CLI: --until-enter und optionale LLM-Korrektur (--llm-correct)

- --until-enter: Aufnahme mit beliebig langen Pausen, Enter beendet, Ausgabe als ein Text
- stt_llm.py: Nachkorrektur per lokalem LLM (Standard gemma4:12b über Ollama nativ mit
  kleinem Kontext; OpenAI-kompatible Server möglich), strenger Prompt mit Beispielen,
  Ähnlichkeitsprüfung und Fehler-Fallback auf den Rohtext
- Output-Klasse in der CLI: Korrektur in eigenem Thread, Reihenfolge bleibt erhalten
- Tests für die LLM-Korrektur (13 Unit, 1 Integration)
- Doku: Bedienungsanleitung, README, Entwicklerdoku (inkl. Modellvergleich), CLAUDE.md

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

README.md

@@ -13,6 +13,7 @@ Gedacht als Baustein für Sprachassistenten und Smarthome: **Home Assistant** (W
 - **Äußerungsende per Sprechpause** (Silero-VAD) statt Stoppwort; Text ca. 1 s nach Sprechende.
 - **Robust:** automatischer CPU-Fallback, beliebige Audioformate, Filter gegen Whisper-Halluzinationen.
 - **Lokal:** keine Cloud; Internet nur zum einmaligen Herunterladen des Modells.
+- **Optionale LLM-Korrektur** (`--llm-correct`, lokales `gemma4:12b`) mit Schutz gegen verfälschte Antworten.
 
 ## Dokumentation
 
@@ -36,6 +37,7 @@ CUDA_VISIBLE_DEVICES=GPU-<uuid> .venv/bin/python stt_service.py
 curl http://127.0.0.1:9998/health                  # "status":"ok" = bereit
 .venv/bin/python stt_cli.py aufnahme.wav            # Datei → Text
 .venv/bin/python stt_cli.py -v                      # Mikrofon → Text (Strg+C beendet)
+.venv/bin/python stt_cli.py --until-enter            # Pausen erlaubt, Enter beendet → ein Text
 ```
 
 Beim ersten Start wird das Modell geladen (`large-v3-turbo` ≈ 1,6 GB). Schnittstellen zum Ausprobieren
@@ -66,6 +68,7 @@ curl -F file=@aufnahme.mp3 http://127.0.0.1:9998/v1/audio/transcriptions
 | `stt_service.py` | FastAPI-Dienst: HTTP, WebSocket, Worker, Start des Wyoming-Servers |
 | `stt_wyoming.py` | Wyoming-Protokoll für Home Assistant |
 | `stt_cli.py` | Kommandozeile: Dateien und Mikrofon über den Dienst oder lokal |
+| `stt_llm.py` | optionale LLM-Nachkorrektur (Ollama oder OpenAI-kompatibel), nur mit `--llm-correct` |
 | `tests/` | Unit-Tests (ohne Modell) und Integrationstests (echtes Whisper) |
 | `deploy/stt-service.service` | systemd-User-Unit für den Dauerbetrieb |
 | `legacy/` | alte Einzelskripte `stt.py`, `stt_respeaker.py` (historisch, nicht gepflegt) |
@@ -73,8 +76,8 @@ curl -F file=@aufnahme.mp3 http://127.0.0.1:9998/v1/audio/transcriptions
 ## Tests
 
 ```bash
-.venv/bin/python -m pytest                    # 36 Unit-Tests, ohne Modell
-.venv/bin/python -m pytest -m integration     # 4 Integrationstests: Whisper small (CPU) + Silero, espeak-ng-Sprache
+.venv/bin/python -m pytest                    # 49 Unit-Tests, ohne Modell
+.venv/bin/python -m pytest -m integration     # 5 Integrationstests: Whisper small (CPU) + Silero, espeak-ng; LLM über Ollama
 ```
 
 ## Bekannte Grenzen