S4: Untertitel aus der Mikrofonspur, plus vorgegebenes OBS-Layout

whisper.cpp laeuft ueber die Tonspur und liefert Tokens; daraus werden
Woerter mit Zeitstempeln (Wortstuecke wie "Sav"+"ina" wieder zusammengesetzt)
und daraus kurze Zeilen im ASS-Format mit wortweiser Hervorhebung. SRT und
Transkript fallen nebenbei ab.

An einem echten deutschen Clip geprueft. Drei Fehler kamen erst dabei heraus:
Zeilen mit einem einzigen Wort bei zoegerndem Sprechen, ein Nachlauf, der in
die naechste Zeile ragte (ASS stapelt gleichzeitige Zeilen uebereinander),
und ein Uebertragsfehler im Zeitformat bei 59,999 s.

Layout wird jetzt VORGEGEBEN statt nachgemessen: ein Vergleich zweier
Aufnahmen zeigte, dass die Facecam von Stream zu Stream anders liegt. Das
Profil "default" beschreibt die Vorgabe (Facecam 480x270 oben links, Chat ab
x=1405, Gameplay-Band 890 breit mittig auf x=960), "bestand-2026-09" haelt
den alten Zustand fuer altes Material fest. Dazu eine Ausrichtungsvorlage als
Bild, die in OBS ueber die Szene gelegt wird, und docs/obs-layout.md.

Befund am echten Clip: im Streambild sind bereits zwei Textebenen eingebrannt
(Spieluntertitel und ein Live-Caption-Overlay). Beides ist im Layout-Dokument
behandelt.

53 Tests gruen.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_013VTGjd92LsDDWF3frd9FTB

docker/entrypoint.ts

@@ -9,7 +9,9 @@ import path from 'node:path';
 import { pipeline } from 'node:stream/promises';
 import { loadLayout, paths, type Rect } from '#core/config.ts';
 import { probe, run as runMedia } from '#media/ffmpeg.ts';
-import { thumbnailArgs, verticalArgs, verticalFilter } from '#media/vertical.ts';
+import { micTrackArgs, thumbnailArgs, verticalArgs, verticalFilter } from '#media/vertical.ts';
+import { transcribe } from '#media/whisper.ts';
+import { buildAss, buildSrt, toLines } from '#media/subtitles.ts';
 import { loadConfig } from '#core/config.ts';
 import { openDb } from '#db/index.ts';
 import { secretStatus } from '#twitch/secrets.ts';
@@ -320,11 +322,12 @@ async function renderOne(input?: string, profileName = 'default'): Promise<void>
   const track = cfg.clipper.audio.outputTrack < info.audio.length
     ? cfg.clipper.audio.outputTrack : 0;
 
+  const tail = Math.min(cfg.clipper.tailSeconds, Math.max(1, Math.floor(info.durationSeconds)));
   const started = Date.now();
   let lastShown = 0;
   await runMedia('ffmpeg', verticalArgs({
     input, output: vertical, profile: prof,
-    tailSeconds: Math.min(cfg.clipper.tailSeconds, Math.max(1, Math.floor(info.durationSeconds))),
+    tailSeconds: tail,
     audioTrack: track,
     encoder: cfg.clipper.ffmpeg.encoder,
     preset: cfg.clipper.ffmpeg.preset,
@@ -336,9 +339,51 @@ async function renderOne(input?: string, profileName = 'default'): Promise<void>
   });
   await runMedia('ffmpeg', thumbnailArgs(vertical, path.join(outDir, 'thumb.jpg')));
 
-  const out = await probe(vertical);
-  console.log(`
-Fertig: ${vertical}`);
+  // ---- Untertitel (S4)
+  const model = path.join(paths.models, cfg.clipper.whisper.model);
+  let finalFile = vertical;
+  if (await fs.stat(model).then(() => true, () => false)) {
+    const micTrack = cfg.clipper.audio.transcribeTrack < info.audio.length
+      ? cfg.clipper.audio.transcribeTrack : 0;
+    if (micTrack !== cfg.clipper.audio.transcribeTrack) {
+      console.log(`  Hinweis: Tonspur ${cfg.clipper.audio.transcribeTrack} (Mikrofon) gibt es ` +
+        `nicht - transkribiere Spur ${micTrack}. Bei Twitch-Clips ist das normal, ` +
+        'die enthalten nur die Mischung.');
+    }
+    const wav = path.join(outDir, 'mic.wav');
+    await runMedia('ffmpeg', micTrackArgs(input, wav, micTrack, tail));
+
+    console.log('  Transkribiere ...');
+    const words = await transcribe(wav, {
+      binary: process.env['WHISPER_BIN'] ?? 'whisper-cli',
+      model,
+      language: cfg.clipper.whisper.language,
+      threads: cfg.clipper.whisper.threads,
+    });
+    const lines = toLines(words);
+    const ass = path.join(outDir, 'subs.ass');
+    await fs.writeFile(ass, buildAss(lines, { width: 1080, height: 1920 }));
+    await fs.writeFile(path.join(outDir, 'subs.srt'), buildSrt(lines));
+    await fs.writeFile(path.join(outDir, 'transcript.txt'),
+      lines.map((l) => l.words.map((w) => w.text).join(' ')).join('\n'));
+
+    finalFile = path.join(outDir, 'final.mp4');
+    await runMedia('ffmpeg', [
+      '-y', '-hide_banner', '-loglevel', 'error', '-i', vertical,
+      '-vf', `ass=${ass}`, '-c:a', 'copy',
+      '-c:v', cfg.clipper.ffmpeg.encoder, '-preset', cfg.clipper.ffmpeg.preset,
+      '-crf', String(cfg.clipper.ffmpeg.crf), '-pix_fmt', 'yuv420p',
+      '-movflags', '+faststart', finalFile,
+    ], { niceness: cfg.clipper.ffmpeg.niceness });
+    console.log(`  ${words.length} Woerter, ${lines.length} Zeilen`);
+  } else {
+    console.log(`  Kein Sprachmodell unter ${model} - ohne Untertitel. ` +
+      'Holen mit: fetch-model');
+  }
+
+  const out = await probe(finalFile);
+  if (process.stdout.isTTY) process.stdout.write('\r');
+  console.log(`\nFertig: ${finalFile}`);
   console.log(`  ${out.width}x${out.height}, ${out.durationSeconds.toFixed(1)} s, ` +
     `Rechenzeit ${((Date.now() - started) / 1000).toFixed(1)} s`);
 }