From 2e2490c1bc2db5c5bc2f2305428d479798ffe276 Mon Sep 17 00:00:00 2001
From: Alexander Gabriel <alexander.gabriel@digital-infinity.de>
Date: Thu, 15 Oct 2026 23:36:18 +0200
Subject: [PATCH] audio-processing, laravel-support, skript, readme

---
 .env.example           |   5 +
 PLAN-multimodal.md     | 227 +++++++++++++++++++++++++++++++++++++++++
 README.md              |  34 +++++-
 docker-compose.yml     |  14 ++-
 docs/laravel.md        | 164 +++++++++++++++++++++++++++++
 llama-swap/Dockerfile  |  29 ++++++
 llama-swap/config.yaml |  39 +++++++
 scripts/start.sh       |  34 ++++--
 8 files changed, 527 insertions(+), 19 deletions(-)
 create mode 100644 PLAN-multimodal.md
 create mode 100644 docs/laravel.md
 create mode 100644 llama-swap/Dockerfile

diff --git a/.env.example b/.env.example
index 0ab43bc..fbaeb39 100644
--- a/.env.example
+++ b/.env.example
@@ -21,10 +21,15 @@ VIDEO_GID=983
 
 # GPU-Auswahl (0 = erste ROCm-GPU; iGPU ausblenden)
 HIP_VISIBLE_DEVICES=0
+# GPU-Auswahl für Vulkan (sd-server). Vulkan zählt die iGPU mit – Reihenfolge steht
+# beim Laden eines Bildmodells im Log:  docker compose logs llama-swap | grep ggml_vulkan
+VK_VISIBLE_DEVICES=1
 
 # Optional: Hugging-Face-Token für gated Modelle / höhere Download-Limits
 HF_TOKEN=
 
 # Image-Versionen (gepinnt)
 LLAMA_SWAP_TAG=v265-rocm-b11610
+# Quelle für whisper-server/sd-server (gleiche llama-swap-Version wie oben wählen)
+UNIFIED_TAG=unified-vulkan-265
 CADDY_TAG=2.10.2-alpine
diff --git a/PLAN-multimodal.md b/PLAN-multimodal.md
new file mode 100644
index 0000000..546dc05
--- /dev/null
+++ b/PLAN-multimodal.md
@@ -0,0 +1,227 @@
+# Plan: Transkription + Bildgenerierung, Anbindung an Laravel (laravel/ai)
+
+> **Stand der Umsetzung (2026-10-15) – Server fertig, Laravel-Teil dokumentiert:**
+> - **Weder A noch B, sondern Variante C:** Vulkan schafft nur 54 % der ROCm-Prompt-Verarbeitung (Messwerte unten). Deshalb baut [`llama-swap/Dockerfile`](llama-swap/Dockerfile) auf dem ROCm-Image auf und kopiert `whisper-server` + `sd-server` aus `unified-vulkan-265` dazu. LLMs laufen weiter auf ROCm, Whisper und Bilder über Vulkan, und alles verwaltet ein llama-swap.
+> - Vulkan-Gerät 0 ist die **iGPU**. Die RX 6950 XT ist Gerät 1 → `VK_VISIBLE_DEVICES=1`.
+> - **Whisper läuft auf der GPU statt der CPU:** 0,46 s statt 3,3 s (CPU, 12 Threads, `-l de`) bzw. 9,3 s (CPU, 8 Threads, `-l auto`) für 6,6 s Sprache. Es braucht ~1,2 GB VRAM und kostet die Chat-Geschwindigkeit nachweislich nichts (852 t/s mit und ohne).
+> - ffmpeg ist im ROCm-Image schon enthalten, `--convert` funktioniert: WAV, WebM/Opus und M4A/AAC werden fehlerfrei transkribiert.
+> - Bilder: Z-Image-Turbo Q8, VAE von `Comfy-Org/z_image_turbo` (nicht gated). Die Dauer hängt an der GPU-Rechenleistung (~4 s/Schritt bei 1024²). `--offload-to-cpu` / `--backend te=cpu` ändern daran nichts, `--offload-to-cpu` bleibt (spart VRAM).
+> - OpenAI-Format getestet: Alias `gpt-image-1`, `size: 1536x1024`, `quality` (wird ignoriert), ohne `response_format` → `b64_json`.
+> - `scripts/start.sh`: baut das Image, lädt Whisper vor, `--pull` aktualisiert die Basis-Images und baut neu.
+> - Phase 5 (Laravel) ist als Anleitung in [`docs/laravel.md`](docs/laravel.md) umgesetzt. In einer echten Laravel-App ist sie **noch nicht getestet** (offen: wo die App läuft).
+> - Nebenbefund, älter als dieser Plan: Der Startup-Preload von llama-swap meldet für `qwen2.5-coder-1.5b`/`nomic-embed` „status 404“ (llama-server ohne Web-UI antwortet auf `/` mit 404). Die Modelle laden trotzdem.
+
+## Context
+Eine Laravel-Anwendung soll über das **Laravel AI SDK** (`laravel/ai`) diesen Server nutzen:
+1. **Agent** (Chat, Tools, Streaming, Embeddings). Das geht schon heute ohne Server-Änderung.
+2. **Spracheingabe**: Aufnahmetaste im Browser → Transkription (Whisper) → Text als Prompt an den Agenten.
+3. **Bildgenerierung**, auch als Tool des Agenten.
+
+Was das SDK laut Doku (https://laravel.com/docs/ai-sdk) kann:
+
+| Funktion | Treiber `openai-compatible` | Bemerkung |
+|---|---|---|
+| Text, Streaming, Tools, Structured Output | ✅ | |
+| Embeddings | ✅ | Standardmodell in der Config nötig |
+| Transkription (STT) | ✅ | Standardmodell in der Config nötig, keine Sprecher-Trennung (Diarization) |
+| Bilder | ❌ | Umweg: Treiber `openai` mit eigener `url` oder ein eigener HTTP-Aufruf |
+| TTS | ❌ | nicht Teil dieses Plans |
+
+## Kernproblem: Image-Wahl (ROCm vs. Vulkan)
+Das aktuelle Image `llama-swap:vXXX-rocm-bYYYY` enthält **nur llama-server**.
+`whisper-server` und `sd-server` gibt es nur im **unified**-Image, und das für AMD nur als
+**`unified-vulkan`** (versionierte Tags: `unified-vulkan-NNN`). Ein ROCm-unified-Image gibt es nicht.
+
+| | A: alles auf `unified-vulkan` (**bevorzugt**) | B: ROCm bleibt, Whisper separat |
+|---|---|---|
+| Container | 1 × llama-swap | llama-swap (ROCm) + whisper-Container (CPU) |
+| VRAM-Koordination Chat ↔ Bildmodell | llama-swap übernimmt das (Gruppe `chat`) | keine. Bildmodell und Chat-Modell würden sich um VRAM streiten, **Bilder fallen in B weg** |
+| Routing | alles über llama-swap | Caddy leitet `/v1/audio/*` am llama-swap vorbei |
+| Risiko | Vulkan ist evtl. langsamer als ROCm, deshalb Benchmark | mehr Teile, keine Bilder |
+
+**Entscheidung über Benchmark (Phase 1):** Kommt Vulkan bei Token-Generierung **und** Prompt-Verarbeitung
+auf ≥ ~85 % von ROCm, dann Variante A. Sonst Variante B, und die Bilder bleiben vorerst weg.
+
+---
+
+## Phase 1: Benchmark Vulkan vs. ROCm (~1 h)
+1. Den Tag ermitteln: https://github.com/mostlygeek/llama-swap/pkgs/container/llama-swap → neuestes `unified-vulkan-NNN`.
+2. Messen, während der laufende Stack aus ist (`docker compose stop`), mit denselben Modelldateien aus `./models`:
+   ```bash
+   docker run --rm --device /dev/dri --group-add 987 --group-add 983 \
+     -e GGML_VK_VISIBLE_DEVICES=0 -v ./models:/models \
+     --entrypoint llama-bench ghcr.io/mostlygeek/llama-swap:unified-vulkan-NNN \
+     -m /models/<Pfad zur Qwen3.5-35B-A3B-Q4_K_M.gguf> -p 2048 -n 128 -fa 1
+   ```
+   Dasselbe mit dem ROCm-Image (`/dev/kfd` dazu, `HIP_VISIBLE_DEVICES=0`). Den GGUF-Pfad unter
+   `models/models--unsloth--Qwen3.5-35B-A3B-GGUF/snapshots/*/` suchen.
+   - Ob `llama-bench` in beiden Images vorhanden ist, prüfen. Falls nicht: `llama-server` starten und die t/s aus dem Log einer Test-Anfrage nehmen.
+   - Wichtig: Für den 35B-MoE muss die Auslagerung in den RAM gleich sein. Notfalls mit `--n-cpu-moe` vergleichbar festlegen.
+3. `GGML_VK_VISIBLE_DEVICES=0`: Der 7900X3D hat eine iGPU, die Vulkan sonst als zweites Gerät sieht.
+   Mit `vulkaninfo --summary` bzw. dem Startlog prüfen, dass Gerät 0 die RX 6950 XT ist.
+4. Die Ergebnisse unten unter „Messwerte“ eintragen und A oder B entscheiden.
+
+## Phase 2 (A): Stack auf `unified-vulkan` umstellen
+- `.env` / `.env.example`: `LLAMA_SWAP_TAG=unified-vulkan-NNN`. Den alten ROCm-Tag als Kommentar behalten (Rollback).
+- `docker-compose.yml` (llama-swap):
+  - `devices`: nur noch `/dev/dri` nötig (`/dev/kfd` schadet nicht, kann aber weg).
+  - `environment`: `GGML_VK_VISIBLE_DEVICES: "${VK_VISIBLE_DEVICES:-0}"` statt bzw. zusätzlich zu `HIP_VISIBLE_DEVICES`.
+  - Prüfen, ob das Image mit `user: 1000:1000` läuft. Es gibt auch `-rootless`-Varianten.
+  - Prüfen, ob Binärpfade (`/app/llama-server` vs. `llama-server` im PATH) zum `server`-Makro passen.
+- `llama-swap/config.yaml`: Bestehende Modelle unverändert lassen. Prüfen, ob `--fit` / `--fit-target` unter Vulkan genauso greift (VRAM mit `rocm-smi` beobachten).
+- Gegenprobe: opencode + Continue (Chat, Autocomplete, `@codebase`) funktionieren wie vorher.
+- README: Tabelle „Auf einen anderen PC übertragen“ anpassen (unified-vulkan ist jetzt Standard).
+
+## Phase 3: Whisper (Transkription)
+1. Modell herunterladen (whisper-server kann kein `-hf`):
+   ```bash
+   mkdir -p models/whisper
+   curl -L -o models/whisper/ggml-large-v3-turbo-q8_0.bin \
+     https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-large-v3-turbo-q8_0.bin
+   ```
+2. Eintrag in `llama-swap/config.yaml`, **auf der CPU** und in `always-on`, damit er nie das Chat-Modell verdrängt:
+   ```yaml
+   whisper:
+     name: Whisper large-v3-turbo (CPU)
+     checkEndpoint: /            # prüfen: hat whisper-server /health?
+     cmd: >-
+       whisper-server --host 127.0.0.1 --port ${PORT}
+       -m /models/whisper/ggml-large-v3-turbo-q8_0.bin
+       --inference-path /v1/audio/transcriptions
+       --convert --tmp-dir /tmp
+       -ng -t 8 -l auto
+     ttl: 0
+   ```
+   - Die Flags mit `docker compose exec llama-swap whisper-server --help` prüfen: `--inference-path`, `--convert` (braucht **ffmpeg** im Image, mit `which ffmpeg` prüfen), `-ng`/`--no-gpu`, `--tmp-dir`.
+   - Ohne ffmpeg: `--convert` weglassen, dann wandelt Laravel vorher in 16-kHz-Mono-WAV um (siehe Phase 5).
+   - `whisper` zu `routing…groups.always-on.members` und zu `hooks.on_startup.preload` hinzufügen.
+3. `scripts/start.sh`: Beim Preload einen Whisper-Request schicken. Dafür eine kurze Test-WAV unter `scripts/` ablegen, z. B. 1 s Stille mit `ffmpeg -f lavfi -i anullsrc=r=16000:cl=mono -t 1 scripts/silence.wav`.
+4. Test:
+   ```bash
+   curl -H "Authorization: Bearer $KEY" http://127.0.0.1:8800/v1/audio/transcriptions \
+     -F model=whisper -F file=@test.webm -F response_format=json
+   ```
+   Mit einer echten deutschen Sprachaufnahme testen und die Dauer bei ~10 s Audio notieren (Ziel < 3 s).
+5. Caddy: keine Änderung nötig. Es gibt standardmäßig kein Upload-Limit, und der `read_timeout` von 30 min reicht.
+
+## Phase 4: Bildgenerierung (nur Variante A)
+1. Modell: **Z-Image-Turbo** (Vorlage aus `docker/config.example.yaml` von llama-swap, 8 Steps, schnell).
+   Benötigt drei Dateien in `models/sd/`: `z_image_turbo-Q8_0.gguf`, `ae.safetensors` (VAE), `qwen3-4b-instruct-2507-q8_0.gguf` (Text-Encoder).
+   Die Hugging-Face-Quellen beim Umsetzen heraussuchen. Alternative: FLUX.1-schnell (GGUF).
+2. Eintrag in der **`chat`-Gruppe**, damit llama-swap das Chat-Modell entlädt, solange ein Bild generiert wird:
+   ```yaml
+   z-image:
+     name: Z-Image Turbo (Bilder)
+     checkEndpoint: /
+     cmd: |
+       sd-server --listen-ip 127.0.0.1 --listen-port ${PORT}
+       --diffusion-fa
+       --diffusion-model /models/sd/z_image_turbo-Q8_0.gguf
+       --vae /models/sd/ae.safetensors
+       --llm /models/sd/qwen3-4b-instruct-2507-q8_0.gguf
+       --offload-to-cpu --cfg-scale 1.0 --steps 8
+       --height 1024 --width 1024
+     aliases: [gpt-image-1, dall-e-3]
+     ttl: 600
+   ```
+   - Die Flags mit `sd-server --help` prüfen, besonders den Namen von `--listen-ip`.
+   - Die `aliases` sind wichtig: Der OpenAI-Treiber von Laravel schickt seinen eigenen Modellnamen.
+3. Test: `curl …/v1/images/generations -d '{"model":"z-image","prompt":"a red bicycle","response_format":"b64_json"}'`.
+   Dabei messen: Dauer inkl. Modellwechsel, VRAM-Spitze, ob Autocomplete (Continue) weiterläuft.
+4. **Hinweis für den Alltag:** Jede Bildgenerierung wirft das Chat-Modell raus (Neuladen dauert einige zehn Sekunden).
+   Für einen Agenten, der Bilder als Tool erzeugt, heißt das: Chat → Bild → Chat bedeutet zwei Modellwechsel.
+
+## Phase 5: Laravel-Anwendung
+### 5.1 Config (`config/ai.php` + `.env`)
+```php
+'providers' => [
+    // Text, Agent, Embeddings, Transkription
+    'local' => [
+        'driver' => 'openai-compatible',
+        'url'    => env('LOCAL_AI_URL'),        // http://<server>:8800/v1
+        'key'    => env('LOCAL_AI_API_KEY'),
+        'models' => [
+            'text'          => ['default' => 'qwen3.5-35b-a3b'],
+            'embeddings'    => ['default' => 'nomic-embed', 'dimensions' => 768],
+            'transcription' => ['default' => 'whisper'],
+        ],
+    ],
+    // nur für Bilder: OpenAI-Treiber auf den eigenen Server umgebogen
+    'local-images' => [
+        'driver' => 'openai',
+        'key'    => env('LOCAL_AI_API_KEY'),
+        'url'    => env('LOCAL_AI_URL'),
+    ],
+],
+```
+- Den Env-Namen für die URL-Überschreibung je nach SDK-Version prüfen (Doku 13.x: `url`/`OPENAI_URL`, 12.x: `OPENAI_BASE_URL`).
+- Den Schlüssel prüfen, mit dem `local` zum Standard-Provider für Transkription wird (`Transcription` hat in der Doku keinen `provider:`-Parameter).
+- Netz: Der Laravel-Server muss in `ALLOWED_NETS` liegen, im LAN oder als NetBird-Peer.
+- Timeouts großzügig setzen (`timeout: 300` beim Prompt), Agent-Läufe mit Tools als Queue-Job.
+
+### 5.2 Agent
+- `php artisan make:agent Assistant`: Anweisungen, Tools.
+- Smoke-Test: `(new Assistant)->prompt('Hallo', provider: 'local')`, danach ein Tool-Call-Test.
+
+### 5.3 Spracheingabe (Aufnahmetaste)
+- **Frontend:** `getUserMedia` + `MediaRecorder` (gedrückt halten = aufnehmen). Bevorzugt `audio/webm;codecs=opus`, Safari liefert `audio/mp4`.
+  Den Blob per `FormData` an `POST /voice` schicken, die Antwort als Stream lesen.
+- **HTTPS ist Pflicht.** Das Mikrofon geht nur in einem sicheren Kontext. Die Laravel-App braucht deshalb HTTPS, lokal geht auch `localhost`.
+- **Backend:**
+  ```php
+  Route::post('/voice/transcribe', fn (Request $r) =>
+      ['text' => (string) Transcription::fromUpload($r->file('audio'))->generate()]);
+  Route::post('/voice/ask', fn (Request $r) =>
+      (new Assistant)->stream($r->string('text')));
+  ```
+  Zwei Schritte, damit der User den erkannten Text **vor** dem Absenden sieht und korrigieren kann.
+  Das ist wichtig bei Agenten, deren Tools etwas ausführen.
+- Wenn `whisper-server` kein `--convert` kann: In Laravel vorher umwandeln mit
+  `ffmpeg -i in.webm -ar 16000 -ac 1 out.wav` (Symfony Process), dann `Transcription::fromPath(...)`.
+- Validierung: Upload-Limit (z. B. 20 MB), Mindestlänge, leere Transkripte abfangen.
+
+### 5.4 Bilder
+- Direkt: `Image::of('...')->generate(provider: 'local-images')` (die genaue API in der Doku nachsehen).
+  Falls der OpenAI-Treiber Parameter schickt, die `sd-server` ablehnt: Fallback auf `Http::withToken(...)->post(.../images/generations)`
+  und `b64_json` selbst in den Storage schreiben.
+- Als Agent-Tool: `GenerateImage`-Tool, das eins von beidem aufruft und eine URL bzw. einen Storage-Pfad zurückgibt.
+
+## Phase 6: Doku im Repo
+- `docs/laravel.md`: Config, Netz/Key, Spracheingabe, Bilder, Stolperfallen (HTTPS, Formate, Modellwechsel).
+- README: Modelltabelle um `whisper` und `z-image` ergänzen, Images und Rollback beschreiben.
+- `PLAN.md`-Stil: Abweichungen oben in diesem Plan unter „Stand der Umsetzung“ festhalten.
+
+## Verifikation
+1. opencode + Continue funktionieren unverändert (nach dem Image-Wechsel!), die t/s liegen im erwarteten Bereich.
+2. `GET /v1/models` listet `whisper` und `z-image`.
+3. Transkription per curl (deutsch, webm und wav) liefert korrekten Text. Im Log wird dabei **kein** Chat-Modell entladen.
+4. Bild per curl: PNG kommt zurück, danach lädt das Chat-Modell beim nächsten Request wieder.
+5. Laravel: Agent-Prompt mit Tool-Call, Spracheingabe Ende-zu-Ende im Browser (Chrome + Firefox, wenn möglich Safari), Bild über das Agent-Tool.
+6. Nach einem Reboot ist Whisper vorgeladen (`/running`).
+
+## Rollback
+`LLAMA_SWAP_TAG` in `.env` zurück auf `v265-rocm-b11610`, `/dev/kfd` + `HIP_VISIBLE_DEVICES` wieder rein,
+die Einträge `whisper`/`z-image` auskommentieren, `docker compose up -d`.
+
+## Messwerte (in Phase 1 ausfüllen)
+| Image | pp2048 t/s | tg128 t/s | Bemerkung |
+|---|---|---|---|
+| ROCm `v265-rocm-b11610` | ~1030 | ~49,8 | nur 35B geladen, `--fit-target 3072` |
+| `unified-vulkan-265` | ~555 | ~43,2 | gleiche Bedingungen |
+| ROCm im Betrieb (mit Autocomplete + Embeddings) | ~850 | ~47,5 | identisch mit und ohne Whisper auf der GPU |
+
+Gemessen mit `llama-server` (Betriebs-Parameter), 2302 Prompt-Tokens, 256 generierte Tokens, `cache_prompt: false`.
+
+| Bilder (Z-Image-Turbo Q8, 8 Schritte) | Dauer |
+|---|---|
+| 512×512 | ~11 s |
+| 1024×1024 | ~40 s (Diffusion 32 s, VAE 6 s) |
+| 1536×1024 | ~66 s |
+| erster Request inkl. Laden | +4 s |
+| Chat-Modell danach zurückladen | ~5 s |
+| VRAM-Spitze beim Bild | 8,4 GB (mit Autocomplete + Whisper) |
+
+## Offene Punkte
+- Wo läuft die Laravel-App (gleiches LAN, NetBird, öffentlicher Server)? Davon hängen `ALLOWED_NETS` und HTTPS ab.
+- Bildmodell: Reichen Qualität und Geschwindigkeit von Z-Image-Turbo, oder lieber FLUX.1-schnell?
+- Später ggf. TTS (die Antwort vorlesen): audio.cpp ist im unified-Image, aber das Laravel SDK kann TTS nicht über `openai-compatible`.
diff --git a/README.md b/README.md
index 8a994c9..d86ed7a 100644
--- a/README.md
+++ b/README.md
@@ -1,4 +1,4 @@
-# LocalAI – zentraler LLM-Server für opencode & Continue
+# LocalAI – zentraler LLM-Server für opencode, Continue & Laravel
 
 Ein Docker-Compose-Stack, der auf **alegab-pc** (RX 6950 XT 16 GB, Ryzen 9 7900X3D, 62 GB RAM) eine **OpenAI-kompatible API** bereitstellt. Clients im Heim-LAN und über NetBird nutzen sie zum Programmieren, ganz ohne Cloud-KI.
 
@@ -7,8 +7,10 @@ Client-PC (opencode / VS Code + Continue) ──LAN / NetBird──┐
                                                            ▼
    caddy  (Host-Netz, :8800)   IP-Filter + API-Key
       └─► llama-swap  (nur 127.0.0.1:8080)   lädt/wechselt Modelle
-             └─► llama-server (llama.cpp, ROCm) ─► GPU + RAM
-                   Modelle: ./models (GGUF, Download von Hugging Face beim ersten Aufruf)
+             ├─► llama-server   (llama.cpp, ROCm)    Chat, Autocomplete, Embeddings
+             ├─► whisper-server (whisper.cpp, Vulkan) Transkription
+             └─► sd-server      (stable-diffusion.cpp, Vulkan) Bilder
+                   Modelle: ./models (LLMs per -hf beim ersten Aufruf, whisper/ und sd/ manuell)
 ```
 
 | Modell-ID | Zweck | Verhalten |
@@ -18,6 +20,8 @@ Client-PC (opencode / VS Code + Continue) ──LAN / NetBird──┐
 | `qwen3.5-9b` | schnelles kleines Chat-Modell | 〃 |
 | `qwen2.5-coder-1.5b` | Autocomplete (FIM) für Continue | dauerhaft geladen (GPU) |
 | `nomic-embed` | Embeddings für Continue `@codebase` | dauerhaft geladen (CPU) |
+| `whisper` | Transkription (`/v1/audio/transcriptions`), Alias `whisper-1` | dauerhaft geladen (GPU, ~1,2 GB) |
+| `z-image` | Bilder (`/v1/images/generations`), Aliase `gpt-image-1`, `dall-e-3`, `dall-e-2` | verdrängt das Chat-Modell (Gruppe `chat`) |
 
 ## Server einrichten
 
@@ -39,12 +43,27 @@ sudo ./scripts/firewall-ufw.sh   # einmalig: Port 8800 für LAN + wt0 in ufw öf
 | `./scripts/start.sh --no-preload` | nur starten |
 | `./scripts/start.sh --model glm-4.7-flash` | anderes Chat-Modell vorladen |
 | `./scripts/start.sh --show-key` | API-Key im Klartext anzeigen (für Client-Setup) |
-| `./scripts/start.sh --pull` | Images vorher aktualisieren |
+| `./scripts/start.sh --pull` | Basis-Images aktualisieren und eigenes Image neu bauen |
 
 **Nach einem Reboot** startet der Stack von selbst: Der Docker-Dienst ist aktiviert, und die Container haben `restart: unless-stopped`. Autocomplete und Embeddings lädt llama-swap per `hooks.on_startup.preload` ebenfalls von selbst, das Chat-Modell kommt beim ersten Request dazu.
 
 Der erste Aufruf eines Modells lädt es von Hugging Face herunter (Hauptmodell ~22 GB). Danach läuft alles offline.
 
+Whisper und das Bildmodell lädt llama-swap **nicht** selbst herunter (~12 GB):
+```bash
+mkdir -p models/whisper models/sd
+HF=https://huggingface.co
+curl -L -o models/whisper/ggml-large-v3-turbo-q8_0.bin $HF/ggerganov/whisper.cpp/resolve/main/ggml-large-v3-turbo-q8_0.bin
+curl -L -o models/sd/z_image_turbo-Q8_0.gguf $HF/leejet/Z-Image-Turbo-GGUF/resolve/main/z_image_turbo-Q8_0.gguf
+curl -L -o models/sd/ae.safetensors $HF/Comfy-Org/z_image_turbo/resolve/main/split_files/vae/ae.safetensors
+curl -L -o models/sd/Qwen3-4B-Instruct-2507-Q8_0.gguf $HF/unsloth/Qwen3-4B-Instruct-2507-GGUF/resolve/main/Qwen3-4B-Instruct-2507-Q8_0.gguf
+```
+
+### Warum ein eigenes Image?
+`whisper-server` und `sd-server` gibt es nur im „unified“-Image von llama-swap, und das für AMD nur als Vulkan-Build. Unter Vulkan ist die Prompt-Verarbeitung von llama.cpp auf der RX 6950 XT aber nur halb so schnell wie unter ROCm (~555 statt ~1030 t/s). [`llama-swap/Dockerfile`](llama-swap/Dockerfile) nimmt deshalb das ROCm-Image als Basis und kopiert die beiden Server aus dem unified-Image dazu. `docker compose up -d --build` bzw. `scripts/start.sh` bauen es automatisch. Beide Tags stehen in `.env` (`LLAMA_SWAP_TAG`, `UNIFIED_TAG`). Bei einem Update beide auf dieselbe llama-swap-Version setzen und `./scripts/start.sh --pull` ausführen.
+
+Vulkan zählt die iGPU des Ryzen mit. `VK_VISIBLE_DEVICES=1` in `.env` wählt die RX 6950 XT.
+
 ### Warum Caddy im Host-Netz?
 Ports, die Docker veröffentlicht, **umgehen ufw**. Deshalb ist llama-swap nur an `127.0.0.1` gebunden. Caddy läuft mit `network_mode: host`, dort greift ufw, und Caddy sieht die echte Quell-IP. Daraus ergeben sich zwei Schutzschichten:
 1. **ufw** lässt Port 8800 nur aus dem LAN und über `wt0` zu.
@@ -56,6 +75,7 @@ Die API läuft über plain HTTP. Über NetBird ist das unkritisch (WireGuard ver
 
 - **opencode** (Terminal-Agent): [docs/opencode.md](docs/opencode.md)
 - **Continue** (VS-Code-Plugin): [docs/continue.md](docs/continue.md)
+- **Laravel** (laravel/ai – Agent, Spracheingabe, Bilder): [docs/laravel.md](docs/laravel.md)
 
 Schnelltest von jedem Client:
 ```bash
@@ -69,6 +89,7 @@ docker compose ps                     # Status
 docker compose logs -f llama-swap     # Modell-Laden, Requests
 docker compose logs -f caddy          # Zugriffe
 docker compose restart                # nach Änderungen an .env / Caddyfile
+docker compose up -d --build          # nach Änderungen an llama-swap/Dockerfile oder den Image-Tags
 ```
 - `llama-swap/config.yaml` wird **automatisch neu geladen**, ein Neustart ist nicht nötig.
 - Web-Oberfläche von llama-swap (Modellstatus, Logs): `http://127.0.0.1:8080/ui`, nur lokal auf dem Server erreichbar.
@@ -89,7 +110,7 @@ GPU-Layer und MoE-Auslagerung in den RAM verteilt llama.cpp automatisch (`--fit`
 
 1. Den Ordner kopieren. `models/` kann man mitnehmen, um den Download zu sparen.
 2. `.env` anpassen: `ALLOWED_NETS` (LAN-Subnetz, NetBird-Netz), `RENDER_GID`/`VIDEO_GID`, `HOST_UID`/`HOST_GID`.
-3. Je nach GPU das Image in `.env` wählen (`LLAMA_SWAP_TAG`):
+3. Je nach GPU das Image in `.env` wählen (`LLAMA_SWAP_TAG`). Das eigene Image ([`llama-swap/Dockerfile`](llama-swap/Dockerfile)) ist für ROCm gebaut. Bei NVIDIA oder Vulkan nimmt man einfacher direkt das passende `unified-…`-Image (enthält whisper-/sd-server schon) und ersetzt `build:` in `docker-compose.yml` durch `image: ghcr.io/mostlygeek/llama-swap:unified-…`. `VK_VISIBLE_DEVICES` an die Geräte-Reihenfolge anpassen.
 
    | GPU | Tag-Variante |
    |---|---|
@@ -107,11 +128,14 @@ GPU-Layer und MoE-Auslagerung in den RAM verteilt llama.cpp automatisch (`--fit`
 | Datei | Inhalt |
 |---|---|
 | `docker-compose.yml` | Dienste llama-swap + caddy |
+| `llama-swap/Dockerfile` | ROCm-Image + whisper-server/sd-server |
 | `.env` / `.env.example` | Secrets, Netze, Ports, GIDs, Image-Tags |
 | `llama-swap/config.yaml` | Modelle, Startparameter, Gruppen |
 | `caddy/Caddyfile` | IP-Filter, API-Key, Reverse Proxy |
 | `client/opencode.json` | Vorlage für opencode-Clients |
 | `client/continue/` | Vorlage für Continue-Clients |
+| `docs/laravel.md` | Anbindung einer Laravel-App (laravel/ai) |
 | `scripts/start.sh` | Start mit Prüfungen, Preload und Statusausgabe |
 | `scripts/firewall-ufw.sh` | ufw-Freigaben |
 | `PLAN.md` | ursprünglicher Umsetzungsplan |
+| `PLAN-multimodal.md` | Plan + Messwerte für Transkription/Bilder |
diff --git a/docker-compose.yml b/docker-compose.yml
index 6e2e56d..c165487 100644
--- a/docker-compose.yml
+++ b/docker-compose.yml
@@ -1,10 +1,16 @@
-# Lokaler LLM-Server: llama-swap (llama.cpp/ROCm) hinter Caddy (IP-Filter + API-Key)
-# Start:  docker compose up -d      Logs: docker compose logs -f llama-swap
+# Lokaler LLM-Server: llama-swap (llama.cpp/ROCm + whisper/sd-server) hinter Caddy (IP-Filter + API-Key)
+# Start:  docker compose up -d --build      Logs: docker compose logs -f llama-swap
 name: localai
 
 services:
   llama-swap:
-    image: ghcr.io/mostlygeek/llama-swap:${LLAMA_SWAP_TAG:-v265-rocm-b11610}
+    # ROCm-Image + whisper-server/sd-server aus dem unified-Image, siehe llama-swap/Dockerfile
+    build:
+      context: ./llama-swap
+      args:
+        LLAMA_SWAP_TAG: ${LLAMA_SWAP_TAG:-v265-rocm-b11610}
+        UNIFIED_TAG: ${UNIFIED_TAG:-unified-vulkan-265}
+    image: localai/llama-swap:${LLAMA_SWAP_TAG:-v265-rocm-b11610}-mm
     restart: unless-stopped
     # nur lokal erreichbar – von außen ausschließlich über Caddy
     ports:
@@ -23,6 +29,8 @@ services:
       HOME: /tmp
       LLAMA_CACHE: /models
       HIP_VISIBLE_DEVICES: "${HIP_VISIBLE_DEVICES:-0}"
+      # Vulkan (sd-server) zählt die iGPU mit – hier ist die RX 6950 XT Gerät 1
+      GGML_VK_VISIBLE_DEVICES: "${VK_VISIBLE_DEVICES:-1}"
       HF_TOKEN: "${HF_TOKEN:-}"
     volumes:
       - ./models:/models
diff --git a/docs/laravel.md b/docs/laravel.md
new file mode 100644
index 0000000..6128a02
--- /dev/null
+++ b/docs/laravel.md
@@ -0,0 +1,164 @@
+# Laravel (laravel/ai) mit dem zentralen LocalAI-Server
+
+Das [Laravel AI SDK](https://laravel.com/docs/ai-sdk) spricht den Server wie einen OpenAI-kompatiblen Anbieter an. Damit gehen Agenten mit Tools, Streaming, Embeddings, Transkription (Spracheingabe) und Bildgenerierung.
+
+> Der Server-Teil ist getestet (Messwerte unten). Der Laravel-Code hier folgt der SDK-Doku, ist aber noch nicht in einer echten App gelaufen.
+
+## Was der Server bietet
+
+| Modell-ID (Aliase) | Endpoint | SDK-Funktion | Dauer (gemessen) |
+|---|---|---|---|
+| `qwen3.5-35b-a3b`, `glm-4.7-flash`, `qwen3.5-9b` | `/v1/chat/completions` | Agent, Text, Tools, Streaming | ~850 t/s Prompt, ~47 t/s Antwort |
+| `nomic-embed` | `/v1/embeddings` | `Embeddings` (768 Dimensionen) | |
+| `whisper` (`whisper-1`) | `/v1/audio/transcriptions` | `Transcription` | ~0,5 s für 7 s Sprache |
+| `z-image` (`gpt-image-1`, `dall-e-3`, `dall-e-2`) | `/v1/images/generations` | `Image` | 512²: ~11 s, 1024²: ~40 s, 1536×1024: ~65 s |
+
+**Bilder verdrängen das Chat-Modell.** Beide passen nicht gleichzeitig in die 16 GB VRAM. Der erste Bild-Request lädt das Bildmodell (+ einige Sekunden), der nächste Chat-Request lädt das Chat-Modell zurück (~5 s). Whisper, Autocomplete und Embeddings bleiben immer geladen.
+
+## 1. Netz und Zugang
+
+- Der Rechner, auf dem Laravel läuft, muss in `ALLOWED_NETS` (Server-`.env`) liegen: localhost, LAN `192.168.178.0/24` oder NetBird `100.73.0.0/16`. Ein öffentlicher Server braucht also einen NetBird-Peer.
+- Der API-Key ist `LLM_API_KEY` aus der Server-`.env` (`./scripts/start.sh --show-key`).
+
+## 2. Konfiguration
+
+`.env` der Laravel-App:
+```dotenv
+LOCAL_AI_URL=http://100.73.82.219:8800/v1
+LOCAL_AI_API_KEY=<KEY>
+```
+
+`config/ai.php`:
+```php
+'providers' => [
+    // Text, Agent, Embeddings, Transkription
+    'local' => [
+        'driver' => 'openai-compatible',
+        'url'    => env('LOCAL_AI_URL'),
+        'key'    => env('LOCAL_AI_API_KEY'),
+        'models' => [
+            'text'          => ['default' => 'qwen3.5-35b-a3b'],
+            'embeddings'    => ['default' => 'nomic-embed', 'dimensions' => 768],
+            'transcription' => ['default' => 'whisper'],
+        ],
+    ],
+
+    // Bilder: openai-compatible kann keine Bilder, der OpenAI-Treiber schon.
+    // Er schickt "gpt-image-1" & Co. – der Server kennt diese Namen als Aliase.
+    'local-images' => [
+        'driver' => 'openai',
+        'key'    => env('LOCAL_AI_API_KEY'),
+        'url'    => env('LOCAL_AI_URL'),
+    ],
+],
+```
+`local` in `config/ai.php` als Standard für Text, Embeddings und Transkription eintragen und `local-images` als Standard für Bilder. Die genauen Schlüssel für die Standard-Provider stehen in der veröffentlichten `config/ai.php`.
+
+## 3. Agent
+
+```bash
+php artisan make:agent Assistant
+```
+```php
+$response = (new Assistant)->prompt('Fasse die offenen Rechnungen zusammen', timeout: 300);
+
+// im Controller als Stream (SSE) an den Browser
+return (new Assistant)->stream($text);
+```
+- **Timeouts großzügig setzen.** Das Laden eines Modells kann einige Sekunden bis Minuten dauern. Längere Agent-Läufe besser als Queue-Job.
+- Tool-Calling klappt mit `qwen3.5-35b-a3b` und `glm-4.7-flash` zuverlässig, mit `qwen3.5-9b` bei mehrstufigen Aufgaben schlechter.
+- Alle Anwendungen sollten dasselbe Chat-Modell nutzen (opencode, Continue, Laravel). Ein anderes Modell löst bei jedem Wechsel einen Modellwechsel aus.
+
+## 4. Spracheingabe (Aufnahmetaste)
+
+Ablauf: Browser nimmt auf → `POST /voice/transcribe` → Text anzeigen und bestätigen → `POST /voice/ask` → Agent streamt die Antwort.
+
+```php
+use App\Ai\Agents\Assistant;
+use Illuminate\Http\Request;
+use Laravel\Ai\Transcription;
+
+Route::post('/voice/transcribe', function (Request $request) {
+    $request->validate(['audio' => 'required|file|max:20480']);
+
+    return ['text' => trim((string) Transcription::fromUpload($request->file('audio'))->generate())];
+});
+
+Route::post('/voice/ask', function (Request $request) {
+    $request->validate(['text' => 'required|string|max:4000']);
+
+    return (new Assistant)->stream($request->string('text'));
+});
+```
+
+```js
+let rec, chunks = [];
+const mime = MediaRecorder.isTypeSupported('audio/webm;codecs=opus') ? 'audio/webm;codecs=opus' : 'audio/mp4';
+
+async function startRecording() {
+  const stream = await navigator.mediaDevices.getUserMedia({ audio: true });
+  rec = new MediaRecorder(stream, { mimeType: mime });
+  chunks = [];
+  rec.ondataavailable = e => chunks.push(e.data);
+  rec.onstop = async () => {
+    stream.getTracks().forEach(t => t.stop());
+    const fd = new FormData();
+    fd.append('audio', new Blob(chunks, { type: mime }), mime.includes('webm') ? 'voice.webm' : 'voice.m4a');
+    const res = await fetch('/voice/transcribe', {
+      method: 'POST', body: fd,
+      headers: { 'X-CSRF-TOKEN': document.querySelector('meta[name=csrf-token]').content },
+    });
+    const { text } = await res.json();
+    showForConfirmation(text);   // eigenes UI: Text anzeigen/bearbeiten, dann an /voice/ask senden
+  };
+  rec.start();
+}
+const stopRecording = () => rec?.stop();
+// Taste: pointerdown → startRecording(), pointerup → stopRecording()
+```
+
+- **HTTPS ist Pflicht.** Browser geben das Mikrofon nur auf `https://` oder `localhost` frei. Das betrifft die Laravel-App, nicht die Verbindung von Laravel zum KI-Server.
+- **Formate:** Chrome/Firefox liefern WebM/Opus, Safari MP4/AAC. Der Server wandelt alles per ffmpeg selbst um, Laravel muss nichts konvertieren (getestet: WAV, WebM, M4A).
+- **Sprache:** Der Server erkennt die Sprache automatisch.
+- **Bestätigung vor dem Absenden:** Whisper verhört sich manchmal bei Namen und Fachbegriffen. Bei Agenten, deren Tools etwas ausführen, den Text deshalb erst anzeigen.
+
+## 5. Bilder
+
+```php
+use Laravel\Ai\Image;
+
+$path = Image::of('Ein rotes Fahrrad vor einer gelben Hauswand')
+    ->landscape()
+    ->timeout(300)
+    ->generate()          // mit 'local-images' als Standard-Provider für Bilder
+    ->store();
+```
+- `square()` = 1024×1024 (~40 s), `landscape()`/`portrait()` = 1536×1024 (~65 s). `quality()` wird ignoriert.
+- Bilder am besten in einem Queue-Job erzeugen (`->queue()->then(...)`), nicht im Web-Request.
+- Als **Agent-Tool**: `php artisan make:tool GenerateImage`. In `handle()` das Bild erzeugen, speichern und die URL zurückgeben. Bedenken: Danach muss das Chat-Modell neu geladen werden (~5 s), bevor der Agent weiterantwortet.
+- Falls der OpenAI-Treiber in einer neueren SDK-Version Parameter schickt, die der Server ablehnt, geht es auch direkt:
+  ```php
+  $b64 = Http::withToken(config('ai.providers.local.key'))->timeout(300)
+      ->post(config('ai.providers.local.url').'/images/generations', [
+          'model' => 'z-image', 'prompt' => $prompt, 'size' => '1024x1024',
+      ])->json('data.0.b64_json');
+  Storage::put($path, base64_decode($b64));
+  ```
+
+## 6. Fehlersuche
+
+| Symptom | Ursache |
+|---|---|
+| 401 | API-Key falsch |
+| 403 | Laravel-Server nicht in `ALLOWED_NETS` |
+| Timeout beim ersten Request | Modell lädt noch → Timeout erhöhen |
+| Bild dauert > 1 min | normal bei 1536×1024 und nach einem Modellwechsel |
+| Mikrofon-Abfrage erscheint nicht | Seite läuft nicht über HTTPS |
+| Leeres Transkript | Aufnahme zu kurz/stumm. Mindestlänge im Frontend prüfen |
+
+Schnelltest vom Laravel-Server aus:
+```bash
+curl -H "Authorization: Bearer $KEY" http://<server>:8800/v1/audio/transcriptions -F model=whisper -F file=@test.webm
+curl -H "Authorization: Bearer $KEY" -H 'Content-Type: application/json' http://<server>:8800/v1/images/generations \
+  -d '{"model":"z-image","prompt":"a red bicycle","size":"512x512"}' | head -c 200
+```
diff --git a/llama-swap/Dockerfile b/llama-swap/Dockerfile
new file mode 100644
index 0000000..5c06e94
--- /dev/null
+++ b/llama-swap/Dockerfile
@@ -0,0 +1,29 @@
+# llama-swap mit ROCm (LLMs) + whisper-server (Transkription) + sd-server (Bilder)
+#
+# Das offizielle unified-Image mit whisper-/sd-server gibt es für AMD nur als
+# Vulkan-Build, und unter Vulkan ist die Prompt-Verarbeitung von llama.cpp auf
+# der RX 6950 XT nur halb so schnell wie unter ROCm (siehe PLAN-multimodal.md).
+# Deshalb: ROCm-Image als Basis, die beiden Server aus dem unified-Image dazu.
+# Beide Basis-Images sind Ubuntu 24.04 mit identischen Mesa-/Vulkan-Paketen.
+ARG LLAMA_SWAP_TAG
+ARG UNIFIED_TAG
+
+FROM ghcr.io/mostlygeek/llama-swap:${UNIFIED_TAG} AS unified
+
+FROM ghcr.io/mostlygeek/llama-swap:${LLAMA_SWAP_TAG}
+
+# Vulkan-Treiber (RADV) für sd-server; ffmpeg ist schon enthalten (whisper --convert)
+RUN apt-get update \
+ && apt-get install -y --no-install-recommends mesa-vulkan-drivers libvulkan1 libgomp1 \
+ && rm -rf /var/lib/apt/lists/*
+
+# sd-server ist statisch gegen ggml gelinkt
+COPY --from=unified /usr/local/bin/sd-server /usr/local/bin/sd-server
+
+# whisper-server bringt eigene ggml-Bibliotheken mit, die dieselben Namen tragen
+# wie die von llama.cpp in /app – daher getrennt ablegen und per Wrapper laden
+COPY --from=unified /usr/local/bin/whisper-server /opt/whisper/bin/whisper-server
+COPY --from=unified /usr/local/lib/libwhisper.so* /usr/local/lib/libggml*.so* /opt/whisper/lib/
+RUN printf '#!/bin/sh\nLD_LIBRARY_PATH=/opt/whisper/lib exec /opt/whisper/bin/whisper-server "$@"\n' \
+      > /usr/local/bin/whisper-server \
+ && chmod 755 /usr/local/bin/whisper-server
diff --git a/llama-swap/config.yaml b/llama-swap/config.yaml
index 6967e4b..5f2408a 100644
--- a/llama-swap/config.yaml
+++ b/llama-swap/config.yaml
@@ -7,7 +7,13 @@
 #   - Autocomplete-Modell (~2 GB) bleibt dauerhaft geladen
 #   - genau ein Chat-Modell gleichzeitig; llama.cpp --fit (Standard: an) verteilt
 #     Layer/MoE-Experten automatisch auf VRAM und RAM, --fit-target hält ~3 GB frei
+#   - Whisper (~1,2 GB, Vulkan) bleibt dauerhaft geladen; es wird vor dem
+#     Chat-Modell geladen, --fit rechnet den Platz also automatisch mit ein
 #   - Embeddings laufen auf der CPU
+#   - das Bildmodell (z-image) ist in der chat-Gruppe: es verdrängt das Chat-Modell
+#
+# whisper-server und sd-server kommen aus dem unified-Image (llama-swap/Dockerfile).
+# Ihre Modelle liegen fest in ./models/whisper und ./models/sd (kein -hf), siehe README.
 
 healthCheckTimeout: 900   # erster Start kann einen 20-GB-Download enthalten
 logLevel: info
@@ -61,6 +67,36 @@ models:
       --embedding --pooling mean -c 8192 -b 8192 -ub 8192 -ngl 0 --threads 8
     ttl: 0
 
+  # --- Transkription (/v1/audio/transcriptions) --------------------------
+  whisper:
+    name: Whisper large-v3-turbo (GPU, Vulkan)
+    # GPU: ~0,5 s für 7 s Sprache, auf der CPU (-ng -t 12) wären es ~3,3 s
+    # --convert: ffmpeg wandelt WebM/Opus, MP4/AAC usw. aus dem Browser um
+    cmd: >-
+      whisper-server --host 127.0.0.1 --port ${PORT}
+      -m /models/whisper/ggml-large-v3-turbo-q8_0.bin
+      --inference-path /v1/audio/transcriptions
+      --convert --tmp-dir /tmp
+      -t 8 -l auto
+    aliases: [whisper-1]
+    ttl: 0
+
+  # --- Bilder (/v1/images/generations), sd-server über Vulkan ------------
+  z-image:
+    name: Z-Image Turbo (Bilder)
+    checkEndpoint: /
+    cmd: >-
+      sd-server --listen-ip 127.0.0.1 --listen-port ${PORT}
+      --diffusion-model /models/sd/z_image_turbo-Q8_0.gguf
+      --vae /models/sd/ae.safetensors
+      --llm /models/sd/Qwen3-4B-Instruct-2507-Q8_0.gguf
+      --diffusion-fa --offload-to-cpu
+      --cfg-scale 1.0 --steps 8
+      --height 1024 --width 1024
+    # Der OpenAI-Treiber (z. B. Laravel AI SDK) schickt seine eigenen Modellnamen
+    aliases: [gpt-image-1, dall-e-3, dall-e-2]
+    ttl: 600
+
 # Helfer-Modelle beim Container-Start laden (auch nach Reboot), damit
 # Autocomplete sofort reagiert. Das Chat-Modell lädt beim ersten Request
 # bzw. per scripts/start.sh.
@@ -69,6 +105,7 @@ hooks:
     preload:
       - qwen2.5-coder-1.5b
       - nomic-embed
+      - whisper
 
 routing:
   router:
@@ -83,6 +120,7 @@ routing:
             - qwen3.5-35b-a3b
             - glm-4.7-flash
             - qwen3.5-9b
+            - z-image
         # Helfer bleiben dauerhaft geladen
         always-on:
           swap: false
@@ -91,3 +129,4 @@ routing:
           members:
             - qwen2.5-coder-1.5b
             - nomic-embed
+            - whisper
diff --git a/scripts/start.sh b/scripts/start.sh
index 172b76b..9b7e39d 100755
--- a/scripts/start.sh
+++ b/scripts/start.sh
@@ -5,7 +5,7 @@
 #   ./scripts/start.sh --no-preload    nur starten
 #   ./scripts/start.sh --model glm-4.7-flash   anderes Chat-Modell vorladen
 #   ./scripts/start.sh --show-key      API-Key im Klartext ausgeben
-#   ./scripts/start.sh --pull          Images vorher aktualisieren
+#   ./scripts/start.sh --pull          Basis-Images aktualisieren und neu bauen
 set -euo pipefail
 
 cd "$(dirname "$(readlink -f "$0")")/.."
@@ -88,8 +88,12 @@ free_gb=$(df -BG --output=avail models | tail -1 | tr -dc '0-9')
 
 # ------------------------------------------------------------------- Start
 step "Starte Container"
-(( PULL )) && docker compose pull
-docker compose up -d --remove-orphans
+if (( PULL )); then
+  docker compose pull --ignore-buildable
+  docker compose build --pull
+fi
+# baut das llama-swap-Image (ROCm + whisper/sd-server), falls es noch fehlt
+docker compose up -d --build --remove-orphans
 
 step "Warte auf Bereitschaft"
 for i in $(seq 1 60); do
@@ -112,16 +116,24 @@ ok "Caddy bereit (Auth aktiv)"
 # ---------------------------------------------------------------- Preload
 if (( PRELOAD )); then
   step "Lade Modelle vor (erster Start lädt ggf. von Hugging Face herunter)"
-  preload() {  # $1 = Modell, $2 = Endpoint, $3 = JSON-Body
-    local t0=$SECONDS code
-    printf '  %-22s … ' "$1"
-    code=$(curl -s -o /dev/null -m 3600 -w '%{http_code}' -H 'Content-Type: application/json' \
-      "http://127.0.0.1:$BACKEND_PORT$2" -d "$3" || true)
+  preload() {  # $1 = Modell, $2 = Endpoint, Rest = curl-Argumente für den Body
+    local m=$1 ep=$2 t0=$SECONDS code; shift 2
+    printf '  %-22s … ' "$m"
+    code=$(curl -s -o /dev/null -m 3600 -w '%{http_code}' "http://127.0.0.1:$BACKEND_PORT$ep" "$@" || true)
     if [[ "$code" == "200" ]]; then echo "${G}ok${N} ($((SECONDS - t0)) s)"; else echo "${R}HTTP $code${N}"; fi
   }
-  preload qwen2.5-coder-1.5b /v1/completions '{"model":"qwen2.5-coder-1.5b","prompt":"x","max_tokens":1}'
-  preload nomic-embed        /v1/embeddings  '{"model":"nomic-embed","input":"x"}'
-  preload "$MODEL"           /v1/chat/completions "{\"model\":\"$MODEL\",\"messages\":[{\"role\":\"user\",\"content\":\"hi\"}],\"max_tokens\":1}"
+  json=(-H 'Content-Type: application/json' -d)
+  preload qwen2.5-coder-1.5b /v1/completions "${json[@]}" '{"model":"qwen2.5-coder-1.5b","prompt":"x","max_tokens":1}'
+  preload nomic-embed        /v1/embeddings  "${json[@]}" '{"model":"nomic-embed","input":"x"}'
+  if [[ -f models/whisper/ggml-large-v3-turbo-q8_0.bin ]]; then
+    wav=$(mktemp --suffix=.wav)
+    python3 -c 'import wave,sys; w=wave.open(sys.argv[1],"wb"); w.setnchannels(1); w.setsampwidth(2); w.setframerate(16000); w.writeframes(b"\0\0"*16000)' "$wav"
+    preload whisper /v1/audio/transcriptions -F model=whisper -F "file=@$wav"
+    rm -f "$wav"
+  else
+    warn "Whisper-Modell fehlt (models/whisper/) – siehe README"
+  fi
+  preload "$MODEL"           /v1/chat/completions "${json[@]}" "{\"model\":\"$MODEL\",\"messages\":[{\"role\":\"user\",\"content\":\"hi\"}],\"max_tokens\":1}"
 fi
 
 # ------------------------------------------------------------------ Status