# 04 Diktat (Whisper im Browser)

Überall, wo längerer Text entsteht - Projektbeschreibung, Interaktionsnotiz,
nächster Schritt, interne Notizen - sitzt ein Mikrofon-Button. Die Erkennung
läuft **vollständig im Browser des Benutzers**.

Das Backend ist daran nicht beteiligt und sieht keine Audiodaten: kein API-Key,
keine Kosten pro Minute, kein Datenabfluss. Aufnahmen werden nirgends gespeichert.

## Weg der Aufnahme

```mermaid
flowchart LR
    MIC(("Mikrofon")) --> MR["MediaRecorder"]
    MR --> AC["AudioContext<br/>16 kHz Mono PCM"]
    AC --> W["Web Worker"]
    W --> ONNX["Whisper als ONNX<br/>WebGPU, sonst WASM"]
    ONNX --> T["Text"]
    T --> F["Formularfeld"]

    HF["Hugging-Face-CDN"] -.->|"einmalig 759 MB"| CACHE[("Cache-Speicher<br/>der Seite")]
    CACHE --> ONNX
```

Die Erkennung liegt im Web Worker (`src/lib/whisper.worker.ts`), damit die
Oberfläche währenddessen nicht einfriert. Die ONNX-Laufzeit wird mit
ausgeliefert (Vite bundelt die `.wasm`), nur die Modelldateien kommen beim ersten
Laden vom CDN und bleiben danach im Cache-Speicher der Seite.

## Lebenszyklus des Modells

```mermaid
stateDiagram-v2
    [*] --> idle : Anmeldung
    idle --> loading : "Sprachmodell laden" oder<br/>automatisch, wenn schon im Cache
    loading --> ready : im Worker initialisiert
    loading --> error : Abbruch, Haenger, kein Speicher
    error --> loading : erneut versuchen
    ready --> idle : "Sprachmodell löschen"
    ready --> ready : Diktat benutzen

    note right of loading
        Phase download: Dateien holen
        Phase init: Modell im Worker aufbauen
    end note
```

Beim Anmelden wird das Modell automatisch bereitgestellt, **wenn** es schon in
diesem Browser liegt. Ein Download von 759 MB startet nie von allein, und der
Automatismus greift bewusst nur einmal pro Seitenaufruf: wer das Modell löscht,
bekommt es nicht sofort wieder heruntergeladen.

## Wo es sitzt

Reiter **Whisper** in den Einstellungen - für **jede Rolle** sichtbar, denn jeder
richtet sein Diktat auf seinem eigenen Gerät ein. Genau deshalb sind die
Einstellungen überhaupt für alle Rollen zugänglich; welche Reiter erscheinen,
entscheidet die Rolle:

```mermaid
flowchart LR
    E["Einstellungen"] --> A["Mein Konto<br/>(alle)"]
    E --> W["Whisper<br/>(alle)"]
    E --> N["Nutzerverwaltung<br/>(admin)"]
    E --> S["Scanner<br/>(admin)"]
```

Ist das Modell noch nicht geladen, wird der Mikrofon-Button zu *Diktat
einrichten* und springt per `goTo('Einstellungen', { tab: 'whisper' })` direkt
dorthin - ein offener Dialog wird vorher geschlossen (`onBeforeNavigate`).

## Warum keine Auswahl

Modell, Genauigkeit, Rechenweg und Sprache stehen als Konstanten in
`src/lib/whisper.tsx`: `large-v3-turbo`, `q4`, Grafikkarte wenn vorhanden,
Deutsch. Jede andere Kombination war in den Messungen entweder schlechter oder
kaputt - bei `small` in fp16 auf WebGPU reagiert der ganze Browser-Tab nicht mehr,
und **kein Timeout in der Seite kann das abfangen**, weil das Skript selbst nicht
mehr läuft.

Eine Auswahl hätte also nur Gelegenheit geboten, etwas falsch zu machen. Die
Messwerte stehen im [README](../README.md#warum-small-und-q4---die-messungen).

Als Netz bleibt eine Frist pro Erkennung (15x Aufnahmedauer, mindestens 45 s,
höchstens 5 min) und eine Hänger-Erkennung beim Laden.