talk

Status: WIP — aktive Entwicklung (talk 2.0). Binde Spezifikation: .scratch/talk-2-0/spec.md · Implementierungsplan: .scratch/talk-2-0/plan.md

talk macht Skripte und KI-Agenten hörbar: Ein Aufruf — talk "Build fertig" — spricht eine kurze Nachricht über eine TTS-Provider-Kette (ElevenLabs → OpenAI → Edge-TTS → OS-Stimme), serialisiert durch den Daemon talkd. Cross-platform (Windows/macOS/Linux, amd64/arm64), statische Binaries, keine Runtime-Abhängigkeiten.

Befehle

Befehl	Zweck
talk "Text"	Ansage — Abkürzung für talk say, non-blocking
talk say "Text"	Ansage (Text als Argument oder von stdin)
talk wrap -- <Befehl>	Befehl ausführen, Erfolg/Misserfolg + Dauer ansagen
talk mute / talk unmute	Ansagen dauerhaft stummschalten / Stummschaltung aufheben
talk status	Daemon-Status (Queue, Mute, Provider, Version)
talk cancel	laufende und geplante Ansagen abbrechen
talk voices	verfügbare Stimmen anzeigen
talk test	Test-Ansage ausgeben
talk doctor	Selbstdiagnose des Setups
talk setup	geführte Ersteinrichtung (Wizard)

Say-Flags (gelten auch für talk "Text"): --wait, --now, --priority, --voice, --lang, --provider.

Hinweis: In diesem Stand sind implementiert: say (und talk "Text") mit der kompletten Provider-Kette und Daemon-Anbindung (non-blocking über talkd, siehe unten), mute, unmute, status, cancel. Die übrigen Befehle sind Stubs und melden not implemented yet (Exit-Code ≠ 0).

Daemon talkd (Task 04 + 05)

talkd besitzt die Ansage-Queue und spricht seriell ab — genau eine Ansage gleichzeitig, Reihenfolge now > high > normal > low (FIFO je Level). Der HTTP-Server lauscht nur auf 127.0.0.1; Port: Default 7800, config [server] port, Env TALK_PORT (schlagen den Default).

Endpunkt	Wirkung
POST /speak	{text, priority?, provider?, voice?, lang?, now?} → 202 {"id":"…"}; bei Mute: 202 {"id":"","muted":true}; bei Gesetz-Verwurf: 202 {"id":"","discarded":"rate_limit"|"quiet_hours"} (+ "toast":true im Toast-Modus) — verworfen, dokumentiertes Verhalten
GET /status	{"version", "queue", "queue_ids", "current", "muted", "provider", "rate_limit": {"interval", "allow_high_burst", "next_slot"}, "quiet_hours": {"window", "active", "mode", "until"}}
POST /cancel	bricht die laufende Ansage ab + leert die Queue → 200 {"cancelled":n}
POST /mute / POST /unmute	persistenter Mute-State → 200 {"muted":bool}

• CLI-Verhalten: talk say (und talk "Text") erkennt den Daemon via GET /status. Läuft er: enqueue + sofortige Rückkehr (non-blocking, stdout erhält die Item-ID); --wait pollt bis zur Fertigstellung; --now springt vor die Warteschlange; bei Mute sagt die CLI muted, bei Gesetz-Verwurf discarded: <grund>. talk mute/unmute/status/ cancel sind Daemon-Aufrufe mit plain Output.
• Mute ist persistent (Datei mute im Config-Dir, Inhalt true/ false) und überlebt Daemon-Restarts. talk mute ohne laufenden Daemon schreibt die Datei direkt — der Daemon liest sie bei jeder Ansage neu, der Zustand greift also auch offline.
• Degraded Mode: Antwortet kein Daemon, spielt talk lokal und sequenziell weiter — serialisiert über die Lock-Datei talk.lock im Config-Dir (Kollision = warten; verwaisste Locks gelten nach 60 s als verfallen). Mute wird auch hier respektiert. Nichts bricht still.

Rate-Limit + Ruhezeiten (Task 05)

Der Daemon erzwingt das Anti-Spam-Gesetz als Backstop unter allem Prompt-Verhalten. Rate-Limit: Jede gestartete Ansage bucht ein Zeitfenster — Default 1 Ansage / 30 s. Bis zum Fenster-Ablauf gilt:

• priority=low wird verworfen (schon beim Eintritt, die 202-Antwort nennt discarded: "rate_limit"); war das Fenster beim Eintritt noch frei, entscheidet der Worker später.
• normal parkt in der Queue und spielt zum freien Slot (in /status als rate_limit.next_slot sichtbar).
• priority=high darf mit queue.allow_high_burst = true (Default) bewusst verstoßen; ohne Burst-Recht wartet high wie normal.
• now:true umgeht auch das Rate-Limit — der dokumentierte Ausbruch für Dringendes (startet trotzdem ein neues Fenster).

Ruhezeiten: quiet_hours = "18:00-08:00" (lokale Zeit, überspannt Mitternacht; leer/off = aus — bewusst kein Default-Fenster, Ruhezeiten sind Opt-in wie Mute). In der Ruhezeit verfällt Audio, auch für high (Burst ist ein Rate-Recht, kein Ruhe-Recht):

• quiet_mode = "discard" (Default): still verwerfen.
• quiet_mode = "toast": Benachrichtigung statt Audio — derzeit eine Protokoll-Zeile über den Notification-Pfad (OS-Toast folgt mit der Notification-Anbindung).
• now:true bricht auch die Ruhezeit (bewusster Ausbruch).

Rangordnung: manuelles Mute gewinnt immer > now > Ruhezeit > Rate-Limit. Konfiguration (config.toml, Env schlägt Datei):

[queue]
rate_limit = "30s"        # Dauer; "0s" = unbegrenzt (TALK_RATE_LIMIT)
allow_high_burst = true   # high darf verstoßen (TALK_ALLOW_HIGH_BURST)

quiet_hours = "18:00-08:00"  # leer = aus; Env TALK_QUIET_HOURS ("off" = aus)
quiet_mode = "discard"       # discard | toast (TALK_QUIET_MODE)

talk status zeigt den Gesetz-State: rate-limit: 30s (high-burst erlaubt), nächster slot … und ruhezeit: 18:00-08:00 (modus discard, aktiv bis 08:00).

Provider-Kette (Task 03)

Ohne Pin läuft die Vier-Stufen-Fallback-Kette ElevenLabs → OpenAI TTS → Edge-TTS → OS built-in: Bei fehlendem Key, HTTP-Fehler, Timeout oder Netz-Problem fällt die Kette automatisch auf die nächste Stufe; jeder Fallback wird auf stderr protokolliert (nie still). Pinnen per --provider=<name> oder provider = "<name>" in der config.toml.

Stufe	Key (Env)	Default-Endpunkt	Audio
elevenlabs	TALK_ELEVENLABS_KEY	https://api.elevenlabs.io	mp3
openai	TALK_OPENAI_KEY	https://api.openai.com	mp3
edge	— (kostenlos)	wss://speech.platform.bing.com/...	mp3
osbuiltin	—	lokale OS-TTS	WAV/PCM

Keys laufen ausschließlich über Env-Variablen (nie in die config.toml). Endpunkte sind konfigurierbar — Datei [providers.<name>] endpoint = "…" bzw. Env TALK_ELEVENLABS_ENDPOINT / TALK_OPENAI_ENDPOINT / TALK_EDGE_ENDPOINT (Env schlägt Datei; so zeigen Tests/CI die Kette auf Fake-Server). Das OpenAI-Modell ist konfigurierbar ([providers.openai] model, Default tts-1).

Stimmen: neutralen Repo-Defaults je Provider+Sprache (ElevenLabs „Rachel", OpenAI „alloy", Edge de-DE-KatjaNeural/en-US-AriaNeural) kann man pro Sprache überordnen — config.toml:

[voice.elevenlabs]
de = "21m00Tcm4TlvDq8ikWAM"   # eigene Stimme je Sprache
en = "21m00Tcm4TlvDq8ikWAM"

[voice.edge]
de = "de-DE-KatjaNeural"

Rangfolge: --voice-Flag > voice.<provider>.<lang> > Repo-Default. MP3 wird von der Binärdatei selbst dekodiert (reiner Go-Dekoder, kein ffmpeg, CGO-frei).

OS-TTS auf Linux (Dev-Abhängigkeit espeak)

Der OS-Provider osbuiltin nutzt auf Linux zwei Wege:

• Audio-Bytes (Wiedergabe über den eingebauten oto-Sink): benötigt espeak (oder espeak-ng). Auf NixOS als Dev-Abhängigkeit: nix shell nixpkgs#espeak-ng.
• Direktansage ohne espeak: spd-say (speech-dispatcher) — spielt selbst über den Daemon ab, kann aber nach spd-say --help keine Bytes in Dateien/Pipes liefern. talk nutzt diesen Weg automatisch, wenn kein espeak vorhanden ist.

TALK_AUDIO_SINK=null (oder audio.sink = "null" in der config.toml) schaltet jede Tongabe ab — für CI und Server.

Entwicklung

go build ./...   # bauen
go test ./...    # Tests
go vet ./...     # statische Analyse
gofmt -l .       # Formatierung prüfen (leerer Output = ok)

CI: .gitea/workflows/test.yml (Gitea Actions) läuft vet, gofmt-Check, Tests und Build bei jedem Push und Pull Request.

Lizenz

MIT — siehe LICENSE.