Kann ich Notta vibecoden?

Baue mir einen Untertitel-Erzeuger mit Sprecherkennzeichnung, den Kern von Notta. Anforderungen:

- Ein Python-Prozess mit Typer, whisper.cpp und ffmpeg. Alles läuft lokal, keine Datei verlässt den Rechner.
- Eingang ist eine Audio- oder Videodatei. Ausgabe sind drei Dateien nebeneinander: SRT, VTT und ein Markdown-Transkript.
- Untertitel werden auf höchstens 42 Zeichen je Zeile und zwei Zeilen je Block umgebrochen, mit mindestens einer und höchstens sechs Sekunden Standzeit. Diese Regeln sind der Unterschied zwischen lesbaren und unlesbaren Untertiteln.
- Umbrüche werden an Satzgrenzen gesetzt, notfalls an Kommas, nie mitten in einem zusammengesetzten Wort. Deutsch hat lange Wörter, und genau daran scheitern die meisten Werkzeuge.
- Sprechertrennung über pyannote. In der VTT-Datei werden Sprecher als Voice-Tags ausgezeichnet, in der SRT-Datei als Präfix, weil SRT nichts anderes kann.
- Eine Option übersetzt die Untertitel in eine Zielsprache über einen Modellanbieter, Schlüssel aus .env, und schreibt sie als zweite Dateigruppe mit Sprachkürzel im Namen. Zeitmarken bleiben dabei unverändert.
- Ein Prüfbefehl meldet zu lange Zeilen, zu kurze Standzeiten und Überlappungen, bevor du die Datei weitergibst.
- Ein Befehl brennt die Untertitel über ffmpeg fest ins Video, wenn du das brauchst.
- Deutsch sind Ausgaben, Kommentare und README. Alle Bezeichner bleiben englisch: Befehle, Optionen, Dateinamen, Formatbezeichner.

Bewusst weglassen:

- Aufzeichnung von Meetings.
- Zusammenfassungen und Aufgabenextraktion.
- Zusammenarbeit an Transkripten.