Bilder, Videos und Sprache
Über Text hinaus kann WivenLLM Bilder und kurze Videos erzeugen, Antworten vorlesen und gesprochene Sprache transkribieren. Bild- und Videogenerierung gibt es nur, wenn ein Administrator sie konfiguriert hat; Vorlesen und Diktieren funktionieren ohne Konfiguration.
Bildgenerierung
Nutzung
In einem Gespräch:
/img ein schematischer Schnitt durch eine Wärmepumpe, technischer Stil
(/image funktioniert ebenfalls.) Das Bild erscheint im Gespräch und kann heruntergeladen werden. Ist der Nachricht ein Bild angehängt, verlangt der Befehl eine Änderung dieses Bildes. Auch ein Agent kann im Laufe einer Aufgabe ein Bild erzeugen, sofern die entsprechende Fähigkeit aktiviert ist.
Konfiguration (Administrator)
Einstellungen → Bildgenerierung. Zwei Anbieterfamilien:
Lokal – die Modelle laufen auf Ihrem Rechner, keine Daten verlassen ihn. Das setzt passende Hardware voraus, in der Praxis eine Grafikkarte. Die unterstützten lokalen Installationen umfassen sowohl eine von WivenLLM verwaltete integrierte Engine als auch Bildgenerierungsserver, die Sie bereits betreiben.
Extern – die wichtigsten kommerziellen Bildgenerierungsdienste werden unterstützt. Ihre Beschreibungen werden dann an den gewählten Anbieter übermittelt.
Gut zu wissen
- Die erzeugten Bilder sind dem Gespräch angehängt.
- Beschreiben Sie den Stil ebenso wie das Motiv: «technisches Schema in Schwarz-Weiss, weisser Hintergrund» ergibt ein ganz anderes Resultat als «Illustration».
- Ein Bildgenerierungsmodell kann lesbaren Text nicht zuverlässig schreiben; erwarten Sie keine Visuals mit exakten Beschriftungen.
Videogenerierung
Gleiches Prinzip, mit dem Befehl /video.
/video eine langsame Luftaufnahme einer Baustelle
Realistische Erwartungen: Der Befehl erzeugt eine Sequenz von 5 Sekunden im Format 16:9. Die Generierung dauert lange, je nach Hardware mehrere Minuten bis deutlich mehr, und ist viel anspruchsvoller als ein Bild.
Die Konfiguration erfolgt unter Einstellungen → Videogenerierung. Es gibt nur lokal ausgeführte Engines: die integrierte Engine oder Ihre eigene ComfyUI-Installation. Ein externer Dienst für Videogenerierung wird nicht angeboten.
Antworten anhören (Sprachsynthese)
Unter jeder Antwort erscheint eine Wiedergabeschaltfläche.
Verfügbare Optionen:
- Systemstimme (Standard) – nutzt die im Browser integrierte Sprachsynthese. Keine Konfiguration, keine Daten werden irgendwohin gesendet, die Qualität variiert je nach Betriebssystem.
- Lokale Stimme in hoher Qualität – eine heruntergeladene Engine, die im Browser läuft, natürlicher als die Systemstimme, ohne Text zu übermitteln; oder eine Synthese-Engine, die Sie selbst hosten.
- Externe Dienste – OpenAI, ElevenLabs oder jeder OpenAI-kompatible Dienst, für höhere Qualität; der Text der Antworten wird dann an den Anbieter übermittelt.
Konfiguration unter Einstellungen → Stimme und Sprache.
Nachrichten diktieren (Spracherkennung)
Eine Mikrofonschaltfläche im Eingabefeld wandelt Ihre Sprache in Text um. Standardmässig erfolgt die Transkription auf dem Server mit einem lokalen Whisper-Modell, ohne API-Schlüssel und ohne dass das Audio den Server verlässt. Das Modell wird einmal heruntergeladen, bei der ersten Nutzung.
Unter Einstellungen → Stimme und Sprache kann ein Administrator eine andere Engine wählen: einen gehosteten Dienst (OpenAI, Deepgram, Groq, jeden OpenAI-kompatiblen Dienst), einen lokalen Erkennungsserver oder die Systemstimme.
Wichtiger Punkt zur Vertraulichkeit: Die in Browser integrierte Spracherkennung überträgt das Audio in der Regel an die Server des Browserherstellers. Bei einer Installation, die vollständig lokal bleiben muss, wählen Sie nicht die Systemstimme.
Ausserhalb der Desktop-Anwendung erlaubt der Browser das Mikrofon nur über HTTPS oder auf localhost.
Sprachgespräch
Die Schaltfläche Sprachgespräch starten neben dem Mikrofon öffnet einen Freisprechmodus: Sie sprechen, der Assistent antwortet laut, und das Zuhören beginnt erneut. Er nutzt die für Diktat und Sprachsynthese konfigurierten Engines, und es gelten dieselben Vertraulichkeitsregeln.
Transkription von Audio- und Videodateien
Vom Diktat zu unterscheiden: Wird eine Audio- oder Videodatei als Dokument importiert, wird sie transkribiert und dann wie jeder andere Text indexiert. Die Dauer ist auf 4 Stunden begrenzt.
Die integrierte Transkriptions-Engine arbeitet lokal, ohne Schlüssel. Ihr Modell (rund 670 MB) wird einmal heruntergeladen, bei der ersten Nutzung; danach verlässt nichts mehr das Haus. Unter Einstellungen → Transkriptionsmodell kann sie durch einen externen Dienst ersetzt werden.
Übliche Einsätze: Sitzungsaufnahmen, Interviews, Schulungen, Sprachnachrichten. Die Transkription wird wie ein gewöhnliches Dokument abfragbar: «Was hatten wir in der Sitzung vom 12. zum Budget beschlossen?».
Um eine Sitzung direkt in der Anwendung aufzunehmen und eine strukturierte Zusammenfassung zu erhalten, siehe Sitzungen.
Qualität: Sie hängt von der Klarheit der Aufnahme, der Anzahl Sprechender und von Überlappungen ab. Eine mit dem Mikrofon eines Laptops aufgenommene Sitzung ergibt ein uneinheitliches Ergebnis.
Was das Netzwerk verlässt
| Funktion | Bei lokaler Konfiguration | Bei externer Konfiguration |
|---|---|---|
| Bildgenerierung | Nichts | Die Beschreibung geht an den Anbieter |
| Videogenerierung | Nichts | Entfällt: kein externer Dienst |
| Sprachsynthese | Nichts (Systemstimme: hängt vom Browser ab) | Der Antworttext geht an den Anbieter |
| Spracherkennung | Nichts mit lokalem Whisper, der Standardeinstellung (Systemstimme: hängt vom Browser ab, zu prüfen) | Das Audio geht an den Anbieter |
| Dateitranskription | Nichts | Die Datei geht an den Anbieter |

Français