# Voice-Agent — Windows-Diktat

Kleiner Push-to-Talk-Client für Windows. Hotkey halten = aufnehmen,
loslassen = an den Mac-Worker schicken, Text wird am Cursor eingefügt.

Läuft als Tray-Icon (blau = Idle, rot = Aufnahme, orange = sende, grau = Fehler).
Nutzt direkt den bestehenden `POST /api/transcribe`-Endpoint vom Mac-Worker —
keine Server-Änderung nötig.

## Voraussetzungen
- **Windows 10/11**
- **Python 3.11+** (`tomllib` und neuere `numpy`)
- Erreichbarkeit des Mac-Workers im internen Netz (Standard: `http://10.172.100.44:8080`)

## Schnellstart (entwickeln)
```cmd
cd windows-dictate
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
copy config.example.toml config.toml
notepad config.toml
python dictate.py
```

Im Tray erscheint ein blauer Punkt. Cursor in ein Eingabefeld setzen,
**F8 halten**, sprechen, **loslassen** — nach 1–3 s steht der Text drin.

## Standalone-EXE bauen
```cmd
pip install pyinstaller
build.bat
```
Ergebnis: `dist\VoiceAgentDictate.exe`. Daneben eine `config.toml` ablegen.

## Konfig (`config.toml`)
| Key | Default | Bedeutung |
|---|---|---|
| `mac_url` | `http://10.172.100.44:8080` | URL des Mac-Workers |
| `hotkey` | `f8` | Push-to-Talk-Taste (einzelne Taste, halten) |
| `language` | `de` | Whisper-Sprache |
| `timeout` | `120` | Sekunden für den Mac-Call |
| `suppress_hotkey` | `false` | Hotkey vor anderen Apps abfangen |

## Tray-Menü
Rechtsklick auf das Tray-Icon → **Beenden**.

## Hotkey-Hinweise
- `keyboard` unterstützt **einzelne Tasten** für press/release sauber. Kombis wie `Ctrl+Win+Space` brauchen eine andere Logik (Toggle statt Push-to-Talk).
- Falls F8 mit etwas kollidiert (z.B. Browser-Slideshow), in der Konfig auf `pause`, `scroll lock`, `f9`, `f12` o.ä. wechseln.
- `suppress_hotkey = true` schluckt die Taste vollständig — nur einschalten, wenn die Taste sonst nicht gebraucht wird.

## Was es **nicht** macht
- Kein Live-Streaming Wort-für-Wort. Du sprichst einen Block, dann erscheint der Block. Realistisch sind 3–8 s pro Diktat-Block.
- Keine Authentifizierung — der Mac-Worker hat selbst keine. Nur im internen Netz nutzen.
- Keine Audio-Vorverarbeitung. Mikro-Auswahl macht Windows selbst (Standard-Aufnahmegerät).

## Upgrade-Pfad: echtes Streaming
Wenn Du später Wort-für-Wort willst, müsste der Mac-Worker `lightning-whisper-mlx`
durch eine Streaming-Variante ersetzen — Kandidaten:

- **whisper-streaming** (https://github.com/ufal/whisper_streaming) — Wrapper um
  `faster-whisper` mit LocalAgreement-Policy. Gibt partielle Transkripte alle 0.5–2 s.
- **whisper.cpp `--stream`** — sehr leichtgewichtig, aber CPU statt MLX.
- **wav2vec2 / Vosk** — echtes Streaming, schwächer als Whisper bei deutschem Audio.

Auf Client-Seite würde sich dann WebSocket statt POST anbieten, plus eine
„partial vs final"-Logik (partial löschen + neuen Text einfügen). Größerer Umbau —
aktuell bewusst nicht gemacht, weil der Push-to-Talk-Workflow für Diktat in
Office/Mail/Chat in der Praxis sehr gut funktioniert.

## Troubleshooting
- **Hotkey reagiert nicht**: `keyboard` braucht keine Admin-Rechte zum Lesen, aber `suppress_hotkey = true` schon. Erst mit `false` testen.
- **`OSError: PortAudio`** bei Start: Standard-Aufnahmegerät in Windows-Sound-Settings setzen.
- **Fehler-Icon (grau)** + Log `Mac-Fehler: ConnectionError`: Mac aus, falsche IP in `config.toml`, oder Firewall blockt 8080.
- **Text erscheint nicht** im Zielfenster: einige Apps (manche Terminals) blocken simuliertes Strg+V. Test in Notepad.
- **Sonderzeichen verstümmelt**: Ziel-App unterstützt Unicode-Paste nicht. Workaround: in `dictate.py` `keyboard.send("ctrl+v")` durch `keyboard.write(text)` ersetzen (langsamer, aber tastenweise).