Kann ich Otter.ai vibecoden?

Baue mir eine lokale Meeting-Mitschrift aus einer Aufnahmedatei, den Kern von Otter. Anforderungen:

- Ein Python-Prozess mit Typer, whisper.cpp über die Python-Bindung und SQLite. Die Transkription läuft vollständig auf meinem Rechner, keine Audiodatei verlässt ihn.
- Eingang ist eine Audio- oder Videodatei. ffmpeg wandelt sie in 16 kHz Mono um, bevor whisper sie bekommt.
- Sprechertrennung über pyannote, mit einer angegebenen Anzahl Sprecher. Ist die Trennung unsicher, werden die Abschnitte als Sprecher unbekannt markiert, statt geraten zu werden.
- Ausgabe ist eine Markdown-Datei unter ~/Meetings/JJJJ-MM-TT-titel.md mit Kopfbereich, danach das Transkript mit Zeitmarken alle 30 Sekunden im Format [MM:SS].
- Ein Modellschritt erzeugt daraus drei Abschnitte: fünf Punkte Zusammenfassung, getroffene Entscheidungen, offene Aufgaben mit genannter Person. Jede Aussage trägt die Zeitmarke, aus der sie stammt. Ohne Zeitmarke kann niemand nachhören, und dann ist die Zusammenfassung wertlos.
- Findet der Schritt keine Entscheidungen oder Aufgaben, schreibt er das ausdrücklich hin, statt etwas zu erfinden.
- Volltextsuche über alle Transkripte mit SQLite FTS5, ein Befehl gibt Treffer mit Datei und Zeitmarke aus.
- Deutsch sind Ausgaben, Zusammenfassung, Kommentare und README. Alle Bezeichner bleiben englisch: Befehle, Optionen, Dateinamen, Tabellen.

Bewusst weglassen:

- Einen Bot, der selbst an Videokonferenzen teilnimmt.
- Aufzeichnung ohne Zustimmung aller Beteiligten. Die README sagt klar, dass in Deutschland das heimliche Mitschneiden eines Gesprächs strafbar ist.
- Zusammenarbeit, Kommentare und geteilte Notizen.