Kansho/docs/architecture/technical/voice_and_media.md

title	version	status	date	product_family	document_role	parent_document
Kanshō – Sprache und Medien	0.1	Arbeitsstand	2026-08-19	Jinkendo	Technical Chapter / Voice / Transcription / Media	technische_zielarchitektur.md

Kanshō – Sprache und Medien

Kanonisches Home für Spracheingabe und Transkription. Fachlich erforderlich, Ausprägung offen (produktvision_und_produktidentitaet.md §19.5). Interview G3 ist nicht abgeschlossen.

1. Anforderung

Auf dem Smartphone darf Reflexion nicht zwingend Tippen erfordern. Transkription ist eine zentrale technische Funktion.

Sie ist kein Freibrief für Cloud-Speech ohne Policy.

2. Egress-Klasse

Transkriptionsdienste sind eine eigene Trust- und Policy-Zone (guardrails.md §13). Ein ZDR-LLM-Endpoint legalisiert nicht denselben Audiostream oder denselben Klartext an einen Speech-Provider.

Klasse-A-Identität und unnötige Quasi-Identifikatoren gelten auch für Metadaten von Audio (Dateiname, GPS, Geräte-ID).

3. Offene Ausprägung

Nicht entschieden, daher kein Implementierungszwang in v0.1:

• Live vs. nachträgliche Transkription
• lokal vs. serverseitig vs. externer Speech-Dienst
• Bearbeitung vor Übernahme in den Dialog
• Sprecher-/Pausenlogik
• lange Aufnahmen
• Audio löschen nach Transkript vs. als Medium behalten
• Push-to-talk vs. Daueraufnahme
• Offline-Transkription

4. Leitplanken für jede spätere Wahl

• Das Transkript wird zur Originalrepräsentation des Dialogs oder zu einer klar gekennzeichneten Ableitung; die Regel muss dokumentiert werden, bevor Re-Grounding darauf aufsetzt.
• Nutzerkorrektur vor Persistenz als bevorzugte Richtung (fachlich offen, technisch vorbereiten).
• Fail Closed: kein unsicherer Cloud-Speech-Fallback.
• Journal- und Writing-Profile laufen auf Text nach Korrektur, nicht auf Roh-ASR-Fehlern als „persönlicher Stil“.

4.1 Journal-Medien (nicht Voice)

Spracheingabe bleibt offen. Davon getrennt: im Journal-Editor eingebettete Bilder und Videos sind lokale Dateien (media_assets), Auslieferung nur an die Session, kein Provider-Egress. EXIF bei JPEG/PNG wird gestrippt. Video-Container-Metadaten (einschließlich GPS) werden derzeit nicht entfernt.

Das ist keine Videoverwaltung und kein Ersatz für Transkription.

5. Entscheidungsstand

Thema	Stand	Status
Transkription erforderlich	ja	entschieden (fachlich)
Eigener Egress-Typ	ja	entschieden (fachlich)
Verfahren, Vendor, Speicherdauer Audio	–	offen

6. Offene Fragen

Siehe Interview G3. Zusätzlich: Wie verhält sich Voice zum Working Context, während ein Thread-Wechsel erkannt wird?

7. Querverweise

• privacy_gateway.md, frontend_pwa_shell.md, memory_storage_and_offline.md
• Fachlich: ../functional/produktvision_und_produktidentitaet.md §19.5