Spracheingabe

Status: Live seit Phase 62 (2026-06-05). Selbst-gehostetes whisper.cpp auf Contabo — keine OpenAI-Abhängigkeit, kein Audio verlässt Ihren Server.

Arc OS unterstützt zwei Ebenen der Spracheingabe im Chat-Composer:

Beide Ebenen speisen in dasselbe Composer-Textfeld ein und sind für den AI-Worker transparent.

Sprache im Chat nutzen

1. Öffnen Sie einen beliebigen Projekt-Workspace und fokussieren Sie den Chat-Composer.
2. Klicken Sie auf den Mikrofon-Button (unten links im Composer) oder drücken Sie Strg+Umschalt+V (funktioniert mit jedem Tastaturlayout — der Shortcut entspricht der physischen V-Taste, nicht dem Layout-Zeichen).
3. Sprechen Sie. Eine Wellenform-Animation + ein oranger Rahmen zeigen die Aufnahme an.
4. Klicken Sie erneut auf den Mikrofon-Button (oder drücken Sie den Shortcut), um zu stoppen.
5. Der transkribierte Text erscheint im Composer — bei Bedarf bearbeiten, dann senden.

Kontinuierlicher Modus: L1 hört weiter zu, bis Sie stoppen; L2 nimmt einen einzelnen Clip auf und sendet ihn zur Transkription.

L1 — Web Speech API (Chrome/Edge)

Nutzt die eingebaute Spracherkennungs-API des Browsers. Funktioniert sofort, ohne Server-Roundtrip.

Locale: Wird automatisch aus Ihrer Arc-Spracheinstellung übernommen. Unterstützte BCP-47-Codes: uk-UA, en-US, de-DE, es-ES, fr-FR, pl-PL, ru-RU, pt-BR.

Berechtigungen: Der Browser fragt bei der ersten Nutzung nach Mikrofonzugriff. Falls Sie ihn versehentlich blockiert haben, gehen Sie zu Site-Einstellungen → Mikrofon → Zulassen für arc-os.co. Der Permissions-Policy-Header auf arc-os.co verwendet microphone=(self) — Same-Origin-Zugriff ist erlaubt, während Cross-Origin-Einbettungen ausgesperrt werden.

Einschränkungen:

• Erfordert Chrome oder Edge (Chromium-basiert). Firefox und Safari fallen automatisch auf L2 zurück.
• Die Transkriptionsqualität hängt von Googles Servern ab (vom Browser aufgerufen, nicht von Arc OS).

L2 — Selbst-gehostetes whisper.cpp

Arc OS betreibt einen persistenten arc-whisper.service auf Contabo mit dem vorgeladenen ggml-base-Modell (142 MB). Wenn der Browser die Web Speech API nicht unterstützt, fällt der Composer automatisch auf diese Ebene zurück:

1. Der Browser nimmt einen WebM-Clip via MediaRecorder auf.
2. Beim Stoppen wird der Clip per POST an /api/crm/voice/transcribe gesendet (multipart, max. 25 MB).
3. Der Server leitet ihn an den lokalen whisper-server unter 127.0.0.1:19214 weiter — die Audio-Bytes verlassen Contabo nie.
4. Der transkribierte Text kommt zurück und wird in den Composer eingefügt.

Latenz: ~3,4 s für einen 11-Sekunden-Clip (Modell warm, 3,1× Echtzeit auf der aktuellen 6-vCPU-EPYC-Maschine).

Parallelität: Der whisper-server hat einen 2-Slot-Semaphor. Sind beide Slots belegt, liefert die API 429 („server busy") und die UI zeigt einen Toast — versuchen Sie es in ein paar Sekunden erneut.

Tageskontingent

Jeder Benutzer hat ein weiches Limit von 60 Min./Tag über alle L2-Transkriptionen hinweg. Der Server schätzt die Clip-Dauer anhand der Upload-Größe (Annahme: ~32-kbps-Sprachcodec, ±30 % Genauigkeit). Wenn das Limit erreicht ist:

• Die API liefert 429 mit { "error": "Daily voice quota reached (60 min/day)", "used": <seconds>, "cap": 3600 }
• Der Mikrofon-Button ist für den Rest des Tages deaktiviert
• Das Kontingent wird um Mitternacht UTC zurückgesetzt

L1 (Web Speech API) unterliegt diesem Limit nicht — sie nutzt den browsereigenen Dienst.

Troubleshooting

Referenzen

• shared/routes/voice.ts — Endpunkt-Handler (Phase 62.4, #373)
• shared/migrations/051_voice_usage.ts — voice_usage_log-Kontingenttabelle
• frontend/src/crm/pages/workspace/Composer.jsx — MicButton-Komponente
• arc-whisper.service auf Contabo — whisper.cpp-Daemon-Konfiguration
• API-Endpunkt: POST /api/crm/voice/transcribe