Alle 11 Standard-Workflow-Schritte

Die Workflow-Engine von DuRT 3.0 basiert auf einer erweiterbaren, DAG-basierten Pipeline-Architektur mit 11 spezialisierten Schritt-Typen. Jeder Schritt unterliegt einem streng typisierten Datenvertrag. Dadurch können Sie Eingangsquellen, Erkennungs-Engines, Sprachmodelle, Sprachsynthese und Cloud-Auslieferungen flexibel verketten und verzweigen.

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│  1. Eingaben    │ ──> │ 2. ASR & Stream │ ──> │ 3. KI-Bearbeit. │ ──> │  4. TTS & Sync  │
└─────────────────┘     └─────────────────┘     └─────────────────┘     └─────────────────┘

---

Gruppe 1: Eingabeschritte (Eingangsquellen)

1. monitorCapture — Systemaudio- & Bildschirmaufnahme

• Rolle: Kontinuierliche Erfassung von Live-Audio aus Safari, Zoom, YouTube oder über das Mikrofon mittels macOS ScreenCaptureKit und CoreAudio.
• Ausgabe-Port-Typ: audioStream (PCM-Audio-Stream)
• Wichtigste Optionen: Internes Systemaudio vs. Mikrofon; hardware-/DSP-basierte akustische Echounterdrückung (AEC).

2. mediaInput — Datei- & Streaming-URL-Import

• Rolle: Importiert lokale Mediendateien (.mp4, .mov, .mkv, .mp3, .m4a, .wav) oder Video-Streaming-Links (YouTube, Bilibili, direkte Medien-URLs).
• Ausgabe-Port-Typ: mediaFile (Physische Mediendatei)
• Wichtigste Optionen: Clientseitiges Audio-Demuxing und Standardisierung von Formaten.

3. subtitleInput — Untertitel- & Text-Import

• Rolle: Importiert vorhandene .srt- oder .vtt-Untertiteldateien oder greift auf Texte früherer Aufgaben zurück, um KI-Nachbearbeitungen ohne erneute Spracherkennung durchzuführen.
• Ausgabe-Port-Typ: subtitleTrack (Zeitkodierte Untertitelspur)
• Wichtigste Optionen: Automatische Zeichenkodierungserkennung und Verschiebung von Zeitachsen-Offsets.

---

Gruppe 2: Spracherkennung (ASR) & Live-Übersetzung

4. realtimeASR — Streaming-Spracherkennung

• Rolle: Gibt Echtzeit-Untertitel-Deltas und finalisierte Sätze mit Sub-Sekunden-Latenz für schwebende Live-Untertitel aus.
• Eingabe-Port-Typ: audioStream
• Ausgabe-Port-Typ: subtitleStream (Live-Untertitel-Stream)
• Unterstützte Engines: Apple On-Device Speech, OneASR WebSocket Gateway, OpenAI Realtime API.

5. mediaASR — Dateitranskription & Sprechertrennung

• Rolle: Hochpräzise Offline-Transkription für lange Audiodateien mit millisekundengenauen Wort-Zeitstempeln und unüberwachter Sprechertrennung (Sprecher 1, Sprecher 2 usw.).
• Eingabe-Port-Typ: mediaFile
• Ausgabe-Port-Typ: subtitleTrack (Zeitkodierte Untertitelspur)
• Unterstützte Engines: Apple On-Device Speech, OneASR Gateway (Whisper / SenseVoice), OpenAI Whisper API.

6. realtimeTranslation — Simultandolmetschen

• Rolle: Übersetzt gestreamte ASR-Segmente satzweise in Echtzeit für zweisprachige Meeting-Untertitel.
• Eingabe-Port-Typ: subtitleStream
• Ausgabe-Port-Typ: subtitleStream (Zweisprachiger Live-Stream)
• Unterstützte Engines: Apple On-Device Neural Translation (macOS 15), DeepSeek API, OpenAI.

---

Gruppe 3: KI-Nachbearbeitung, Synthese & Auslieferung

7. subtitleRefinement — Untertitel-Formatierung & Optimierung

• Rolle: KI-gestützte Bereinigung zur Entfernung von Füllwörtern („äh“, „ähm“), Zeichensetzungskorrektur und Optimierung von Zeilenumbrüchen (5–8 Sekunden pro Untertitelkarte) unter Erhalt der ursprünglichen Zeitstempel.
• Eingabe-Port-Typ: subtitleTrack
• Ausgabe-Port-Typ: subtitleTrack (Optimierte Untertitelspur)

8. fullTranslation — Vollständige Dokument- & Untertitelübersetzung

• Rolle: Kontextsensitive Stapelübersetzung unter exakter Beibehaltung von Untertitel-Indizes und Timecodes in über 50 Sprachen.
• Eingabe-Port-Typ: subtitleTrack
• Ausgabe-Port-Typ: subtitleTrack (Zweisprachige Untertitelspur)

9. contentCreation — Zusammenfassung & Inhaltserstellung

• Rolle: Automatische Erstellung von Executive Summaries, Meeting-Protokollen, Aktionspunkten oder Social-Media-Beiträgen aus Transkripten.
• Eingabe-Port-Typ: subtitleTrack oder document
• Ausgabe-Port-Typ: document (Markdown- / TXT-Dokument)

10. textToSpeech — Sprachsynthese & Vertonung

• Rolle: Konvertiert optimierte oder übersetzte Untertitelzeilen mithilfe realistischer neuronaler Stimmen in hochwertige Audiospuren (OpenAI TTS, Xiaomi MIMO TTS, OneTTS).
• Eingabe-Port-Typ: subtitleTrack
• Ausgabe-Port-Typ: mediaFile (Synthetisierte Audiodatei)

11. exportArtifact — Auslieferung & Multi-Cloud-Synchronisation

• Rolle: Exportiert fertige Dateien in den lokalen Speicher und stößt die automatisierte Auslieferung über 6 Cloud-Kanäle an:
  • Lokaler Export: .srt, .vtt, .json, .txt, .md, .mp3
  • Automatisierte Cloud-Auslieferung: S3-kompatibler Objektspeicher (AWS S3, Cloudflare R2, MinIO, OSS), WebDAV-Netzlaufwerke (Nextcloud, Synology), Lokale / NAS-Ordner, Notion-Datenbanken, Obsidian-Vaults und benutzerdefinierte HTTP-Webhooks.
• Eingabe-Port-Typ: subtitleTrack, document, mediaFile
• Ausgabe-Port-Typ: deliverable (Ausführungsbeleg & Zusammenfassung)