Files

T

Sascha WolfandClaude Opus 5 59080019d2 docs: Umlaute auch im erklaerenden Text der Codebloecke

Der Dateibaum im README und in 05/08, die Kommentare hinter # in den
Beispielbefehlen und die Beschriftungen in Mermaid-Sequenzdiagrammen sind
Lesetext, stehen aber in Codeblöcken - die erste Runde hat sie deshalb
übersprungen.

Die Befehle selbst und alle Bezeichner bleiben unverändert: ersetzt wurde
nur hinter "# ", hinter den zwei Leerzeichen des Dateibaums und hinter
": " in Mermaid-Nachrichten. ER-Labels wie bewertet_fuer sind Bezeichner
und bleiben, "systemctl daemon-reload" ebenfalls.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

2026-08-11 09:48:11 +02:00

3.2 KiB

Raw Blame History

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

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

stateDiagram-v2
    [*] --> idle : Anmeldung
    idle --> loading : "Sprachmodell laden" oder<br/>automatisch, wenn schon im Cache
    loading --> ready : im Worker initialisiert
    loading --> error : Abbruch, Hänger, 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:

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.

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

3.2 KiB Raw Blame History