meeting-notes/README.md

# Meeting Audio Summarizer

Dieses Python-Programm transkribiert Audio-Dateien von Meetings mit Whisper (lokal) und erstellt automatisch eine Zusammenfassung mit einem LLM über eine OpenAI-kompatible API.

## Features

- 🎤 **Lokale Transkription** mit OpenAI Whisper (keine Cloud erforderlich)
- 🤖 **Flexible LLM-Integration** über OpenAI-kompatible APIs
- 📝 **Strukturierte Zusammenfassungen** mit Hauptthemen, Entscheidungen und Action Items
- 🔄 **Provider-unabhängig** - funktioniert mit OpenAI, Anthropic, Ollama, LM Studio, etc.
- 💾 **Automatisches Speichern** von Transkript und Zusammenfassung

## Installation

### Voraussetzungen

- Python 3.8 oder höher
- ffmpeg (für Audio-Verarbeitung)

#### ffmpeg Installation

**Ubuntu/Debian:**
```bash
sudo apt update
sudo apt install ffmpeg
```

**macOS:**
```bash
brew install ffmpeg
```

**Windows:**
Lade ffmpeg von https://ffmpeg.org/download.html herunter und füge es zum PATH hinzu.

### Python-Pakete installieren

```bash
pip install -r requirements.txt
```

Whisper benötigt beim ersten Start einige Zeit zum Herunterladen der Modelle.

## Konfiguration

### API-Key setzen

Setze deinen API-Key als Umgebungsvariable:

```bash
export OPENAI_API_KEY="dein-api-key"
```

Oder übergebe ihn direkt beim Aufruf mit `--api-key`.

### Alternative LLM-Provider

Das Programm funktioniert mit jedem OpenAI-kompatiblen Endpunkt:

#### Ollama (lokal)
```bash
python meeting_summarizer.py meeting.mp3 \
  --api-base http://localhost:11434/v1 \
  --api-key ollama \
  --model llama3.2
```

#### LM Studio (lokal)
```bash
python meeting_summarizer.py meeting.mp3 \
  --api-base http://localhost:1234/v1 \
  --api-key lm-studio \
  --model local-model
```

#### Anthropic Claude (via OpenAI-Kompatibilitätslayer)
```bash
python meeting_summarizer.py meeting.mp3 \
  --api-base https://api.anthropic.com/v1 \
  --api-key $ANTHROPIC_API_KEY \
  --model claude-3-5-sonnet-20241022
```

#### OpenRouter
```bash
python meeting_summarizer.py meeting.mp3 \
  --api-base https://openrouter.ai/api/v1 \
  --api-key $OPENROUTER_API_KEY \
  --model anthropic/claude-3.5-sonnet
```

## Verwendung

### Basis-Verwendung

```bash
python meeting_summarizer.py meeting.mp3
```

Dies erstellt:
- `meeting_transcript.txt` - Vollständiges Transkript
- `meeting_summary.txt` - Zusammenfassung

### Mit Optionen

```bash
python meeting_summarizer.py meeting.wav \
  --whisper-model medium \
  --model gpt-4 \
  --output-dir ./summaries \
  --api-base https://api.openai.com/v1
```

### Alle Optionen

```
Optionen:
  audio_file              Pfad zur Audio-Datei (mp3, wav, m4a, etc.)
  
  --whisper-model MODEL   Whisper-Modellgröße (default: base)
                         Optionen: tiny, base, small, medium, large
                         
  --api-base URL         Base URL für OpenAI-kompatible API
                         (default: https://api.openai.com/v1)
                         
  --api-key KEY          API-Key (nutzt OPENAI_API_KEY wenn nicht angegeben)
  
  --model MODEL          LLM-Modellname (default: gpt-4)
  
  --output-dir DIR       Ausgabeverzeichnis für Transkript und Zusammenfassung
                         (default: gleiches Verzeichnis wie Audio-Datei)
                         
  --no-transcript        Vollständiges Transkript nicht speichern
```

## Whisper-Modelle

Die Wahl des Whisper-Modells beeinflusst Geschwindigkeit und Genauigkeit:

| Modell | Parameter | Geschwindigkeit | Genauigkeit | Empfehlung |
|--------|-----------|-----------------|-------------|------------|
| tiny   | 39M       | Sehr schnell    | Niedrig     | Schnelle Tests |
| base   | 74M       | Schnell         | Gut         | **Standard** |
| small  | 244M      | Mittel          | Sehr gut    | Gute Balance |
| medium | 769M      | Langsam         | Ausgezeichnet | Hohe Qualität |
| large  | 1550M     | Sehr langsam    | Beste       | Produktionsumgebung |

**Empfehlung für Meetings:** `base` oder `small` für gute Balance zwischen Geschwindigkeit und Qualität.

## Unterstützte Audio-Formate

Alle Formate, die von ffmpeg unterstützt werden:
- MP3
- WAV
- M4A
- FLAC
- OGG
- WMA
- AAC

## Programmatische Verwendung

Du kannst das Programm auch als Modul verwenden:

```python
from meeting_summarizer import MeetingSummarizer

# Initialisiere den Summarizer
summarizer = MeetingSummarizer(
    whisper_model="base",
    api_base_url="http://localhost:11434/v1",
    api_key="ollama",
    model_name="llama3.2"
)

# Verarbeite ein Meeting
transcript, summary = summarizer.process_meeting(
    audio_path="meeting.mp3",
    output_dir="./output",
    save_transcript=True
)

print(summary)
```

## Performance-Tipps

### Für schnellere Transkription:
- Nutze kleinere Whisper-Modelle (`tiny` oder `base`)
- Nutze GPU-Beschleunigung (CUDA) falls verfügbar
- Whisper installiert automatisch die passende Version für deine Hardware

### Für bessere Qualität:
- Nutze größere Whisper-Modelle (`medium` oder `large`)
- Stelle sicher, dass die Audio-Qualität gut ist
- Bei mehrsprachigen Meetings: Entferne `language="de"` im Code für Auto-Detection

## Tipps für embedded Systems

Da du mit embedded Systems arbeitest, hier einige Hinweise für ressourcenbeschränkte Umgebungen:

- **Raspberry Pi:** Nutze `tiny` oder `base` Modell
- **Echtzeit-Verarbeitung:** Whisper ist nicht für Echtzeit optimiert, verarbeite Aufnahmen nachträglich
- **Speicher:** `base` benötigt ~140MB RAM, `large` ~3GB
- **Alternative:** Nutze Whisper.cpp für C++-Integration in embedded Systems

## Troubleshooting

### "No module named 'whisper'"
```bash
pip install openai-whisper
```

### "ffmpeg not found"
Installiere ffmpeg (siehe Installationsanleitung oben)

### "API key not provided"
Setze die Umgebungsvariable oder übergebe `--api-key`

### Langsame Transkription
Nutze ein kleineres Modell oder aktiviere GPU-Beschleunigung

## Lizenz

Frei verwendbar für private und kommerzielle Zwecke.

## Hinweise

- Whisper läuft komplett lokal - keine Audio-Daten werden gesendet
- Nur der transkribierte Text wird an das LLM gesendet
- Achte auf Datenschutz bei sensiblen Meeting-Inhalten
- Die Qualität der Zusammenfassung hängt vom gewählten LLM ab