_voice_assistant_v3` (https://kitux.de/forgejo/dschlueter/my_voice_assistant_v3),
+v. a. `app/providers/stt/faster_whisper.py` (Modell einmal laden + cachen, Inferenz via `asyncio.to_thread`,
+CPU-Fallback), `app/audio/vad.py` (Äußerungsende per Stille), `app/api/ws.py` (`/ws/voice`), `app/core/warmup.py`.
+
+## Dateien
+
+- `stt.py` — **aktueller Stand**, eigenständige CLI (einzige relevante Datei).
+- `stt_respeaker.py` — **historisch**, nicht weiterentwickeln und nicht als Vorlage nutzen.
+
+Kein Build, keine Tests, keine Linter-Konfiguration. Git-Remote auf kitux.de (Forgejo) ist geplant, aber noch nicht eingerichtet.
+
+## Befehle
+
+```bash
+pip install faster-whisper sounddevice numpy scipy requests   # plus Systemtools: espeak-ng, ffmpeg, pactl/paplay, ollama
+
+python3 stt.py --list-devices                  # Geräte inkl. nativer Sampleraten aus /proc/asound
+python3 stt.py                                 # Live-Aufnahme, Sprache de, Stoppwort "finito"
+python3 stt.py en -i respeaker -m large-v3      # Positional-Arg = Sprache
+python3 stt.py --file audio.wav --no-llm       # Datei-Modus (nur int16-Mono-WAV korrekt)
+python3 -m py_compile stt.py                   # Syntax-Check
+```
+
+Rauchtest ohne Mikrofon/GPU: `python3 stt.py --file <wav> --no-llm -m tiny --device cpu`.
+
+## GPU-Umgebung
+
+T600 + 2× RTX 3090. `nvidia-smi` zählt in PCI-Reihenfolge, CUDA/torch/ctranslate2 standardmäßig „fastest first“ —
+Indizes stimmen nicht überein. Andere Dienste (llama.cpp, chatterbox, open-notebook-stt auf :8902) pinnen GPUs per
+`CUDA_VISIBLE_DEVICES=GPU-<uuid>` (`nvidia-smi -L`); so auch hier verfahren statt per Index.
+
+## Architektur `stt.py` (Ist-Zustand)
+
+Ablauf in `main()`: `detect_compute()` → ein `WhisperModel` (für Stoppwort-Chunks **und** finale Transkription) →
+`resolve_device()` (Default via `pactl` → `alsa.card` → sounddevice-Index `hw:N`) → `play_announcement()`
+(espeak-ng → ffmpeg → `sd.play`, Fallback `paplay`) → `record_until_stopword()` (Callback-Stream schreibt
+2-s-Blöcke in Queue; Hauptthread: Mono → 16 kHz → RMS-Gate → Whisper-Stoppwortprüfung) → Peak-Normalisierung →
+WAV in `/tmp/stt_*.wav` → `transcribe()` → `llm_correct()` (Ollama `/api/chat`, `localhost:11434`).
+
+- `stereo_to_mono()`: ReSpeaker XVF3800 → nur rechter Kanal (ASR-Output); Mischen verschlechtert die Erkennung.
+- Stoppwort-Entfernung aus dem Text übernimmt nur der LLM-Prompt (`LLM_SYSTEM_PROMPT`, nur de/en).
+- Alle Ausgaben per `print`; das Endergebnis steht nach der Zeile `FINALES ERGEBNIS` auf stdout.

stt.py

@@ -0,0 +1,978 @@
+#!/usr/bin/env python3
+"""
+STT-Tool: Nimmt Audio von einem Mikrofon auf und transkribiert es
+mit faster-whisper (GPU/CPU) + optionale LLM-Korrektur via Ollama.
+
+Verwendung:
+    python3 stt.py                              # Default: System-Mic, medium, mistral-small3.2:24b
+    python3 stt.py --input-device respeaker     # ReSpeaker XVF3800 verwenden
+    python3 stt.py --stt-model large-v3         # Groesseres Whisper-Modell
+    python3 stt.py --llm-model gemma3:latest    # Anderes Ollama-Modell
+    python3 stt.py --no-llm                     # Ohne LLM-Korrektur
+    python3 stt.py --file audio.wav             # WAV-Datei transkribieren
+    python3 stt.py --list-devices               # Verfuegbare Geraete auflisten
+    python3 stt.py --list-models                # Verfuegbare Ollama-Modelle auflisten
+
+Voraussetzungen:
+    pip install faster-whisper sounddevice numpy scipy requests
+    espeak-ng installiert (fuer TTS-Ansage)
+    ollama + gewaehltes LLM-Modell installiert
+"""
+
+import sys
+import os
+import wave
+import time
+import tempfile
+import argparse
+import subprocess
+import numpy as np
+import sounddevice as sd
+from scipy.signal import resample_poly
+from faster_whisper import WhisperModel
+import requests
+import queue as queue_module
+
+sys.stdout.reconfigure(line_buffering=True)
+
+# === Defaults ================================================================
+WHISPER_SR = 16000
+DEFAULT_LANG = "de"
+DEFAULT_STT_MODEL = "medium"
+DEFAULT_LLM_MODEL = "mistral-small3.2:24b"
+DEFAULT_MAX_DURATION = 120
+DEFAULT_VAD_THRESHOLD = 0.008
+DEFAULT_ANNOUNCEMENT_VOLUME = 3.0
+CHUNK_SEC = 2.0
+
+INITIAL_PROMPT = ""
+# Leer = kein Kontext-Hinweis. Kann per --initial-prompt gesetzt werden,
+# z.B.: "Nachrichten, Politik, Friedrich Merz, CDU, CSU"
+
+STOPWORDS = {
+    "de": ["finito", "stop"],
+    "en": ["finito", "stop", "done", "finish"],
+    "fr": ["finito", "stop", "termine"],
+    "es": ["finito", "stop", "terminado"],
+}
+
+LLM_SYSTEM_PROMPT = {
+    "de": (
+        "Du bist ein Korrektor fuer deutsche Sprachtranskripte. "
+        "Korrigiere Grammatik, Rechtschreibung, korrigiere falsch verstandene "
+        "Woerter und ergaenze offensichtlich fehlende Woerter zu einem sinnvollen Text. "
+        "Achte auf korrekte Namen bekannter Personen und Orte. "
+        "Entferne das Stoppwort 'Finito' am Schluss falls vorhanden. "
+        "WICHTIG: Fuege KEINEN neuen Inhalt hinzu, der nicht im Transkript steht. "
+        "Ergaenze nur fehlende Woerter innerhalb vorhandener Saetze. "
+        "Erfinde keine neuen Saetze oder Fakten. "
+        "Antworte NUR mit dem korrigierten Text, ohne Einleitung oder Kommentar."
+    ),
+    "en": (
+        "You are a proofreader for English speech transcripts. "
+        "Correct grammar, spelling, correct wrong understood words "
+        "and add missing words to make coherent text. "
+        "Remove the stopword 'finito' at the end. "
+        "IMPORTANT: Do NOT add any new content not present in the transcript. "
+        "Only fill in missing words within existing sentences. "
+        "Do not invent new sentences or facts. "
+        "Reply ONLY with the corrected text, no preamble."
+    ),
+}
+
+
+# === GPU/CPU Auto-Detection ==================================================
+
+def detect_compute():
+    """Erkennt CUDA-Verfuegbarkeit und waehlt die GPU mit dem meisten freien VRAM."""
+    try:
+        import ctranslate2
+        cuda_count = ctranslate2.get_cuda_device_count()
+        if cuda_count > 0:
+            best_gpu = 0
+            best_free = 0
+            try:
+                import torch
+                if torch.cuda.is_available():
+                    for i in range(min(torch.cuda.device_count(), cuda_count)):
+                        free, total = torch.cuda.mem_get_info(i)
+                        if free > best_free:
+                            best_free = free
+                            best_gpu = i
+            except Exception:
+                pass
+            return "cuda", "float16", best_gpu
+    except Exception:
+        pass
+    return "cpu", "int8", None
+
+
+# === Device Helpers ==========================================================
+
+def get_native_sample_rates():
+    """Liest native Hardware-Sampleraten aus /proc/asound aus.
+    Gibt ein Dict {card_num: [rates]} zurueck.
+
+    Quellen:
+    - USB-Audio: /proc/asound/cardN/stream0 (Zeile 'Rates: 44100, 48000, ...')
+    - HDA-Codec: /proc/asound/cardN/codec#0 (Zeile 'rates [0x7f0]: 32000 44100 ...')
+    """
+    import re
+    rates_by_card = {}
+    proc_dir = '/proc/asound'
+    if not os.path.isdir(proc_dir):
+        return rates_by_card
+    for card_dir in sorted(os.listdir(proc_dir)):
+        if not card_dir.startswith('card'):
+            continue
+        card_num = card_dir.replace('card', '')
+        all_rates = set()
+
+        # Quelle 1: stream0 (USB-Audio)
+        stream_file = os.path.join(proc_dir, card_dir, 'stream0')
+        if os.path.isfile(stream_file):
+            try:
+                with open(stream_file) as f:
+                    content = f.read()
+                # 'Rates: 44100, 48000, 88200, ...'
+                for match in re.finditer(r'Rates:\s*([\d, ]+)', content):
+                    for x in re.findall(r'\d+', match.group(1)):
+                        all_rates.add(int(x))
+            except Exception:
+                pass
+
+        # Quelle 2: codec#0 (HDA-Codec: ALC1220, HDMI)
+        codec_file = os.path.join(proc_dir, card_dir, 'codec#0')
+        if os.path.isfile(codec_file):
+            try:
+                with open(codec_file) as f:
+                    content = f.read()
+                # 'rates [0x7f0]: 32000 44100 48000 ...'
+                for match in re.finditer(r'rates\s*\[0x[0-9a-f]+\]:\s*([\d ]+)',
+                                          content):
+                    for x in match.group(1).split():
+                        if x.isdigit():
+                            all_rates.add(int(x))
+            except Exception:
+                pass
+
+        if all_rates:
+            rates_by_card[card_num] = sorted(all_rates)
+    return rates_by_card
+
+
+def list_devices():
+    """Listet alle verfuegbaren Audio-Geraete auf."""
+    devices = sd.query_devices()
+    native_rates = get_native_sample_rates()
+    print("Verfuegbare Audio-Geraete:")
+    print(f"{'Idx':>4}  {'Typ':>6}  {'Kanäle':>10}  {'Samplerate':>16}  Name")
+    print("-" * 75)
+    for i, dev in enumerate(devices):
+        if dev["max_input_channels"] > 0 or dev["max_output_channels"] > 0:
+            typ = []
+            if dev["max_input_channels"] > 0:
+                typ.append(f"In:{dev['max_input_channels']}")
+            if dev["max_output_channels"] > 0:
+                typ.append(f"Out:{dev['max_output_channels']}")
+            # Native Hardware-Rate aus /proc/asound suchen
+            hw_rate = "?"
+            name_lower = dev["name"].lower()
+            for card_num, rates in native_rates.items():
+                if f"hw:{card_num}" in name_lower or f"card{card_num}" in name_lower:
+                    hw_rate = ",".join(str(r) for r in rates)
+                    break
+            # Fuer PipeWire/Pulse-Geraete: versuche Name zu matchen
+            if hw_rate == "?" and "respeaker" in name_lower:
+                hw_rate = "48000"
+            print(f"  [{i:>2}]  {', '.join(typ):>10}  {hw_rate:>14}  {dev['name']}")
+    # Echten System-Default anzeigen (PipeWire, nicht PortAudio)
+    real_default_in = get_system_default_device("input")
+    real_default_out = get_system_default_device("output")
+    if real_default_in is not None:
+        print(f"\nDefault Input:  [{real_default_in}] {devices[real_default_in]['name']}")
+    else:
+        di = sd.default.device[0]
+        print(f"\nDefault Input:  [{di}] "
+              f"{devices[di]['name'] if di is not None else 'keiner'} "
+              f"(PortAudio-Fallback)")
+    if real_default_out is not None:
+        print(f"Default Output: [{real_default_out}] {devices[real_default_out]['name']}")
+    else:
+        do = sd.default.device[1]
+        print(f"Default Output: [{do}] "
+              f"{devices[do]['name'] if do is not None else 'keiner'} "
+              f"(PortAudio-Fallback)")
+
+
+def find_device(keyword, kind="input"):
+    """Findet ein Geraet per Keyword-Suche (case-insensitive).
+
+    kind: 'input' oder 'output'.
+    Gibt den Device-Index zurueck oder None.
+    """
+    devices = sd.query_devices()
+    channel_key = "max_input_channels" if kind == "input" else "max_output_channels"
+    for i, dev in enumerate(devices):
+        name_lower = dev["name"].lower()
+        if keyword.lower() in name_lower and dev[channel_key] > 0:
+            return i
+    return None
+
+
+def resolve_device(spec, kind="input"):
+    """Loest eine Device-Spezifikation auf.
+
+    Spezifikationen:
+      - None oder 'default': System-Default
+      - Zahl (z.B. '5'): Device-Index
+      - String (z.B. 'respeaker'): Keyword-Suche
+    """
+    if spec is None or spec == "default":
+        # Zuerst PipeWire/PulseAudio-Default abfragen (portaudio ist unzuverlaessig)
+        idx = get_system_default_device(kind)
+        if idx is not None:
+            return idx
+        # Fallback: PortAudio-Default
+        return sd.default.device[0] if kind == "input" else sd.default.device[1]
+
+    # Numerisch?
+    try:
+        idx = int(spec)
+        devices = sd.query_devices()
+        if 0 <= idx < len(devices):
+            channel_key = ("max_input_channels" if kind == "input"
+                           else "max_output_channels")
+            if devices[idx][channel_key] > 0:
+                return idx
+            else:
+                print(f"FEHLER: Device [{idx}] hat keine "
+                      f"{'Input' if kind == 'input' else 'Output'}-Kanaele.")
+                sys.exit(1)
+        else:
+            print(f"FEHLER: Device-Index {idx} existiert nicht "
+                  f"(0-{len(devices)-1}).")
+            sys.exit(1)
+    except ValueError:
+        pass
+
+    # Keyword-Suche
+    idx = find_device(spec, kind)
+    if idx is not None:
+        return idx
+
+    print(f"FEHLER: Kein {kind}-Geraet mit Namen '{spec}' gefunden.")
+    print("Verfuegbare Geraete (siehe --list-devices):")
+    devices = sd.query_devices()
+    channel_key = "max_input_channels" if kind == "input" else "max_output_channels"
+    for i, dev in enumerate(devices):
+        if dev[channel_key] > 0:
+            print(f"  [{i}] {dev['name']}")
+    sys.exit(1)
+
+
+def get_device_info(device_idx, kind="input"):
+    """Fragt Samplerate und Kanalzahl eines Geraets ab."""
+    if device_idx is None:
+        device_idx = (sd.default.device[0] if kind == "input"
+                      else sd.default.device[1])
+    devices = sd.query_devices()
+    if device_idx is not None and 0 <= device_idx < len(devices):
+        dev = devices[device_idx]
+        channel_key = ("max_input_channels" if kind == "input"
+                       else "max_output_channels")
+        max_ch = dev[channel_key]
+        sr = int(dev["default_samplerate"])
+        name = dev["name"]
+        return {"index": device_idx, "name": name,
+                "channels": min(max_ch, 2), "samplerate": sr}
+    return {"index": None, "name": "default",
+            "channels": 2, "samplerate": 48000}
+
+
+def is_respeaker(device_name):
+    """Prueft ob das Geraet ein ReSpeaker XVF3800 ist."""
+    name_lower = device_name.lower()
+    return any(k in name_lower for k in ["xvf3800", "respeaker", "array"])
+
+
+def get_system_default_device(kind="input"):
+    """Fragt das echte System-Default-Geraet von PipeWire/PulseAudio ab.
+
+    PortAudio/sounddevice liefert oft das falsche Default-Geraet (den ersten
+    ALSA-Hardware-Treiber statt den PipeWire-Default). Diese Funktion nutzt
+    'pactl' um den echten System-Default zu finden und auf den passenden
+    sounddevice-Index abzubilden.
+
+    kind: 'input' oder 'output'
+    Gibt den sounddevice-Index zurueck oder None.
+    """
+    import re as _re
+    if kind == "input":
+        cmd_default = ["pactl", "get-default-source"]
+        cmd_list = ["pactl", "list", "sources"]
+    else:
+        cmd_default = ["pactl", "get-default-sink"]
+        cmd_list = ["pactl", "list", "sinks"]
+
+    # 1. Default-Source/Sink-Name abfragen
+    try:
+        result = subprocess.run(cmd_default, capture_output=True,
+                                text=True, timeout=5)
+        if result.returncode != 0 or not result.stdout.strip():
+            return None
+        default_name = result.stdout.strip()
+    except Exception:
+        return None
+
+    # 2. alsa.card fuer dieses Geraet finden
+    try:
+        result = subprocess.run(cmd_list, capture_output=True,
+                                text=True, timeout=5)
+        output = result.stdout
+    except Exception:
+        return None
+
+    # Sektionen durchsuchen
+    sections = _re.split(r'\n(?=Quelle #|Ziel #|Source #|Sink #)', output)
+    for section in sections:
+        if f"Name: {default_name}" in section:
+            card_match = _re.search(r'alsa\.card\s*=\s*"(\d+)"', section)
+            if card_match:
+                card_num = card_match.group(1)
+                # Auf sounddevice-Index mappen
+                devices = sd.query_devices()
+                channel_key = ("max_input_channels" if kind == "input"
+                               else "max_output_channels")
+                for i, dev in enumerate(devices):
+                    if (f"hw:{card_num}" in dev["name"]
+                            and dev[channel_key] > 0):
+                        return i
+            break
+
+    # 3. Fallback: Keyword aus PA-Namen extrahieren
+    name_lower = default_name.lower()
+    if "respeaker" in name_lower or "xvf3800" in name_lower:
+        return find_device("respeaker", kind)
+    elif "motu" in name_lower:
+        return find_device("motu", kind)
+
+    return None
+
+
+# === Audio Processing ========================================================
+
+def stereo_to_mono(audio, device_name):
+    """Extrahiert Mono-Audio aus einem Mehrkanal-Stream.
+
+    Fuer ReSpeaker XVF3800: rechter Kanal (ASR-Output, fuer STT optimiert).
+    Fuer andere Geraete: Durchschnitt aller Kanaele.
+    """
+    if audio.ndim == 1:
+        return audio
+    if is_respeaker(device_name) and audio.shape[1] >= 2:
+        # Rechter Kanal = ASR-Output (Index 1)
+        return audio[:, 1]
+    # Durchschnitt aller Kanaele
+    return audio.mean(axis=1)
+
+
+def resample(audio, src_sr, target_sr=WHISPER_SR):
+    """Resampelt Audio auf die Ziel-Samplerate."""
+    if src_sr == target_sr:
+        return audio
+    from math import gcd
+    g = gcd(src_sr, target_sr)
+    up = target_sr // g
+    down = src_sr // g
+    return resample_poly(audio, up, down)
+
+
+def compute_rms(audio_float):
+    if len(audio_float) == 0:
+        return 0.0
+    return float(np.sqrt(np.mean(audio_float ** 2)))
+
+
+def normalize_audio(audio, target_peak=0.7):
+    """Normalisiert Audio auf Ziel-Peak-Level (-3 dBFS)."""
+    peak = float(np.max(np.abs(audio)))
+    if peak > 0.001:
+        gain = target_peak / peak
+        audio = audio * gain
+        audio = np.clip(audio, -1.0, 1.0)
+        print(f"  Normalisierung: Gain x{gain:.1f} "
+              f"(Peak {peak:.3f} -> {target_peak:.3f})")
+    else:
+        print("  Warnung: Sehr leises Signal, keine Normalisierung.")
+    return audio
+
+
+def save_wav(audio_data, filename, sr=WHISPER_SR):
+    audio_int16 = (audio_data * 32767).astype(np.int16)
+    with wave.open(filename, "wb") as wf:
+        wf.setnchannels(1)
+        wf.setsampwidth(2)
+        wf.setframerate(sr)
+        wf.writeframes(audio_int16.tobytes())
+
+
+# === TTS Announcement ========================================================
+
+def play_announcement(text, output_device_idx, lang="de", volume=3.0):
+    """Erzeugt TTS mit espeak-ng und spielt es ueber das Ausgabegeraet ab."""
+    print(f"Ansage: '{text}'")
+
+    tmp_wav = tempfile.NamedTemporaryFile(
+        suffix=".wav", delete=False, prefix="tts_"
+    )
+    tmp_wav.close()
+
+    espeak_lang = {"de": "de", "en": "en", "fr": "fr", "es": "es"}.get(lang, "de")
+    subprocess.run(
+        ["espeak-ng", "-v", espeak_lang, "-s", "150",
+         "-w", tmp_wav.name, text],
+        check=True, capture_output=True
+    )
+
+    # Verstaerken und konvertieren
+    tmp_loud = tempfile.NamedTemporaryFile(
+        suffix=".wav", delete=False, prefix="tts_loud_"
+    )
+    tmp_loud.close()
+
+    out_info = get_device_info(output_device_idx, "output")
+    out_sr = out_info["samplerate"]
+    out_ch = out_info["channels"]
+
+    subprocess.run(
+        ["ffmpeg", "-y", "-i", tmp_wav.name,
+         "-filter:a", f"volume={volume}",
+         "-ar", str(out_sr), "-ac", str(out_ch),
+         tmp_loud.name],
+        check=True, capture_output=True
+    )
+
+    # Wiedergabe ueber sounddevice (funktioniert mit jedem Device)
+    try:
+        with wave.open(tmp_loud.name, "rb") as wf:
+            frames = wf.readframes(wf.getnframes())
+            audio = np.frombuffer(frames, dtype=np.int16)
+            sr = wf.getframerate()
+            ch = wf.getnchannels()
+        if ch == 2:
+            audio_stereo = audio.reshape(-1, 2)
+        else:
+            audio_stereo = audio.reshape(-1, 1)
+        sd.play(audio_stereo, samplerate=sr, device=output_device_idx)
+        sd.wait()
+    except Exception as e:
+        # Fallback: paplay
+        print(f"  sounddevice-Wiedergabe fehlgeschlagen ({e}), versuche paplay...")
+        sink = None
+        if output_device_idx is not None:
+            devices = sd.query_devices()
+            if output_device_idx < len(devices):
+                name = devices[output_device_idx]["name"]
+                # Versuche den PulseAudio-Sink-Namen zu erraten
+                if is_respeaker(name):
+                    sink = ("alsa_output.usb-Seeed_Studio_reSpeaker_"
+                            "XVF3800_4-Mic_Array_114993700261100055-00"
+                            ".analog-stereo")
+        cmd = ["paplay", "--volume", "1.5"]
+        if sink:
+            cmd += ["--device", sink]
+        cmd += [tmp_loud.name]
+        try:
+            subprocess.run(cmd, check=True, capture_output=True)
+        except subprocess.CalledProcessError:
+            print("  Warnung: Wiedergabe nicht moeglich — Ansage uebersprungen.")
+
+    os.unlink(tmp_wav.name)
+    os.unlink(tmp_loud.name)
+    print("   (Ansage beendet)\n")
+
+
+# === Whisper STT =============================================================
+
+def load_whisper_model(model_size, device, compute_type, gpu_index):
+    """Laedt ein Whisper-Modell."""
+    print(f"Lade Whisper-Modell '{model_size}' "
+          f"(device={device}, compute={compute_type})...")
+    if device == "cpu":
+        model = WhisperModel(model_size, device=device, compute_type=compute_type)
+    else:
+        model = WhisperModel(model_size, device=device,
+                             compute_type=compute_type,
+                             device_index=gpu_index)
+    print("   Modell bereit.")
+    return model
+
+
+def transcribe(model, audio_data, language, initial_prompt=None,
+               vad_filter=False, beam_size=5):
+    """Transkribiert Audio mit faster-whisper."""
+    print("Transkribiere...\n")
+
+    kwargs = dict(
+        language=language,
+        beam_size=beam_size,
+        vad_filter=vad_filter,
+    )
+    if initial_prompt:
+        kwargs["initial_prompt"] = initial_prompt
+
+    segments, info = model.transcribe(audio_data, **kwargs)
+
+    print(f"   Sprache: {info.language} ({info.language_probability:.1%})")
+    print(f"   Dauer: {info.duration:.1f}s\n")
+
+    full_text = ""
+    print("--- Whisper-Transkription (roh) ----------------------")
+    for seg in segments:
+        ts = f"[{seg.start:5.1f}s - {seg.end:5.1f}s]"
+        print(f"  {ts}  {seg.text}")
+        full_text += seg.text + " "
+    print("------------------------------------------------------\n")
+
+    return full_text.strip()
+
+
+def check_stopword(audio_16k, model, language, stopword_list, vad_threshold):
+    """Transkribiert einen Chunk und prueft auf Stoppwort."""
+    rms = compute_rms(audio_16k)
+    if rms < vad_threshold:
+        return False, "", rms
+
+    segments, _ = model.transcribe(
+        audio_16k,
+        language=language,
+        beam_size=1,
+        vad_filter=False,  # VAD wuerde kurze Stopwoerter filtern
+        temperature=0.0,
+    )
+    text = " ".join(seg.text.strip().lower() for seg in segments)
+
+    # Wortgrenzen-Matching: nur ganze Woerter, keine Teilwort-Treffer
+    # ('over' in 'wochenende' soll NICHT matchen)
+    import re
+    for word in stopword_list:
+        if re.search(r'\b' + re.escape(word) + r'\b', text):
+            return True, text, rms
+    return False, text, rms
+
+
+def record_until_stopword(input_device_idx, input_info, model, language,
+                          stopword_list, vad_threshold, max_duration):
+    """Nimmt kontinuierlich auf bis Stoppwort erkannt wird.
+    Verwendet callback-basierte Aufnahme mit Queue, damit Audio auch waehrend
+    der Whisper-Transkription kontinuierlich aufgezeichnet wird (keine Buffer
+    Overflows)."""
+    device_sr = input_info["samplerate"]
+    device_channels = input_info["channels"]
+    device_name = input_info["name"]
+
+    print(f"Aufnahme laeuft — sage '{stopword_list[0]}' zum Stoppen.")
+    print(f"   Geraet: [{input_device_idx}] {device_name} "
+          f"({device_channels} Kanäle, {device_sr} Hz)")
+    print(f"   Max. {max_duration}s\n")
+
+    chunk_samples = int(CHUNK_SEC * device_sr)
+    all_audio = []
+    total_duration = 0.0
+
+    # Callback-basierte Aufnahme: Audio laeuft in Queue, Hauptthread verarbeitet
+    audio_queue = queue_module.Queue(maxsize=64)
+
+    def audio_callback(indata, frames, time_info, status):
+        if status:
+            print(f"  Stream-Status: {status}")
+        try:
+            audio_queue.put_nowait(indata.copy())
+        except queue_module.Full:
+            pass  # Queue voll — alter Daten verwerfen
+
+    stream = sd.InputStream(
+        samplerate=device_sr,
+        channels=device_channels,
+        dtype="float32",
+        device=input_device_idx,
+        blocksize=chunk_samples,
+        callback=audio_callback,
+    )
+    stream.start()
+
+    try:
+        while total_duration < max_duration:
+            try:
+                chunk = audio_queue.get(timeout=max_duration)
+            except queue_module.Empty:
+                break
+
+            chunk_mono = stereo_to_mono(chunk, device_name)
+            chunk_16k = resample(chunk_mono, device_sr, WHISPER_SR)
+            all_audio.append(chunk_mono)
+
+            total_duration += CHUNK_SEC
+            rms = compute_rms(chunk_16k)
+
+            if rms >= vad_threshold:
+                is_stop, text, rms = check_stopword(
+                    chunk_16k, model, language, stopword_list, vad_threshold
+                )
+                bar = "#" * min(int(rms * 200), 30)
+                status = f"  [{total_duration:5.1f}s] RMS:{rms:.3f} {bar}"
+                if text:
+                    status += f"  '{text}'"
+                print(status)
+
+                if is_stop:
+                    print(f"\n>>> Stoppwort erkannt: '{text}'")
+                    break
+            else:
+                print(f"  [{total_duration:5.1f}s] RMS:{rms:.3f} (Stille)")
+    finally:
+        stream.stop()
+        stream.close()
+
+    # Restliche Queue leeren
+    while not audio_queue.empty():
+        try:
+            chunk = audio_queue.get_nowait()
+            chunk_mono = stereo_to_mono(chunk, device_name)
+            all_audio.append(chunk_mono)
+        except queue_module.Empty:
+            break
+
+    full_audio = np.concatenate(all_audio)
+    full_audio_16k = resample(full_audio, device_sr, WHISPER_SR)
+    full_audio_16k = normalize_audio(full_audio_16k)
+
+    print(f"\nAufnahme beendet. Gesamtdauer: "
+          f"{len(full_audio_16k)/WHISPER_SR:.1f}s\n")
+    return full_audio_16k
+
+
+# === LLM Correction ==========================================================
+
+def llm_correct(text, language, llm_model, llm_url):
+    """Korrigiert den transkribierten Text mit einem lokalen LLM (Ollama)."""
+    if not text:
+        return text
+
+    system_prompt = LLM_SYSTEM_PROMPT.get(language, LLM_SYSTEM_PROMPT["de"])
+    print(f"LLM-Korrektur mit '{llm_model}' (Ollama)...\n")
+
+    try:
+        response = requests.post(
+            llm_url,
+            json={
+                "model": llm_model,
+                "messages": [
+                    {"role": "system", "content": system_prompt},
+                    {"role": "user", "content": text},
+                ],
+                "stream": False,
+                "options": {
+                    "temperature": 0.0,
+                    "num_predict": 500,
+                },
+            },
+            timeout=180,
+        )
+        response.raise_for_status()
+        result = response.json().get("message", {}).get("content", "").strip()
+
+        if result:
+            print("--- LLM-korrigierter Text ----------------------------")
+            print(f"  {result}")
+            print("------------------------------------------------------\n")
+            return result
+        else:
+            print("LLM lieferte leere Antwort — verwende Whisper-Text.\n")
+            return text
+
+    except requests.exceptions.RequestException as e:
+        print(f"Fehler bei LLM-Korrektur: {e}")
+        print("Verwende unkorrigierten Whisper-Text.\n")
+        return text
+
+
+def list_ollama_models():
+    """Listet verfuegbare Ollama-Modelle auf."""
+    try:
+        result = subprocess.run(
+            ["ollama", "list"],
+            capture_output=True, text=True
+        )
+        print(result.stdout)
+    except FileNotFoundError:
+        print("ollama nicht gefunden oder nicht im PATH.")
+
+
+# === File Mode ===============================================================
+
+def transcribe_file(filepath, language, model, initial_prompt, vad_filter,
+                    beam_size, use_llm, llm_model, llm_url):
+    """Transkribiert eine vorhandene WAV-Datei."""
+    print(f"Lade Datei: {filepath}\n")
+    with wave.open(filepath, "rb") as wf:
+        frames = wf.readframes(wf.getnframes())
+        audio_int16 = np.frombuffer(frames, dtype=np.int16)
+        audio_float = audio_int16.astype(np.float32) / 32767.0
+        file_sr = wf.getframerate()
+
+    print(f"   Dauer: {len(audio_float) / file_sr:.1f}s")
+    print(f"   Samplerate: {file_sr} Hz\n")
+
+    if file_sr != WHISPER_SR:
+        print(f"   Resample: {file_sr} -> {WHISPER_SR} Hz")
+        audio_float = resample(audio_float, file_sr, WHISPER_SR)
+
+    whisper_text = transcribe(model, audio_float, language, initial_prompt,
+                              vad_filter, beam_size)
+
+    if whisper_text and use_llm:
+        return llm_correct(whisper_text, language, llm_model, llm_url)
+    return whisper_text
+
+
+# === Main ====================================================================
+
+def main():
+    parser = argparse.ArgumentParser(
+        description="STT-Tool: Audio -> Whisper -> LLM-Korrektur",
+        formatter_class=argparse.RawDescriptionHelpFormatter,
+        epilog=(
+            "Beispiele:\n"
+            "  python3 stt.py --list-devices\n"
+            "  python3 stt.py --input-device respeaker\n"
+            "  python3 stt.py --stt-model large-v3 --input-device respeaker\n"
+            "  python3 stt.py --file audio.wav --no-llm\n"
+            "  python3 stt.py --stt-model medium --device cpu\n"
+        ),
+    )
+
+    # Allgemeine Optionen
+    parser.add_argument(
+        "--list-devices", action="store_true",
+        help="Verfuegbare Audio-Geraete auflisten und beenden",
+    )
+    parser.add_argument(
+        "--list-models", action="store_true",
+        help="Verfuegbare Ollama-Modelle auflisten und beenden",
+    )
+    parser.add_argument(
+        "language", type=str, nargs="?", default=DEFAULT_LANG,
+        help="Sprachcode: de, en, fr, es, ... (Standard: de)",
+    )
+
+    # Eingabe (Mikrofon)
+    parser.add_argument(
+        "--input-device", "-i", type=str, default="default",
+        help="Eingabegeraet: Index (z.B. 5), Name (z.B. respeaker), "
+             "oder 'default' (Standard: default = System-Mic)",
+    )
+
+    # Ausgabe (Lautsprecher)
+    parser.add_argument(
+        "--output-device", "-o", type=str, default="default",
+        help="Ausgabegeraet fuer TTS-Ansage: Index, Name, oder 'default' "
+             "(Standard: default = System-Speaker)",
+    )
+
+    # STT-Modell
+    parser.add_argument(
+        "--stt-model", "-m", type=str, default=DEFAULT_STT_MODEL,
+        choices=["tiny", "base", "small", "medium", "large-v3"],
+        help=f"Whisper-Modell fuer STT (Standard: {DEFAULT_STT_MODEL})",
+    )
+
+    # LLM-Modell
+    parser.add_argument(
+        "--llm-model", type=str, default=DEFAULT_LLM_MODEL,
+        help=f"Ollama-Modell fuer LLM-Korrektur (Standard: {DEFAULT_LLM_MODEL})",
+    )
+    parser.add_argument(
+        "--no-llm", action="store_true",
+        help="LLM-Korrektur ueberspringen (nur Whisper-Text)",
+    )
+
+    # Compute-Device
+    parser.add_argument(
+        "--device", type=str, default="auto",
+        choices=["auto", "cpu", "cuda"],
+        help="Compute-Device fuer Whisper: auto, cpu, cuda (Standard: auto)",
+    )
+    parser.add_argument(
+        "--gpu-index", type=int, default=None,
+        help="GPU-Index bei Multi-GPU-Systemen (Standard: automatisch)",
+    )
+
+    # Datei-Modus
+    parser.add_argument(
+        "--file", "-f", type=str, default=None,
+        help="WAV-Datei transkribieren statt live aufzunehmen",
+    )
+
+    # Feintuning
+    parser.add_argument(
+        "--initial-prompt", type=str, default=INITIAL_PROMPT,
+        help="Kontext-Hinweis fuer Whisper (Eigennamen, Fachbegriffe)",
+    )
+    parser.add_argument(
+        "--max-duration", type=int, default=DEFAULT_MAX_DURATION,
+        help=f"Maximale Aufnahmedauer in Sekunden (Standard: {DEFAULT_MAX_DURATION})",
+    )
+    parser.add_argument(
+        "--vad-threshold", type=float, default=DEFAULT_VAD_THRESHOLD,
+        help=f"RMS-Schwelle fuer Stilleerkennung (Standard: {DEFAULT_VAD_THRESHOLD})",
+    )
+    parser.add_argument(
+        "--vad-filter", action="store_true",
+        help="Whisper VAD-Filter aktivieren (entfernt Stille aus Transkription)",
+    )
+    parser.add_argument(
+        "--beam-size", type=int, default=5,
+        help="Beam-Size fuer Whisper (Standard: 5, hoeher = genauer aber langsamer)",
+    )
+    parser.add_argument(
+        "--no-announcement", action="store_true",
+        help="TTS-Ansage 'Aufnahme laeuft' unterdruecken",
+    )
+    parser.add_argument(
+        "--announcement-volume", type=float, default=DEFAULT_ANNOUNCEMENT_VOLUME,
+        help=f"Lautstaerke der Ansage (Standard: {DEFAULT_ANNOUNCEMENT_VOLUME})",
+    )
+    parser.add_argument(
+        "--delete-wav", action="store_true",
+        help="Temporaere WAV-Datei nach Transkription loeschen",
+    )
+
+    args = parser.parse_args()
+
+    # --list-devices
+    if args.list_devices:
+        list_devices()
+        return
+
+    # --list-models
+    if args.list_models:
+        list_ollama_models()
+        return
+
+    print("=" * 60)
+    print("  STT-Tool: Audio -> Whisper -> LLM-Korrektur")
+    print("=" * 60)
+
+    # Compute-Device bestimmen
+    if args.device == "auto":
+        device, compute_type, gpu_index = detect_compute()
+    elif args.device == "cpu":
+        device, compute_type, gpu_index = "cpu", "int8", None
+    else:  # cuda
+        compute_type = "float16"
+        gpu_index = args.gpu_index if args.gpu_index is not None else 0
+        device = "cuda"
+
+    print(f"Compute: {device} ({compute_type})"
+          + (f", GPU {gpu_index}" if gpu_index is not None else ""))
+    print(f"STT-Modell: {args.stt_model}")
+    if not args.no_llm:
+        print(f"LLM-Modell: {args.llm_model}")
+    print()
+
+    # Whisper-Modell laden (einmal, fuer beide Zwecke genutzt)
+    model = load_whisper_model(args.stt_model, device, compute_type, gpu_index)
+
+    llm_url = "http://localhost:11434/api/chat"
+
+    # === Datei-Modus ===
+    if args.file:
+        if not os.path.isfile(args.file):
+            print(f"Datei nicht gefunden: {args.file}")
+            sys.exit(1)
+        text = transcribe_file(
+            args.file, args.language, model, args.initial_prompt,
+            args.vad_filter, args.beam_size,
+            not args.no_llm, args.llm_model, llm_url
+        )
+        if text:
+            print(f"\n{'='*60}")
+            print(f"FINALES ERGEBNIS")
+            print(f"{'='*60}")
+            print(text)
+            print()
+        else:
+            print("Keine Sprache erkannt.")
+        return
+
+    # === Live-Aufnahme-Modus ===
+    input_device_idx = resolve_device(args.input_device, "input")
+    input_info = get_device_info(input_device_idx, "input")
+    print(f"Eingabe: [{input_device_idx}] {input_info['name']} "
+          f"({input_info['channels']} Kanäle, {input_info['samplerate']} Hz)")
+
+    output_device_idx = resolve_device(args.output_device, "output")
+    output_info = get_device_info(output_device_idx, "output")
+    print(f"Ausgabe: [{output_device_idx}] {output_info['name']} "
+          f"({output_info['channels']} Kanäle, {output_info['samplerate']} Hz)")
+    print()
+
+    stopword_list = STOPWORDS.get(args.language, STOPWORDS["de"])
+
+    # TTS-Ansage
+    if not args.no_announcement:
+        play_announcement("Aufnahme läuft.", output_device_idx,
+                          args.language, args.announcement_volume)
+
+    # Aufnehmen bis Stoppwort
+    audio = record_until_stopword(
+        input_device_idx, input_info, model, args.language,
+        stopword_list, args.vad_threshold, args.max_duration
+    )
+
+    # WAV zwischenspeichern
+    tmp_wav = tempfile.NamedTemporaryFile(
+        suffix=".wav", delete=False, prefix="stt_"
+    )
+    save_wav(audio, tmp_wav.name)
+    print(f"Aufnahme gespeichert: {tmp_wav.name}\n")
+
+    # Whisper-Transkription
+    whisper_text = transcribe(
+        model, audio, args.language, args.initial_prompt,
+        args.vad_filter, args.beam_size
+    )
+
+    # LLM-Korrektur
+    if whisper_text and not args.no_llm:
+        final_text = llm_correct(whisper_text, args.language,
+                                 args.llm_model, llm_url)
+    else:
+        final_text = whisper_text
+
+    # Aufraeumen
+    if args.delete_wav:
+        try:
+            os.unlink(tmp_wav.name)
+            print(f"Temp-Datei geloescht: {tmp_wav.name}")
+        except OSError:
+            pass
+    else:
+        print(f"Aufnahme behalten: {tmp_wav.name}")
+
+    # Ergebnis
+    if final_text:
+        print(f"\n{'='*60}")
+        print(f"FINALES ERGEBNIS")
+        print(f"{'='*60}")
+        print(final_text)
+        print()
+        print("Fertig!")
+    else:
+        print("Keine Sprache erkannt — versuche es mit lauterer Stimme.")
+
+
+if __name__ == "__main__":
+    main()

stt_respeaker.py

@@ -0,0 +1,476 @@
+#!/usr/bin/env python3
+"""
+STT-Skript: Nimmt Audio vom ReSpeaker XVF3800 auf und transkribiert es
+mit faster-whisper (lokal, CPU-only).
+
+Features:
+    - Ansage "Aufnahme laeuft" ueber den ReSpeaker-Lautsprecher (espeak-ng TTS)
+    - Kontinuierliche Aufnahme bis das Stoppwort "Ende" erkannt wird
+    - Echtzeit-Stoppworterkennung mit Whisper tiny-Modell
+    - Finale Transkription mit Whisper medium-Modell (hoehere Genauigkeit)
+    - LLM-Korrektur mit gemma3:latest (Ollama) fuer grammatikalisch korrekten Text
+
+Verwendung:
+    python3 stt_respeaker.py              # Aufnehmen bis "Ende" gesagt wird
+    python3 stt_respeaker.py en           # Sprache Englisch, Stoppwort "end"
+    python3 stt_respeaker.py --file audio.wav   # Vorhandene Datei transkribieren
+
+Voraussetzungen:
+    pip install faster-whisper sounddevice numpy scipy requests
+    espeak-ng installiert
+    ollama + gemma3:latest installiert
+
+Beim ersten Aufruf werden die Whisper-Modelle automatisch heruntergeladen.
+"""
+
+import sys
+import os
+import wave
+import time
+import tempfile
+import argparse
+import subprocess
+import numpy as np
+import sounddevice as sd
+from scipy.signal import resample_poly
+from faster_whisper import WhisperModel
+import requests
+
+# Output-Buffering deaktivieren
+sys.stdout.reconfigure(line_buffering=True)
+
+# === Konfiguration ===========================================================
+DEVICE_SR = 48000
+WHISPER_SR = 16000
+CHANNELS = 2
+DTYPE = "float32"
+MODEL_SIZE = "large-v3"  # Auf GPU: beste Genauigkeit, ~0.1s pro 30s Audio
+STOPWORD_MODEL = "large-v3"  # Gleiche Modell auf GPU, keine zusaetzliche Ladezeit
+DEVICE_COMPUTE = "cuda"  # RTX 3090
+COMPUTE_TYPE = "float16"  # Beste GPU-Praezision
+GPU_DEVICE_INDEX = 1  # Zweite RTX 3090 (erste ist durch Ollama belegt)
+DEFAULT_LANG = "de"
+DEVICE_KEYWORD = "XVF3800"
+INITIAL_PROMPT = "Nachrichten, Politik, Friedrich Merz, CDU, CSU, SPD, Olaf Scholz, Markus Söder, Kanzler, Merz-Akte"
+
+# LLM-Korrektur (Ollama)
+LLM_MODEL = "mistral-small3.2:24b"
+LLM_URL = "http://localhost:11434/api/chat"
+LLM_SYSTEM_PROMPT = {
+    "de": (
+        "Du bist ein Korrektor fuer deutsche Sprachtranskripte. "
+        "Korrigiere Grammatik, Rechtschreibung, korrigiere falsch verstandene Woerter und ergaenze fehlende Woerter "
+        "zu einem sinnvollen Text. "
+        "Achte auf korrekte Namen: Friedrich Merz (CDU), Markus Soeder (CSU), "
+        "Olaf Scholz (SPD). "
+        "Entferne das Stoppwort 'Ende' am Schluss falls vorhanden. "
+        "Antworte NUR mit dem korrigierten Text, ohne Einleitung oder Kommentar."
+    ),
+    "en": (
+        "You are a proofreader for English speech transcripts. "
+        "Correct grammar, spelling, correct wrong unerstood words and add missing words to make coherent text. "
+        "Remove the stopword 'end' at the end. "
+        "Reply ONLY with the corrected text, no preamble."
+    ),
+}
+
+STOPWORDS = {
+    "de": ["ende", "end", "stop"],
+    "en": ["end", "stop", "done", "finish"],
+    "fr": ["fin", "stop", "termine"],
+    "es": ["fin", "stop", "terminado"],
+}
+
+CHUNK_SEC = 2.0
+MAX_DURATION = 60
+VAD_THRESHOLD = 0.008  # Angepasst fuer ASR-Kanal (rechter Kanal)
+
+
+def find_respeaker_device():
+    """Sucht den ReSpeaker XVF3800 in der Liste der Audiogeraete."""
+    devices = sd.query_devices()
+    for i, dev in enumerate(devices):
+        name_lower = dev["name"].lower()
+        if (("xvf3800" in name_lower or "respeaker" in name_lower or "array" in name_lower)
+                and dev["max_input_channels"] > 0):
+            print(f"ReSpeaker gefunden: [{i}] {dev['name']}"
+                  f" ({dev['max_input_channels']} In, "
+                  f"{dev['max_output_channels']} Out)")
+            return i
+    print(f"Kein Geraet mit '{DEVICE_KEYWORD}' gefunden.")
+    print("Verfuegbare Eingabegeraete:")
+    for i, dev in enumerate(devices):
+        if dev["max_input_channels"] > 0:
+            print(f"   [{i}] {dev['name']}")
+    return None
+
+
+def play_announcement(text, device_idx, lang="de"):
+    """Erzeugt TTS mit espeak-ng und spielt es ueber den ReSpeaker ab."""
+    print(f"Ansage: '{text}'")
+
+    tmp_wav = tempfile.NamedTemporaryFile(
+        suffix=".wav", delete=False, prefix="tts_"
+    )
+    tmp_wav.close()
+
+    espeak_lang = {"de": "de", "en": "en", "fr": "fr", "es": "es"}.get(lang, "de")
+
+    subprocess.run(
+        ["espeak-ng", "-v", espeak_lang, "-s", "150",
+         "-w", tmp_wav.name, text],
+        check=True, capture_output=True
+    )
+
+    tmp_loud = tempfile.NamedTemporaryFile(
+        suffix=".wav", delete=False, prefix="tts_loud_"
+    )
+    tmp_loud.close()
+
+    subprocess.run(
+        ["ffmpeg", "-y", "-i", tmp_wav.name,
+         "-filter:a", "volume=3.0",
+         "-ar", str(DEVICE_SR), "-ac", str(CHANNELS),
+         tmp_loud.name],
+        check=True, capture_output=True
+    )
+
+    sink = ("alsa_output.usb-Seeed_Studio_reSpeaker_"
+            "XVF3800_4-Mic_Array_114993700261100055-00.analog-stereo")
+    subprocess.run(
+        ["paplay", "--device", sink,
+         "--volume", "1.5", tmp_loud.name],
+        check=True, capture_output=True
+    )
+
+    os.unlink(tmp_wav.name)
+    os.unlink(tmp_loud.name)
+    print("   (Ansage beendet)\n")
+
+
+def resample_to_16k(audio_48k_mono):
+    return resample_poly(audio_48k_mono, 1, 3)
+
+
+def stereo_to_mono(audio):
+    """Extrahiert den rechten Kanal (ASR-Output des XVF3800).
+    Der rechte Kanal ist der fuer Spracherkennung optimierte ASR-Output
+    (AEC residual / auto-select beam). Der linke Kanal ist der verarbeitete
+    Beamforming-Output. Beide zu mischen verschlechtert die Qualitaet."""
+    if audio.ndim > 1:
+        # Rechter Kanal = Index 1 (ASR-Output, optimiert fuer Spracherkennung)
+        return audio[:, 1]
+    return audio
+
+
+def compute_rms(audio_float):
+    return float(np.sqrt(np.mean(audio_float ** 2)))
+
+
+def check_stopword(audio_16k, model, language, stopword_list):
+    rms = compute_rms(audio_16k)
+    if rms < VAD_THRESHOLD:
+        return False, "", rms
+
+    segments, _ = model.transcribe(
+        audio_16k,
+        language=language,
+        beam_size=1,
+        vad_filter=True,
+        temperature=0.0,
+    )
+    text = " ".join(seg.text.strip().lower() for seg in segments)
+
+    for word in stopword_list:
+        if word in text:
+            return True, text, rms
+    return False, text, rms
+
+
+def record_until_stopword(device_idx, language, stopword_list):
+    """Nimmt kontinuierlich auf bis Stoppwort erkannt wird."""
+    print(f"Lade Whisper-Modell '{STOPWORD_MODEL}' (GPU)...")
+    sw_model = WhisperModel(
+        STOPWORD_MODEL, device=DEVICE_COMPUTE, compute_type=COMPUTE_TYPE,
+        device_index=GPU_DEVICE_INDEX,
+    )
+    print(f"Aufnahme laeuft — sage '{stopword_list[0]}' zum Stoppen.")
+    print(f"   (Notbremse nach {MAX_DURATION}s)\n")
+
+    chunk_samples = int(CHUNK_SEC * DEVICE_SR)
+    all_audio_48k = []
+    total_duration = 0.0
+
+    stream = sd.InputStream(
+        samplerate=DEVICE_SR,
+        channels=CHANNELS,
+        dtype=DTYPE,
+        device=device_idx,
+        blocksize=chunk_samples,
+    )
+    stream.start()
+
+    try:
+        while total_duration < MAX_DURATION:
+            chunk, overflowed = stream.read(chunk_samples)
+            if overflowed:
+                print("  Buffer Overflow!")
+
+            chunk_mono = stereo_to_mono(chunk)
+            chunk_16k = resample_to_16k(chunk_mono)
+            all_audio_48k.append(chunk_mono)
+
+            total_duration += CHUNK_SEC
+            rms = compute_rms(chunk_16k)
+
+            if rms >= VAD_THRESHOLD:
+                is_stop, text, rms = check_stopword(
+                    chunk_16k, sw_model, language, stopword_list
+                )
+                bar = "#" * min(int(rms * 200), 30)
+                status = f"  [{total_duration:5.1f}s] RMS:{rms:.3f} {bar}"
+                if text:
+                    status += f"  '{text}'"
+                print(status)
+
+                if is_stop:
+                    print(f"\n>>> Stoppwort erkannt: '{text}'")
+                    break
+            else:
+                print(f"  [{total_duration:5.1f}s] RMS:{rms:.3f} (Stille)")
+    finally:
+        stream.stop()
+        stream.close()
+
+    full_audio_48k = np.concatenate(all_audio_48k)
+    full_audio_16k = resample_to_16k(full_audio_48k)
+
+    # Software-Verstaerkung: Audio normalisieren auf -3 dBFS Peak
+    # Der XVF3800 liefert sehr leises Signal, daher nachverstaerken
+    peak = float(np.max(np.abs(full_audio_16k)))
+    if peak > 0.001:
+        target_peak = 0.7  # -3 dBFS
+        gain = target_peak / peak
+        full_audio_16k = full_audio_16k * gain
+        full_audio_16k = np.clip(full_audio_16k, -1.0, 1.0)
+        print(f"  Lautstaerke-Anpassung: Gain x{gain:.1f} "
+              f"(Peak {peak:.3f} -> {target_peak:.3f})")
+    else:
+        print("  Warnung: Sehr leises Signal, keine Verstaerkung.")
+
+    print(f"\nAufnahme beendet. Gesamtdauer: "
+          f"{len(full_audio_16k)/WHISPER_SR:.1f}s\n")
+    return full_audio_16k
+
+
+def save_wav(audio_data, filename):
+    audio_int16 = (audio_data * 32767).astype(np.int16)
+    with wave.open(filename, "wb") as wf:
+        wf.setnchannels(1)
+        wf.setsampwidth(2)
+        wf.setframerate(WHISPER_SR)
+        wf.writeframes(audio_int16.tobytes())
+
+
+def transcribe(audio_data, language="de", model_size=MODEL_SIZE):
+    """Transkribiert Audio mit faster-whisper."""
+    print(f"Lade Whisper-Modell '{model_size}'"
+          f" (device={DEVICE_COMPUTE}, compute={COMPUTE_TYPE})...")
+    print("   (Beim ersten Aufruf wird das Modell heruntergeladen.)\n")
+
+    model = WhisperModel(
+        model_size,
+        device=DEVICE_COMPUTE,
+        compute_type=COMPUTE_TYPE,
+        device_index=GPU_DEVICE_INDEX,
+    )
+
+    print("Transkribiere...\n")
+    transcribe_kwargs = dict(
+        language=language,
+        beam_size=5,
+        vad_filter=True,
+        best_of=5,
+        temperature=[0.0, 0.2, 0.4, 0.6],
+    )
+    if INITIAL_PROMPT:
+        transcribe_kwargs["initial_prompt"] = INITIAL_PROMPT
+
+    segments, info = model.transcribe(audio_data, **transcribe_kwargs)
+
+    print(f"   Sprache erkannt: {info.language}"
+          f" ({info.language_probability:.1%})")
+    print(f"   Dauer: {info.duration:.1f}s\n")
+
+    full_text = ""
+    print("--- Whisper-Transkription (roh) ----------------------")
+    for seg in segments:
+        timestamp = f"[{seg.start:5.1f}s - {seg.end:5.1f}s]"
+        print(f"  {timestamp}  {seg.text}")
+        full_text += seg.text + " "
+    print("------------------------------------------------------\n")
+
+    return full_text.strip()
+
+
+def llm_correct(text, language="de"):
+    """Korrigiert den transkribierten Text mit einem lokalen LLM (Ollama Chat API)."""
+    if not text:
+        return text
+
+    system_prompt = LLM_SYSTEM_PROMPT.get(language, LLM_SYSTEM_PROMPT["de"])
+
+    print(f"LLM-Korrektur mit '{LLM_MODEL}' (Ollama)...\n")
+
+    try:
+        response = requests.post(
+            LLM_URL,
+            json={
+                "model": LLM_MODEL,
+                "messages": [
+                    {"role": "system", "content": system_prompt},
+                    {"role": "user", "content": text},
+                ],
+                "stream": False,
+                "options": {
+                    "temperature": 0.0,
+                    "num_predict": 500,
+                },
+            },
+            timeout=180,
+        )
+        response.raise_for_status()
+        result = response.json().get("message", {}).get("content", "").strip()
+
+        if result:
+            print("--- LLM-korrigierter Text ----------------------------")
+            print(f"  {result}")
+            print("------------------------------------------------------\n")
+            return result
+        else:
+            print("LLM lieferte leere Antwort — verwende Whisper-Text.\n")
+            return text
+
+    except requests.exceptions.RequestException as e:
+        print(f"Fehler bei LLM-Korrektur: {e}")
+        print("Verwende unkorrigierten Whisper-Text.\n")
+        return text
+
+
+def transcribe_file(filepath, language, model_size=MODEL_SIZE):
+    """Transkribiert eine vorhandene WAV-Datei."""
+    print(f"Lade Datei: {filepath}\n")
+    with wave.open(filepath, "rb") as wf:
+        frames = wf.readframes(wf.getnframes())
+        audio_int16 = np.frombuffer(frames, dtype=np.int16)
+        audio_float = audio_int16.astype(np.float32) / 32767.0
+        file_sr = wf.getframerate()
+
+    print(f"   Dauer: {len(audio_float) / file_sr:.1f}s")
+    print(f"   Samplerate: {file_sr} Hz\n")
+
+    if file_sr != WHISPER_SR:
+        print(f"   Resample: {file_sr} -> {WHISPER_SR} Hz")
+        from math import gcd
+        g = gcd(file_sr, WHISPER_SR)
+        up = WHISPER_SR // g
+        down = file_sr // g
+        audio_float = resample_poly(audio_float, up, down)
+
+    whisper_text = transcribe(audio_float, language, model_size)
+
+    if whisper_text:
+        corrected = llm_correct(whisper_text, language)
+        return corrected
+    return whisper_text
+
+
+def main():
+    parser = argparse.ArgumentParser(
+        description="STT mit ReSpeaker XVF3800 + faster-whisper + LLM-Korrektur"
+    )
+    parser.add_argument(
+        "language",
+        type=str,
+        nargs="?",
+        default=DEFAULT_LANG,
+        help="Sprachcode: de, en, fr, es, ... (Standard: de)",
+    )
+    parser.add_argument(
+        "--file",
+        type=str,
+        default=None,
+        help="Vorhandene WAV-Datei transkribieren statt live aufzunehmen",
+    )
+    parser.add_argument(
+        "--model",
+        type=str,
+        default=MODEL_SIZE,
+        help=f"Whisper-Modell: tiny|base|small|medium|large-v3"
+             f" (Standard: {MODEL_SIZE})",
+    )
+    parser.add_argument(
+        "--no-llm",
+        action="store_true",
+        help="LLM-Korrektur ueberspringen (nur Whisper-Text ausgeben)",
+    )
+    args = parser.parse_args()
+
+    print("=" * 55)
+    print("  ReSpeaker XVF3800 -> Whisper + LLM-Korrektur")
+    print("=" * 55)
+
+    # Datei-Modus
+    if args.file:
+        if not os.path.isfile(args.file):
+            print(f"Datei nicht gefunden: {args.file}")
+            sys.exit(1)
+        text = transcribe_file(args.file, args.language, args.model)
+        if text:
+            print(f"\n=== FINALES ERGEBNIS ===\n{text}\n")
+        else:
+            print("Keine Sprache erkannt.")
+        return
+
+    # Live-Aufnahme-Modus
+    device_idx = find_respeaker_device()
+    if device_idx is None:
+        print("Kein ReSpeaker XVF3800 gefunden.")
+        sys.exit(1)
+
+    stopword_list = STOPWORDS.get(args.language, STOPWORDS["de"])
+
+    # Ansage
+    play_announcement("Aufnahme laeuft.", device_idx, args.language)
+
+    # Aufnehmen bis Stoppwort
+    audio = record_until_stopword(device_idx, args.language, stopword_list)
+
+    # WAV zwischenspeichern
+    tmp_wav = tempfile.NamedTemporaryFile(
+        suffix=".wav", delete=False, prefix="respeaker_"
+    )
+    save_wav(audio, tmp_wav.name)
+    print(f"Aufnahme gespeichert: {tmp_wav.name}\n")
+
+    # Whisper-Transkription
+    whisper_text = transcribe(audio, args.language, args.model)
+
+    # LLM-Korrektur
+    if whisper_text and not args.no_llm:
+        final_text = llm_correct(whisper_text, args.language)
+    else:
+        final_text = whisper_text
+
+    # Aufnahme NICHT loeschen — fuer spaetere Wiederverwendung
+    print(f"Aufnahme behalten: {tmp_wav.name}\n")
+
+    if final_text:
+        print(f"\n=== FINALES ERGEBNIS ===\n{final_text}\n")
+        print("Fertig!")
+    else:
+        print("Keine Sprache erkannt — versuche es mit lauterer Stimme.")
+
+
+if __name__ == "__main__":
+    main()