Dokumentation aktualisiert, CHANGELOG ergänzt, Version 0.2.0

- CHANGELOG.md neu (0.1.0, 0.2.0)
- Bedienungsanleitung: LLM-Korrektur in Überblick, Voraussetzungen, Installation, Deinstallation
- Entwicklerdoku: Output-Klasse, STT_LLM_*-Konfiguration, Nebenläufigkeitsregel für Ausgaben,
  Erweitern (LLM/Prompt), Grenzen und nächste Schritte
- README, CLAUDE.md: Verweise und Befehle ergänzt
- stt_core.__version__ = 0.2.0

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

BEDIENUNGSANLEITUNG.md

@@ -29,12 +29,14 @@ SpeechToText wandelt **gesprochene Sprache in Text** um — vollständig **lokal
 ohne Cloud. Grundlage ist das Spracherkennungsmodell *Whisper* in der schnellen Umsetzung
 *faster-whisper*.
 
-Es besteht aus zwei Teilen:
+Es besteht aus zwei Teilen und einem optionalen Zusatz:
 
 - **Dem Dienst** (`stt_service.py`): läuft im Hintergrund, hält das Sprachmodell im Speicher und nimmt
   Aufträge entgegen — von Home Assistant, von Mikrocontrollern, von Skripten oder von der CLI.
 - **Der Kommandozeile** (`stt_cli.py`): schickt Audiodateien oder das Mikrofon an den Dienst und gibt den
   erkannten Text aus.
+- **Optional der LLM-Korrektur** (`stt_llm.py`): lässt den erkannten Text auf Wunsch von einem lokalen
+  Sprachmodell (Ollama) auf Erkennungsfehler prüfen — nur in der Kommandozeile mit `--llm-correct`.
 
 ```mermaid
 flowchart LR
@@ -44,6 +46,7 @@ flowchart LR
     ESP[ESP32 / Skripte / Apps] -- HTTP / WebSocket :9998 --> SVC
     CLI -- HTTP / WebSocket :9998 --> SVC[STT-Dienst<br/>Whisper-Modell auf GPU]
     SVC --> TXT[Text]
+    CLI -. "optional: llm-correct" .-> LLM[Ollama<br/>gemma4:12b] -.-> TXT
 ```
 
 **Wie schnell?** Auf einer RTX 3090 mit dem Modell `large-v3-turbo`: ein Satz von 6 Sekunden ist in
@@ -65,6 +68,7 @@ nach Sprache). Ein Stoppwort ist nicht nötig.
 | Arbeitsspeicher | 4 GB frei | 8 GB frei |
 | Festplatte | 0,5 GB (Modell `small`) | 2 GB (Modell `large-v3-turbo`) |
 | Mikrofon | beliebig (nur für Live-Betrieb) | ReSpeaker XVF3800 oder gutes USB-Mikrofon |
+| Nur für LLM-Korrektur | Ollama + Modell `gemma4:12b` (7,6 GB Festplatte) | ~10 GB freier Grafikspeicher |
 
 Systemprogramme: `ffmpeg` ist hilfreich (Formatumwandlung), `pactl` (PipeWire/PulseAudio) für die
 Mikrofonwahl, `espeak-ng` nur für die automatischen Tests.
@@ -92,6 +96,13 @@ mit. Ohne vorhandene Installation lädt `pip` alles herunter.
 # … 49 passed
 ```
 
+**Optional für die LLM-Korrektur** (`--llm-correct`): [Ollama](https://ollama.com) installieren und das
+Modell holen:
+
+```bash
+ollama pull gemma4:12b
+```
+
 > Beim **ersten Start des Dienstes** wird das Whisper-Modell aus dem Internet geladen
 > (`large-v3-turbo` ≈ 1,6 GB). Danach arbeitet alles offline.
 
@@ -502,4 +513,5 @@ rm -rf ~/Python_Programs/SpeechToText
 
 Heruntergeladene Modelle liegen im Hugging-Face-Cache (`$HF_HOME/hub` bzw. `~/.cache/huggingface/hub`,
 Ordner `models--*faster-whisper*`) und werden eventuell auch von anderen Programmen genutzt — nur löschen,
-wenn sicher ist, dass sie nicht mehr gebraucht werden.
+wenn sicher ist, dass sie nicht mehr gebraucht werden. Dasselbe gilt für das LLM der optionalen Korrektur
+(`ollama rm gemma4:12b`).