Files

T

Sascha WolfandClaude Opus 5 82d1b7eab4 feat: Projekt Scanner integrieren, Whisper in die Einstellungen

Der eigenstaendige Projekt Scanner zieht komplett ins CRM ein und laeuft
parallel zur bestehenden App weiter - jede geteilte Ressource ist verdoppelt
statt geteilt, damit die alte Installation unberuehrt bleibt:

- eigene Datenbank perinco_scanner, legt sich beim Start selbst an
- eigener SCANNER_ENCRYPTION_KEY, eigenes Upload-Verzeichnis
- eigener Scheduler mit Zeitversatz, damit nicht beide Instanzen gleichzeitig
  mit denselben Portal-Cookies scrapen (Rate-Limits, CAPTCHA, doppelter RAM)
- Sperre gegen ueberlappende Laeufe: Scheduler und "Jetzt scannen" teilen sie,
  ein zweiter Aufruf bekommt 409 statt doppelter OpenAI-Kosten

Backend unter /api/scanner hinter der CRM-Anmeldung; die HTTP-Basic-Auth des
Originals entfaellt. CV-PDFs kommen als Stream mit Token statt aus einem
statischen Verzeichnis. Bestandsdaten holt "npm run scanner:import" aus der
alten Datenbank, ohne sie zu veraendern.

Oberflaeche in Tailwind und CI-Farben neu gebaut: Menuepunkt Scanner mit
aufklappbaren Unterpunkten, Einstellungen als eigener Reiter.

Whisper hat keinen eigenen Menuepunkt mehr, sondern ist ein Reiter in den
Einstellungen. Damit diese Geraeteeinstellung jeder Rolle offensteht, sind die
Einstellungen jetzt fuer alle sichtbar - welche Reiter erscheinen, entscheidet
die Rolle.

Ausserdem: kein festes Admin-Passwort mehr im Quelltext, playwright exakt auf
1.60.0 gepinnt (nutzt den vorhandenen Chromium-Build des Servers), technische
Dokumentation mit Funktionszeichnungen unter docs/.

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

2026-08-06 15:08:59 +02:00

3.2 KiB

Raw Blame History

04 Diktat (Whisper im Browser)

Ueberall, wo laengerer Text entsteht - Projektbeschreibung, Interaktionsnotiz, naechster Schritt, interne Notizen - sitzt ein Mikrofon-Button. Die Erkennung laeuft vollstaendig 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 Oberflaeche waehrenddessen 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, Haenger, kein Speicher
    error --> loading : erneut versuchen
    ready --> idle : "Sprachmodell loeschen"
    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 loescht, bekommt es nicht sofort wieder heruntergeladen.

Wo es sitzt

Reiter Whisper in den Einstellungen - fuer jede Rolle sichtbar, denn jeder richtet sein Diktat auf seinem eigenen Geraet ein. Genau deshalb sind die Einstellungen ueberhaupt fuer alle Rollen zugaenglich; 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 laeuft.

Eine Auswahl haette 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, hoechstens 5 min) und eine Haenger-Erkennung beim Laden.

3.2 KiB Raw Blame History