🎙️Sprachnachrichten

Sprich, statt zu tippen - im Browser mit dem Mikrofon-Button und vom Handy aus mit Telegram-Sprachnachrichten. Claude kann kein Audio hören, deshalb wird deine Aufnahme zuerst auf deinem Server in Text umgewandelt; das Transkript ist das, was Claude liest.

Eine Engine wählen (Einstellungen -> Sprache)

Engine	Vorteile	Nachteile
Auf diesem Server (Whisper, `faster-whisper`)	privat (das Audio verlässt den Server nie), kostenlos, kein Schlüssel nötig	langsamer auf kleinen Servern, ~0,5-1 GB RAM während der Nutzung, ~150-500 MB Download
Groq (`whisper-large-v3-turbo`)	am schnellsten und genauesten, etwa 0,04 $ pro Stunde Audio	braucht einen `GROQ_API_KEY`, Audio wird an Groq gesendet
OpenAI (`gpt-4o-mini-transcribe`)	genau, etwa 0,18 $ pro Stunde Audio	braucht einen `OPENAI_API_KEY`, Audio wird an OpenAI gesendet
Aus	-	kein Mikrofon-Button; Telegram-Sprachnachrichten erhalten einen kurzen Hinweis

API-Schlüssel werden im Schlüssel-Tresor (Keys vault) gespeichert (du kannst sie direkt in Einstellungen -> Sprache einfügen).

Lokale Engine: Modelle und Geschwindigkeit

Wähle das Modell in Einstellungen -> Sprache und klicke dann auf Installieren / Herunterladen (läuft im Hintergrund mit Fortschrittsanzeige; du kannst die Seite verlassen). Ohne vorherigen Download lädt die erste Sprachnachricht das Modell herunter.

Modell	Download	Hinweise
tiny	~75 MB	sehr schnell, grob
base	~145 MB	Standard auf Servern mit weniger als 4 GB RAM - gut für Englisch, ok für andere Sprachen
small	~485 MB	Standard - sehr gut in Englisch und Französisch
medium	~1,5 GB	am besten, braucht 2+ GB freien RAM und Geduld auf kleinen CPUs

Größenordnung auf 2 vCPUs: Eine 1-Minuten-Nachricht dauert mit base ~15 s, mit small ~30-60 s (schneller mit mehr Kernen). Das Modell bleibt nach der letzten Nachricht 10 Minuten im Speicher und wird dann entladen. Es wird jeweils eine Nachricht transkribiert; die anderen warten, bis sie dran sind.

Sprache: Die automatische Erkennung funktioniert bei normalem Sprechen gut. Lege die Sprache fest (Einstellungen -> Sprache -> Sprache), wenn du immer dieselbe sprichst oder bei sehr kurzen oder verrauschten Nachrichten.

Im Browser

Der Mikrofon-Button sitzt in jeder Sitzung neben Senden.
Tippen zum Starten, ✓ tippen zum Beenden; oder gedrückt halten zum Sprechen und loslassen zum Beenden (Push-to-Talk). Zum Abbrechen beim Halten nach links wischen, Esc oder ✕ drücken.
Wenn du aufhörst, wird die Sprachnachricht sofort gesendet, wie bei Telegram: Sie erscheint in der Unterhaltung als eine Sprechblase: ein runder Mikrofon-Button (tippe darauf, um die Aufnahme anzuhören, noch einmal zum Pausieren) und daneben das Transkript, sobald der Server es erstellt hat; das Transkript geht dann an Claude. Du kannst in der Zwischenzeit weitersprechen oder tippen: Die nächsten Nachrichten warten, bis sie dran sind. Die Aufnahme wird im Topic gespeichert (attachments/YYYY-MM/voice-….webm).
Du möchtest den Text lieber vor dem Senden lesen? Schalte Einstellungen -> Sprache -> Sprachnachrichten sofort senden aus: Das Transkript wird dann an der Cursorposition eingefügt, damit du es korrigieren kannst, oder mit Automatisch senden als Text gesendet.
Wenn die Transkription fehlschlägt (oder nichts zu hören war), bleibt die Aufnahme in der Unterhaltung und es wird nichts an Claude gesendet; sende sie erneut oder tippe deine Nachricht.
Browser erlauben den Zugriff auf das Mikrofon nur auf HTTPS-Seiten (oder localhost). Mit einer Domain (Caddy) funktioniert es einfach; über reines http://<tailscale-ip> nicht - nutze einen HTTPS-Zugriffsmodus oder einen SSH-Tunnel zu localhost.
Funktioniert auf dem iPhone (Safari) und auf Android (Chrome). Erlaube das Mikrofon, wenn der Browser fragt; falls du es einmal abgelehnt hast, erlaube es erneut in den Website-Einstellungen (das Schloss-Symbol in der Adressleiste).
Aufnahmen sind auf 15 Minuten begrenzt.
Test aufnehmen in Einstellungen -> Sprache zeigt das Transkript, die erkannte Sprache und die benötigte Zeit.

In Telegram

Sende eine Sprachnachricht, eine Audiodatei oder eine runde Videonachricht in einem Sitzungs-Thread: 1. Der Bot antwortet mit 🎤 <transcript>, 2. das Transkript wird als deine Nachricht an die Sitzung des Topics gesendet (die Audiodatei wird angehängt und unter <topic>/attachments/voice/YYYY-MM/ gespeichert), 3. Claude antwortet wie gewohnt.

Wenn Sprachnachrichten ausgeschaltet sind, antwortet der Bot stattdessen mit einem kurzen Hinweis.

Im Terminal

maxxing voice status                 # engine, model, readiness
maxxing voice set --engine local --model small --language auto
maxxing voice download [model]       # pre-download a local model
maxxing voice transcribe note.ogg    # test a file

maxxing doctor zeigt den Sprachstatus an. So installierst du die lokale Engine von Hand: cd /opt/claude-maxxing/server && uv sync --extra voice (danach behält maxxing update sie bei).

Fehlerbehebung

Mikrofon-Button ausgegraut - Sprache ist aus oder nicht bereit: Öffne Einstellungen -> Sprache.
"Browsers only allow the microphone on HTTPS pages" - siehe oben.
"ffmpeg is missing" - apt-get install -y ffmpeg.
Falsche Sprache / Kauderwelsch - lege die Sprache fest oder nimm ein größeres Modell.
Langsam - nimm base oder wechsle zu Groq.