Systemweiter Diktierdienst fuer Linux (X11 + Wayland). Taste druecken, sprechen, Text erscheint im aktiven Fenster — in jeder Anwendung.

• Push-to-Talk / Toggle — Taste halten oder einmal druecken zum Aufnehmen, Text wird automatisch eingefuegt
• 4 Diktiermodi:
  • Normal — wortgetreue Transkription
  • Plus — gesprochenen Text schriftlich formuliert
  • Rage — wuetenden Text in hoefliche Formulierung umwandeln
  • Emoji — Text mit passenden Emojis anreichern
• Live-Transkription — Echtzeit-Untertitel im Browser mit automatischer Uebersetzung (Mikrofon + Desktop-Audio)
• Lokale oder Online Transkription — faster-whisper (lokal, offline) oder OpenAI Whisper API (online)
• System-Tray App — Einstellungen, Tastenerkennung, Mikrofon-Auswahl per GUI
• SayoDevice-kompatibel — Macro-Pads mit Tap-Firmware, Multi-Key-Combos
• Systemweit — funktioniert in jeder App (Browser, Slack, Terminal, IDE)
• systemd User-Services — Autostart beim Login

• Linux mit X11 oder Wayland
• Python 3.12+
• OpenAI API Key (fuer Online-Modus) oder CUDA/CPU fuer lokalen Modus
• Benutzer muss Mitglied der input-Gruppe sein (fuer evdev-Zugriff)

# Arch / CachyOS
sudo pacman -S libnotify alsa-utils

# Wayland (empfohlen)
sudo pacman -S wl-clipboard ydotool

# X11
sudo pacman -S xdotool xclip

# Debian / Ubuntu
sudo apt install libnotify-bin alsa-utils

# Wayland
sudo apt install wl-clipboard ydotool

# X11
sudo apt install xdotool xclip

git clone <repo-url> stt-trans
cd stt-trans
OPENAI_API_KEY=sk-... bash install.sh

Das Installationsskript erledigt folgende Schritte:

1. Prueft System-Abhaengigkeiten
2. Fuegt den Benutzer zur input-Gruppe hinzu (falls noetig)
3. Erstellt ein Python-venv und installiert alle Pakete
4. Legt die Standard-Konfiguration an (~/.config/transcriptor/config.json)
5. Installiert und aktiviert die systemd-Services

Nach der Installation ist ein Neuanmelden erforderlich, falls die input-Gruppe neu hinzugefuegt wurde.

Rechtsklick auf das Tray-Icon und "Einstellungen oeffnen" waehlen. Die GUI bietet:

• Eingabegeraet (Tastatur) auswaehlen
• Audiogeraet (Mikrofon) waehlen
• Tasten fuer jeden Modus zuweisen (Taste druecken statt Key-Code eingeben)
• Trigger-Modus (Hold / Toggle) einstellen
• Inject-Methode waehlen (wtype, xdotool, wl-copy+paste, etc.)
• Live-Transkription Tastenkombination festlegen

# Input-Device setzen (evdev-Pfad)
curl -X PATCH http://localhost:8765/api/config \
  -H "Content-Type: application/json" \
  -d '{"input_device": "/dev/input/event3"}'

# Trigger-Modus aendern
curl -X PATCH http://localhost:8765/api/config \
  -H "Content-Type: application/json" \
  -d '{"trigger_mode": "toggle"}'

# Inject-Methode fuer Wayland
curl -X PATCH http://localhost:8765/api/config \
  -H "Content-Type: application/json" \
  -d '{"inject": {"method": "wl-copy+paste", "paste_shortcut": "ctrl+shift+v"}}'

# Tastenkuerzel anpassen
curl -X PATCH http://localhost:8765/api/config \
  -H "Content-Type: application/json" \
  -d '{
    "modes": {
      "normal": {"key_codes": [183], "key_name": "KEY_F13"},
      "plus":   {"key_codes": [184], "key_name": "KEY_F14"},
      "rage":   {"key_codes": [185], "key_name": "KEY_F15"},
      "emoji":  {"key_codes": [186], "key_name": "KEY_F16"}
    }
  }'

# Aktuelle Konfiguration anzeigen
curl http://localhost:8765/api/config | python -m json.tool

Speicherort: ~/.config/transcriptor/config.json

Wird beim ersten Start automatisch angelegt. Kann alternativ ueber die Umgebungsvariable BLITZTEXT_CONFIG auf einen anderen Pfad gesetzt werden.

Hold-Modus (Standard): Taste halten = Aufnahme laeuft, Taste loslassen = Text wird eingefuegt. Bei kurzem Tap (<400ms) wechselt die Aufnahme automatisch in den Toggle-Modus.

Toggle-Modus: Einmal druecken = Aufnahme starten, nochmal druecken = Aufnahme stoppen und Text einfuegen.

Die Live-Transkription zeigt Echtzeit-Untertitel im Browser mit optionaler Uebersetzung.

1. Tastenkombination fuer Live-Modus in den Einstellungen festlegen
2. Kombination druecken — der Browser oeffnet sich automatisch unter http://localhost:8765/live
3. Mikrofon und Desktop-Audio werden parallel transkribiert
4. Zielsprache fuer Uebersetzung im Browser-UI waehlen
5. Nochmal die Kombination druecken oder den Stop-Button im Browser verwenden

Die Tray-App zeigt den aktuellen Status (idle / recording) und bietet:

• Einstellungen oeffnen — Konfigurationsfenster mit allen Optionen
• Neustart — startet den Daemon-Service neu
• Beenden — beendet die Tray-App

# Daemon-Status
systemctl --user status stt-trans.service

# Tray-Status
systemctl --user status stt-trans-tray.service

# Daemon neustarten
systemctl --user restart stt-trans.service

# Live-Logs
journalctl --user -u stt-trans.service -f

Der Daemon lauscht auf http://localhost:8765.

# Health-Check
curl http://localhost:8765/api/health

# Text manuell durch "plus"-Modus verarbeiten
curl -X POST http://localhost:8765/api/process/plus \
  -H "Content-Type: application/json" \
  -d '{"text": "also ich wollte sagen dass das echt cool ist"}'

# Aufnahmestatus abfragen
curl http://localhost:8765/api/status

Fuer offline-faehige Transkription ohne OpenAI API:

# faster-whisper installieren
cd stt-trans
source .venv/bin/activate
pip install faster-whisper

# Backend umschalten
curl -X PATCH http://localhost:8765/api/config \
  -H "Content-Type: application/json" \
  -d '{"transcribe_backend": "local", "local_whisper_model": "small"}'

Verfuegbare Modellgroessen: tiny, base, small, medium. Groessere Modelle liefern bessere Ergebnisse, benoetigen aber mehr RAM und Rechenzeit. Das Modell wird beim ersten Aufruf heruntergeladen und im RAM gehalten.

Mit CUDA-faehiger GPU wird automatisch GPU-Beschleunigung verwendet.

• Python 3.12+, FastAPI, uvicorn
• evdev (globale Tastatur-Events)
• sounddevice + numpy + scipy (Audioaufnahme und Resampling)
• OpenAI API / faster-whisper (Transkription)
• pystray + tkinter (System-Tray GUI)
• WebSocket (Live-Transkription Streaming)
• systemd User-Services (Autostart)

MIT License — siehe LICENSE. Freie Nutzung und Kopieren erlaubt.

Issues-first Policy: Bitte zuerst ein Issue erstellen und das Problem oder Feature beschreiben, bevor ein Pull Request eingereicht wird.