TTS-Slots (Piper CPU, Qwen3-TTS auf Ada), M4000 außer Betrieb, Engine-Grenzen im Placement (ADR-0006)

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

catalog/models.yaml

@@ -1,5 +1,12 @@
 # Modell-Katalog (SPEC-inventory §2). vram_gb = Gewichte + Mindest-KV-Cache (Richtwerte, per Kalibrierung prüfen).
 # Ist ein Modell nicht mehr aktuell, wird ein neuer Eintrag ergänzt. Der Wechsel läuft über die Lifecycle-Pipeline.
+# Engine-Grenzen gelten für alle Modelle der Engine (ADR-0006).
+engines:
+  llamacpp: {min_cc: 5.0, note: "CUDA-12-Build mit sm_52/61 – einzige Engine für Maxwell/Pascal"}
+  vllm:     {min_cc: 7.0}
+  pytorch:  {min_cc: 7.5, note: "Maxwell/Pascal nur bis torch 2.14 cu126, bf16/SDPA fehlen → sehr langsam (Qwen3-TTS auf P40: RTF ~7)"}
+  onnx:     {min_cc: 0.0, note: "läuft auch auf CPU"}
+
 models:
   qwen3-14b-awq:
     kind: llm
@@ -49,3 +56,22 @@ models:
     engines: [llamacpp]
     context: 8192
     cpu_ok: true
+  # --- TTS (ADR-0006) ---
+  qwen3-tts-1.7b:
+    kind: tts
+    vram_gb: 8           # bf16; mit faster-qwen3-tts (CUDA Graphs)
+    min_cc: 8.0          # bf16
+    engines: [pytorch]
+    note: "Apache 2.0, Deutsch, Voice Cloning/Design. Auf Ada geschätzt RTF 0,3–0,5 (messen)"
+  qwen3-tts-0.6b:
+    kind: tts
+    vram_gb: 4
+    min_cc: 8.0
+    engines: [pytorch]
+    note: "Apache 2.0, Deutsch"
+  piper-de-thorsten-medium:
+    kind: tts
+    vram_gb: 0.2
+    engines: [onnx]
+    cpu_ok: true
+    note: "schnell auf CPU (≪ Echtzeit), solide Qualität; piper-tts 1.3+ ist GPL-3.0 (eigener Dienst)"

catalog/roles.yaml

@@ -32,3 +32,16 @@ roles:
     priority: 5
     needs: {gpu: false, min_ram_gb: 16}
     slots: []
+  tts-hq:
+    priority: 6
+    share_with: gpu-flex     # Qwen3-TTS auf der zweiten Ada, außerhalb der Trainingsfenster
+    needs: {gpu: true, engine: pytorch, min_cc: 8.0}
+    kinds: [tts]
+    optional: true
+    slots: [tts-de-hq]
+  tts-cpu:
+    priority: 7
+    share_with: infra        # Piper läuft im Infra-LXC mit
+    needs: {gpu: false, min_ram_gb: 8}
+    kinds: [tts]
+    slots: [tts-de]

core/src/knaster/audio.py

@@ -0,0 +1,21 @@
+"""Hilfen für Audio (WAV-Dauer, Real-Time-Factor)."""
+
+from __future__ import annotations
+
+import io
+import wave
+
+
+def wav_duration(data: bytes) -> float:
+    """Dauer einer WAV-Datei in Sekunden; 0.0 wenn keine gültige WAV."""
+    try:
+        with wave.open(io.BytesIO(data)) as w:
+            rate = w.getframerate()
+            return w.getnframes() / rate if rate else 0.0
+    except (wave.Error, EOFError):
+        return 0.0
+
+
+def rtf(seconds_compute: float, seconds_audio: float) -> float | None:
+    """Real-Time-Factor: Rechenzeit ÷ Audiolänge (< 1 = schneller als Echtzeit)."""
+    return seconds_compute / seconds_audio if seconds_audio > 0 else None

core/src/knaster/bench.py

@@ -0,0 +1,38 @@
+"""Benchmarks, deren Ergebnisse in Katalog/Registry zurückfließen (Kalibrierung am Deployment-Tag)."""
+
+from __future__ import annotations
+
+import time
+from statistics import median
+from typing import Any
+
+from .audio import rtf, wav_duration
+from .llm import OpenAIChatClient
+
+DEFAULT_TEXT = (
+    "Guten Tag. Dies ist ein Test der Sprachausgabe im Cluster. Wir messen, wie lange die Berechnung "
+    "im Verhältnis zur Länge des erzeugten Audios dauert. Zahlen wie 1.250,75 Euro und Daten wie der "
+    "3. Oktober 2026 sollen korrekt gesprochen werden."
+)
+
+
+def bench_tts(url: str, model: str, *, api_key: str = "", runs: int = 3, text: str | None = None,
+              client: OpenAIChatClient | None = None) -> dict[str, Any]:
+    client = client or OpenAIChatClient(url, api_key, timeout=600)
+    text = text or DEFAULT_TEXT
+    results = []
+    errors = []
+    for _ in range(runs):
+        start = time.monotonic()
+        try:
+            audio = client.speech(model, text)  # type: ignore[attr-defined]
+        except Exception as exc:  # noqa: BLE001
+            errors.append(str(exc))
+            continue
+        elapsed = time.monotonic() - start
+        duration = wav_duration(audio)
+        results.append({"seconds": round(elapsed, 2), "audio_seconds": round(duration, 2),
+                        "rtf": round(rtf(elapsed, duration), 3) if duration else None})
+    rtfs = [r["rtf"] for r in results if r["rtf"] is not None]
+    return {"model": model, "chars": len(text), "runs": results, "errors": errors,
+            "rtf_median": round(median(rtfs), 3) if rtfs else None}

core/src/knaster/canary.py

@@ -8,6 +8,7 @@ from dataclasses import dataclass
 
 from prometheus_client import Gauge
 
+from .audio import wav_duration
 from .embeddings import Embedder
 from .llm import ChatClient, LLMError
 from .registry import Registry, Slot
@@ -51,7 +52,12 @@ class CanaryProber:
     def probe(self, slot: Slot) -> ProbeResult:
         start = time.monotonic()
         try:
-            if slot.spec.kind == "embedding":
+            if slot.spec.kind == "tts":
+                speech = getattr(self.chat, "speech", None)
+                if speech is None:
+                    return ProbeResult(slot.name, True, True, 0.0, "kein Speech-Client")
+                ok = wav_duration(speech(slot.spec.litellm_model, "Test.")) >= 0.2
+            elif slot.spec.kind == "embedding":
                 embedder = self.embedder_for.get(slot.name)
                 if embedder is None:
                     return ProbeResult(slot.name, True, True, 0.0, "kein Embedder konfiguriert")

core/src/knaster/cli.py

@@ -30,6 +30,19 @@ def main(argv: list[str] | None = None) -> int:
     p_plan.add_argument("--inventory", required=True)
     p_plan.add_argument("--catalog", default="catalog")
 
+    p_tts = sub.add_parser("tts-serve", help="OpenAI-kompatiblen TTS-Dienst (Piper o. ä.) starten")
+    p_tts.add_argument("--host", default="0.0.0.0")
+    p_tts.add_argument("--port", type=int, default=8090)
+
+    p_bench = sub.add_parser("bench", help="Benchmarks für den Deployment-Tag")
+    bench_sub = p_bench.add_subparsers(dest="bench_cmd", required=True)
+    p_bt = bench_sub.add_parser("tts", help="Real-Time-Factor eines TTS-Endpunkts messen")
+    p_bt.add_argument("--url", required=True, help="Basis-URL, z. B. http://litellm:4000 oder http://tts:8090")
+    p_bt.add_argument("--model", default="tts-de")
+    p_bt.add_argument("--api-key", default="")
+    p_bt.add_argument("--runs", type=int, default=3)
+    p_bt.add_argument("--text", default=None)
+
     p_reg = sub.add_parser("registry", help="Registry")
     reg_sub = p_reg.add_subparsers(dest="reg_cmd", required=True)
     reg_sub.add_parser("export", help="effektiven Stand (inkl. Laufzeitzustand) als YAML ausgeben")
@@ -42,6 +55,19 @@ def main(argv: list[str] | None = None) -> int:
         uvicorn.run("knaster.api:create_app", factory=True, host=args.host, port=args.port)
         return 0
 
+    if args.cmd == "tts-serve":
+        import uvicorn
+
+        uvicorn.run("knaster.tts_server:create_tts_app", factory=True, host=args.host, port=args.port)
+        return 0
+
+    if args.cmd == "bench":
+        from .bench import bench_tts
+
+        result = bench_tts(args.url, args.model, api_key=args.api_key, runs=args.runs, text=args.text)
+        print(yaml.safe_dump(result, sort_keys=False, allow_unicode=True))
+        return 0 if result["runs"] else 1
+
     if args.cmd == "validate":
         from .validate import validate_repo
 

core/src/knaster/inventory/placement.py

@@ -11,9 +11,17 @@ from ..util import load_yaml
 from .profile import GPU, NodeProfile
 
 
+class EngineSpec(BaseModel):
+    """Laufzeit-Anforderungen, die für alle Modelle einer Engine gelten."""
+
+    name: str
+    min_cc: float = 0.0
+    note: str = ""
+
+
 class ModelSpec(BaseModel):
     name: str
-    kind: Literal["llm", "embedding", "reranker"]
+    kind: Literal["llm", "embedding", "reranker", "tts"]
     vram_gb: float
     min_cc: float = 5.0
     engines: list[str]
@@ -41,6 +49,7 @@ class RoleSpec(BaseModel):
     kinds: list[str] = Field(default_factory=list)
     cpu_fallback: bool = False
     optional: bool = False
+    share_with: str | None = None  # teilt sich die GPU einer bereits platzierten Rolle (z. B. TTS auf gpu-flex)
     slots: list[str] = Field(default_factory=list)
 
 
@@ -50,7 +59,7 @@ class Assignment(BaseModel):
     gpu_index: int | None = None
     gpu_name: str | None = None
     vram_gb: float | None = None
-    mode: Literal["gpu", "cpu", "cpu_fallback"]
+    mode: Literal["gpu", "shared", "cpu", "cpu_fallback"]
     models_fitting: list[str] = Field(default_factory=list)
     slots: list[str] = Field(default_factory=list)
 
@@ -65,15 +74,25 @@ class PlacementPlan(BaseModel):
     assignments: list[Assignment] = Field(default_factory=list)
     unplaced: list[Unplaced] = Field(default_factory=list)
     free_gpus: list[str] = Field(default_factory=list)
+    disabled_gpus: list[str] = Field(default_factory=list)
 
     def roles_on(self, node: str) -> list[str]:
         return [a.role for a in self.assignments if a.node == node]
 
 
 def load_catalog(directory: str | Path) -> tuple[list[RoleSpec], list[ModelSpec]]:
+    """Lädt Rollen und Modelle. Engine-Grenzen (z. B. PyTorch nicht auf Maxwell/Pascal) fließen in min_cc ein."""
     d = Path(directory)
+    data = load_yaml(d / "models.yaml")
+    engines = {k: EngineSpec(name=k, **v) for k, v in (data.get("engines") or {}).items()}
+    models = []
+    for name, spec in (data.get("models") or {}).items():
+        model = ModelSpec(name=name, **spec)
+        floors = [engines[e].min_cc for e in model.engines if e in engines]
+        if floors:
+            model.min_cc = max(model.min_cc, min(floors))
+        models.append(model)
     roles = [RoleSpec(name=k, **v) for k, v in (load_yaml(d / "roles.yaml").get("roles") or {}).items()]
-    models = [ModelSpec(name=k, **v) for k, v in (load_yaml(d / "models.yaml").get("models") or {}).items()]
     return roles, models
 
 
@@ -105,11 +124,39 @@ def _fitting_models(role: RoleSpec, models: list[ModelSpec], gpu: GPU | None) ->
 
 def plan(nodes: list[NodeProfile], roles: list[RoleSpec], models: list[ModelSpec]) -> PlacementPlan:
     result = PlacementPlan()
-    free: list[tuple[NodeProfile, GPU]] = [(n, g) for n in nodes for g in n.gpus]
+    free: list[tuple[NodeProfile, GPU]] = [(n, g) for n in nodes for g in n.gpus if not g.disabled]
+    result.disabled_gpus = [f"{n.name}/gpu{g.index} {g.name}" + (f" – {g.note}" if g.note else "")
+                            for n in nodes for g in n.gpus if g.disabled]
     cpu_load: dict[str, int] = {n.name: 0 for n in nodes}
 
     for role in sorted(roles, key=lambda r: (r.priority, r.name)):
         placed = 0
+        if role.share_with and not role.needs.gpu:
+            host = next((a for a in result.assignments if a.role == role.share_with), None)
+            if host is None:
+                result.unplaced.append(Unplaced(role=role.name, reason=f"Rolle {role.share_with} nicht platziert",
+                                                optional=role.optional))
+            else:
+                cpu_load[host.node] += 1
+                result.assignments.append(Assignment(role=role.name, node=host.node, mode="cpu",
+                                                     models_fitting=_fitting_models(role, models, None),
+                                                     slots=role.slots))
+            continue
+        if role.share_with:
+            host = next((a for a in result.assignments if a.role == role.share_with and a.mode == "gpu"), None)
+            gpu = None
+            if host is not None:
+                node = next(n for n in nodes if n.name == host.node)
+                gpu = next(g for g in node.gpus if g.index == host.gpu_index)
+            fitting = _fitting_models(role, models, gpu) if gpu is not None else []
+            if gpu is not None and fitting:
+                result.assignments.append(Assignment(
+                    role=role.name, node=host.node, gpu_index=gpu.index, gpu_name=gpu.name, vram_gb=gpu.memory_gb,
+                    mode="shared", models_fitting=fitting, slots=role.slots))
+            else:
+                reason = f"Rolle {role.share_with} nicht platziert" if gpu is None else "kein passendes Modell"
+                result.unplaced.append(Unplaced(role=role.name, reason=reason, optional=role.optional))
+            continue
         if role.needs.gpu:
             used_nodes: set[str] = set()
             for _ in range(role.count):

core/src/knaster/inventory/profile.py

@@ -20,6 +20,8 @@ class GPU(BaseModel):
     memory_gb: float
     compute_cap: float
     driver: str | None = None
+    disabled: bool = False   # bewusst außer Betrieb (z. B. Strom sparen) – Placement ignoriert die Karte
+    note: str = ""
 
 
 class Disk(BaseModel):

core/src/knaster/llm.py

@@ -69,3 +69,19 @@ class OpenAIChatClient:
             usage=data.get("usage") or {},
             model=data.get("model"),
         )
+
+
+    def speech(self, model: str, text: str, *, voice: str = "default", response_format: str = "wav") -> bytes:
+        """OpenAI-kompatibles TTS (`/v1/audio/speech`), z. B. über LiteLLM."""
+        body = {"model": model, "input": text, "voice": voice, "response_format": response_format}
+        try:
+            resp = self.client.post(f"{self.base_url}/v1/audio/speech", json=body, headers=self.headers)
+        except httpx.HTTPError as exc:
+            raise EndpointError(f"{type(exc).__name__}: {exc}") from exc
+        if resp.status_code >= 400:
+            raise EndpointError(f"HTTP {resp.status_code}: {resp.text[:300]}")
+        return resp.content
+
+
+class SpeechClient(Protocol):
+    def speech(self, model: str, text: str, *, voice: str = "default", response_format: str = "wav") -> bytes: ...

core/src/knaster/registry.py

@@ -25,7 +25,7 @@ class SlotSpec(BaseModel):
     effective_context: int | None = None
     supports_lora: bool = False
     fallbacks: list[str] = Field(default_factory=list)
-    kind: Literal["chat", "embedding", "rerank"] = "chat"
+    kind: Literal["chat", "embedding", "rerank", "tts"] = "chat"
     canary: bool = True            # vom Prober geprüft (für tier 0 standardmäßig aus, siehe canary.py)
     ops: dict[str, str] = Field(default_factory=dict)  # docker_host, container, pve_node, vmid → Healer-Labels
 

core/src/knaster/tts_server.py

@@ -0,0 +1,88 @@
+"""Schlanker OpenAI-kompatibler TTS-Dienst (`/v1/audio/speech`) für CPU-Engines wie Piper.
+
+Der Befehl ist als Vorlage konfigurierbar, weil sich die Piper-CLI zwischen Versionen unterscheidet:
+  KNASTER_TTS_CMD   Standard: "piper -m {model} -f {out}"  (Text kommt über stdin)
+  KNASTER_TTS_VOICES  "thorsten=/voices/de_DE-thorsten-medium.onnx,kerstin=/voices/de_DE-kerstin-low.onnx"
+  KNASTER_TTS_DEFAULT_VOICE  Name der Standardstimme (sonst die erste)
+"""
+
+from __future__ import annotations
+
+import os
+import shlex
+import subprocess
+import tempfile
+import threading
+from pathlib import Path
+
+from fastapi import FastAPI, Header, HTTPException, Response
+from pydantic import BaseModel, Field
+
+DEFAULT_CMD = "piper -m {model} -f {out}"
+MAX_CHARS = 5000
+
+
+class SpeechIn(BaseModel):
+    model: str = "tts-de"
+    input: str = Field(min_length=1, max_length=MAX_CHARS)
+    voice: str = "default"
+    response_format: str = "wav"
+
+
+class CommandBackend:
+    def __init__(self, voices: dict[str, str], default_voice: str | None = None, cmd: str = DEFAULT_CMD,
+                 timeout: float = 120.0, max_parallel: int = 2):
+        if not voices:
+            raise ValueError("Mindestens eine Stimme konfigurieren")
+        self.voices = voices
+        self.default_voice = default_voice or next(iter(voices))
+        self.cmd = cmd
+        self.timeout = timeout
+        self._slots = threading.Semaphore(max_parallel)  # CPU nicht überbuchen
+
+    @classmethod
+    def from_env(cls) -> CommandBackend:
+        raw = os.environ.get("KNASTER_TTS_VOICES", "")
+        voices = dict(item.split("=", 1) for item in raw.split(",") if "=" in item)
+        return cls(voices, os.environ.get("KNASTER_TTS_DEFAULT_VOICE") or None,
+                   os.environ.get("KNASTER_TTS_CMD", DEFAULT_CMD),
+                   max_parallel=int(os.environ.get("KNASTER_TTS_PARALLEL", "2")))
+
+    def synthesize(self, text: str, voice: str = "default") -> bytes:
+        name = self.default_voice if voice in ("default", "", None) else voice
+        if name not in self.voices:
+            raise KeyError(f"Stimme {name} unbekannt (verfügbar: {', '.join(self.voices)})")
+        with self._slots, tempfile.TemporaryDirectory() as tmp:
+            out = Path(tmp) / "out.wav"
+            args = [part.format(model=self.voices[name], out=str(out)) for part in shlex.split(self.cmd)]
+            proc = subprocess.run(args, input=text.encode("utf-8"), capture_output=True, timeout=self.timeout)
+            if proc.returncode != 0 or not out.exists():
+                raise RuntimeError(f"TTS-Befehl fehlgeschlagen ({proc.returncode}): "
+                                   f"{proc.stderr.decode('utf-8', 'replace')[-300:]}")
+            return out.read_bytes()
+
+
+def create_tts_app(backend: CommandBackend | None = None, token: str | None = None) -> FastAPI:
+    backend = backend or CommandBackend.from_env()
+    token = os.environ.get("KNASTER_TTS_TOKEN", "") if token is None else token
+    app = FastAPI(title="knaster-tts")
+
+    @app.get("/health")
+    def health() -> dict:
+        return {"status": "ok", "voices": list(backend.voices), "default": backend.default_voice}
+
+    @app.post("/v1/audio/speech")
+    def speech(body: SpeechIn, authorization: str | None = Header(default=None)) -> Response:
+        if token and authorization != f"Bearer {token}":
+            raise HTTPException(401, "unauthorized")
+        if body.response_format != "wav":
+            raise HTTPException(400, "nur response_format=wav")
+        try:
+            audio = backend.synthesize(body.input, body.voice)
+        except KeyError as exc:
+            raise HTTPException(400, str(exc)) from exc
+        except (RuntimeError, subprocess.TimeoutExpired) as exc:
+            raise HTTPException(502, str(exc)) from exc
+        return Response(audio, media_type="audio/wav")
+
+    return app

core/tests/test_artifacts.py

@@ -165,7 +165,7 @@ def test_proxmox_site_consistent_with_registry_and_prometheus():
         assert vm["driver_generation"] in {"legacy", "modern"}
     gpus = [vm["gpu"] for vm in vms.values()]
     assert len(gpus) == len(set(gpus))  # keine GPU doppelt durchgereicht
-    by_vmid = {str(vm["vmid"]): (name, vm) for name, vm in vms.items()}
+    by_vmid = {str(vm["vmid"]): (name, vm) for name, vm in {**vms, **site["containers"]}.items()}
     for slot, spec in reg["slots"].items():
         ops = spec.get("ops")
         if not ops:

core/tests/test_inventory_validate.py

@@ -41,7 +41,14 @@ def test_placement_knaster():
     assert all("P2000" in a.gpu_name for a in by_role["gpu-embed"] + by_role["gpu-small"])
     assert by_role["infra"][0].mode == "cpu"
     assert not p.unplaced
-    assert len(p.free_gpus) == 4 and all("M4000" in g for g in p.free_gpus)
+    # M4000 bewusst außer Betrieb (ADR-0006): weder frei noch belegt
+    assert p.free_gpus == []
+    assert len(p.disabled_gpus) == 4 and all("M4000" in g for g in p.disabled_gpus)
+    tts = {a.role: a for a in p.assignments if a.role.startswith("tts")}
+    assert tts["tts-hq"].mode == "shared" and tts["tts-hq"].node == "pve-ada"
+    assert "qwen3-tts-1.7b" in tts["tts-hq"].models_fitting
+    assert tts["tts-cpu"].node == by_role["infra"][0].node
+    assert tts["tts-cpu"].models_fitting == ["piper-de-thorsten-medium"]
 
 
 def test_placement_other_cluster():
@@ -49,7 +56,30 @@ def test_placement_other_cluster():
     p = plan(load_nodes(REPO_ROOT / "sites/example-single-gpu/inventory.yaml"), roles, models)
     modes = {(a.role, a.mode) for a in p.assignments}
     assert ("gpu-main", "gpu") in modes and ("gpu-embed", "cpu_fallback") in modes
-    assert [u.role for u in p.unplaced] == ["gpu-flex"] and p.unplaced[0].optional
+    assert [u.role for u in p.unplaced] == ["gpu-flex", "tts-hq"] and all(u.optional for u in p.unplaced)
+
+
+def test_pytorch_never_on_legacy_gpus():
+    """Engine-Grenze: PyTorch-Modelle (TTS) landen nie auf Maxwell/Pascal, llama.cpp schon (ADR-0006)."""
+    from knaster.inventory.placement import RoleSpec
+
+    _, models = load_catalog(REPO_ROOT / "catalog")
+    assert {m.name: m.min_cc for m in models}["qwen3-tts-0.6b"] >= 7.5
+    role = RoleSpec(name="tts-gpu", needs={"gpu": True, "engine": "pytorch"}, kinds=["tts"], optional=True)
+    legacy = [NodeProfile(name="old", memory_gb=32, gpus=[
+        {"index": 0, "name": "Quadro M4000", "memory_gb": 8, "compute_cap": 5.2},
+        {"index": 1, "name": "Quadro P2000", "memory_gb": 5, "compute_cap": 6.1}])]
+    p = plan(legacy, [role], models)
+    assert [u.role for u in p.unplaced] == ["tts-gpu"]
+
+
+def test_disabled_gpus_are_ignored():
+    roles, models = load_catalog(REPO_ROOT / "catalog")
+    nodes = [NodeProfile(name="n", memory_gb=32, gpus=[
+        {"index": 0, "name": "Quadro P2000", "memory_gb": 5, "compute_cap": 6.1, "disabled": True}])]
+    p = plan(nodes, roles, models)
+    assert all(a.mode != "gpu" for a in p.assignments)
+    assert p.disabled_gpus == ["n/gpu0 Quadro P2000"]
 
 
 def test_placement_maxwell_never_gets_vllm():

core/tests/test_tts.py

@@ -0,0 +1,116 @@
+import io
+import json
+import struct
+import sys
+import wave
+
+import httpx
+import pytest
+from fastapi.testclient import TestClient
+
+from knaster.audio import rtf, wav_duration
+from knaster.bench import bench_tts
+from knaster.canary import CanaryProber
+from knaster.llm import OpenAIChatClient
+from knaster.tts_server import CommandBackend, create_tts_app
+
+
+def make_wav(seconds: float, rate: int = 22050) -> bytes:
+    buf = io.BytesIO()
+    with wave.open(buf, "wb") as w:
+        w.setnchannels(1)
+        w.setsampwidth(2)
+        w.setframerate(rate)
+        w.writeframes(struct.pack("<h", 0) * int(seconds * rate))
+    return buf.getvalue()
+
+
+FAKE_PIPER = """
+import sys, wave, struct
+args = sys.argv[1:]
+out = args[args.index("-f") + 1]
+model = args[args.index("-m") + 1]
+text = sys.stdin.read()
+if "FEHLER" in text:
+    print("kaputt", file=sys.stderr); sys.exit(3)
+with wave.open(out, "wb") as w:
+    w.setnchannels(1); w.setsampwidth(2); w.setframerate(16000)
+    w.writeframes(struct.pack("<h", 0) * (160 * len(text)))   # 10 ms pro Zeichen
+"""
+
+
+@pytest.fixture
+def backend(tmp_path):
+    script = tmp_path / "fake_piper.py"
+    script.write_text(FAKE_PIPER)
+    return CommandBackend({"thorsten": "/voices/t.onnx", "kerstin": "/voices/k.onnx"},
+                          cmd=f"{sys.executable} {script} -m {{model}} -f {{out}}")
+
+
+def test_wav_helpers():
+    assert wav_duration(make_wav(1.5)) == pytest.approx(1.5)
+    assert wav_duration(b"kein wav") == 0.0
+    assert rtf(3.0, 1.5) == 2.0 and rtf(1.0, 0) is None
+
+
+def test_tts_server(backend):
+    client = TestClient(create_tts_app(backend, token="t"))
+    assert client.get("/health").json()["default"] == "thorsten"
+    H = {"Authorization": "Bearer t"}
+    r = client.post("/v1/audio/speech", json={"input": "Hallo Welt"}, headers=H)
+    assert r.status_code == 200 and r.headers["content-type"] == "audio/wav"
+    assert wav_duration(r.content) == pytest.approx(0.1)
+    assert client.post("/v1/audio/speech", json={"input": "x", "voice": "kerstin"}, headers=H).status_code == 200
+    assert client.post("/v1/audio/speech", json={"input": "x", "voice": "nope"}, headers=H).status_code == 400
+    assert client.post("/v1/audio/speech", json={"input": "FEHLER"}, headers=H).status_code == 502
+    assert client.post("/v1/audio/speech", json={"input": "x", "response_format": "mp3"},
+                       headers=H).status_code == 400
+    assert client.post("/v1/audio/speech", json={"input": "x"}).status_code == 401
+
+
+def test_backend_requires_voice():
+    with pytest.raises(ValueError):
+        CommandBackend({})
+
+
+def tts_transport(seconds: float = 2.0, fail: bool = False):
+    def handler(request: httpx.Request) -> httpx.Response:
+        assert request.url.path == "/v1/audio/speech"
+        body = json.loads(request.content)
+        if fail or body["model"] == "kaputt":
+            return httpx.Response(503, text="down")
+        return httpx.Response(200, content=make_wav(seconds), headers={"content-type": "audio/wav"})
+
+    return httpx.Client(transport=httpx.MockTransport(handler))
+
+
+def test_bench_tts():
+    client = OpenAIChatClient("http://x", client=tts_transport(2.0))
+    result = bench_tts("http://x", "tts-de", runs=2, client=client)
+    assert len(result["runs"]) == 2 and result["errors"] == []
+    assert result["runs"][0]["audio_seconds"] == 2.0 and result["rtf_median"] is not None
+    bad = bench_tts("http://x", "kaputt", runs=1, client=client)
+    assert bad["runs"] == [] and bad["errors"]
+
+
+def test_canary_probes_tts_slots(registry):
+    from prometheus_client import CollectorRegistry
+
+    from knaster.registry import Registry
+    from knaster.store import Store
+
+    from .conftest import REGISTRY
+
+    data = {"slots": {**REGISTRY["slots"], "tts-de": {
+        "tier": 1, "device": "cpu", "engine": "piper", "litellm_model": "tts-de", "base_model": "piper",
+        "max_context": 5000, "kind": "tts"}}}
+    reg = Registry.from_dict(data, Store("sqlite://"))
+    chat = OpenAIChatClient("http://x", client=tts_transport(0.8))
+    prober = CanaryProber(reg, chat, metrics_registry=CollectorRegistry())
+    tts = next(prober.probe(s) for s in reg.slots() if s.name == "tts-de")
+    assert tts.up and tts.ok
+    silent = OpenAIChatClient("http://x", client=tts_transport(0.05))
+    assert not CanaryProber(reg, silent, metrics_registry=CollectorRegistry()).probe(reg.slot("tts-de")).ok
+    down = OpenAIChatClient("http://x", client=tts_transport(fail=True))
+    assert not CanaryProber(reg, down, metrics_registry=CollectorRegistry()).probe(reg.slot("tts-de")).up
+

deploy/compose/gpu-vllm/.env.example

@@ -7,3 +7,6 @@ MAX_LORA_RANK=64
 MODELS_DIR=/srv/models
 ADAPTERS_DIR=/srv/adapters
 HF_TOKEN=
+# nur gpu-flex mit Profil "tts": GPU_MEM_UTIL für vLLM dann auf ~0.55 senken, damit Qwen3-TTS Platz hat
+QWEN_TTS_IMAGE=
+QWEN_TTS_MODEL=Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice

deploy/compose/gpu-vllm/docker-compose.yml

@@ -36,6 +36,24 @@ services:
       retries: 3
       start_period: 300s   # Laden großer Modelle
 
+  # Qwen3-TTS (ADR-0006) – nur auf gpu-flex, Profil "tts". Server muss OpenAI-kompatibles
+  # /v1/audio/speech anbieten (z. B. ein Wrapper um faster-qwen3-tts); Image-Wahl beim Deployment.
+  qwen-tts:
+    image: ${QWEN_TTS_IMAGE:-knaster/qwen-tts:unset}
+    container_name: qwen-tts
+    profiles: ["tts"]
+    restart: unless-stopped
+    labels: {autoheal: "true"}
+    environment:
+      TTS_MODEL: ${QWEN_TTS_MODEL:-Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice}
+    volumes:
+      - ${MODELS_DIR:-/srv/models}:/root/.cache/huggingface
+    ports: ["8091:8091"]
+    deploy:
+      resources:
+        reservations:
+          devices: [{driver: nvidia, count: 1, capabilities: [gpu]}]
+
   gpu-exporter:
     image: utkuozdemir/nvidia_gpu_exporter:1.2.1
     restart: unless-stopped

deploy/compose/infra/docker-compose.yml

@@ -37,6 +37,20 @@ services:
       timeout: 5s
       retries: 3
 
+  tts-piper:
+    <<: *restart
+    build:
+      context: ../../..
+      dockerfile: deploy/docker/tts-piper.Dockerfile
+    image: knaster/tts-piper:${KNASTER_VERSION:-dev}
+    container_name: tts-piper
+    environment:
+      KNASTER_TTS_PARALLEL: ${TTS_PARALLEL:-2}   # i7 mit 4 Kernen: max. 2 parallele Synthesen
+    ports: ["8090:8090"]
+    deploy:
+      resources:
+        limits: {cpus: "2", memory: 1G}
+
   postgres:
     <<: *restart
     image: pgvector/pgvector:pg16

deploy/docker/tts-piper.Dockerfile

@@ -0,0 +1,30 @@
+# Piper-TTS hinter dem OpenAI-kompatiblen knaster-TTS-Dienst. Build-Kontext: Repo-Wurzel.
+# Hinweis: piper-tts ab 1.3 ist GPL-3.0 – läuft hier als eigenständiger Dienst.
+FROM python:3.12-slim
+
+ARG PIPER_VERSION=1.3.0
+ARG VOICE_BASE=https://huggingface.co/rhasspy/piper-voices/resolve/main/de/de_DE
+ENV PYTHONDONTWRITEBYTECODE=1 PYTHONUNBUFFERED=1 PIP_NO_CACHE_DIR=1
+WORKDIR /app
+
+RUN apt-get update -qq && apt-get install -y -qq --no-install-recommends curl && rm -rf /var/lib/apt/lists/*
+RUN pip install "piper-tts==${PIPER_VERSION}"
+
+COPY core/pyproject.toml core/pyproject.toml
+COPY core/src core/src
+RUN pip install ./core
+
+RUN mkdir -p /voices && cd /voices \
+ && curl -fsSL -o de_DE-thorsten-medium.onnx      "${VOICE_BASE}/thorsten/medium/de_DE-thorsten-medium.onnx" \
+ && curl -fsSL -o de_DE-thorsten-medium.onnx.json "${VOICE_BASE}/thorsten/medium/de_DE-thorsten-medium.onnx.json"
+
+ENV KNASTER_TTS_VOICES=thorsten=/voices/de_DE-thorsten-medium.onnx \
+    KNASTER_TTS_CMD="piper -m {model} -f {out}" \
+    KNASTER_TTS_PARALLEL=2
+
+RUN useradd --system --uid 10002 tts
+USER tts
+EXPOSE 8090
+HEALTHCHECK --interval=30s --timeout=5s --retries=3 \
+  CMD python -c "import urllib.request; urllib.request.urlopen('http://127.0.0.1:8090/health', timeout=4)"
+CMD ["knaster", "tts-serve", "--host", "0.0.0.0", "--port", "8090"]

deploy/litellm/config.yaml

@@ -58,10 +58,25 @@ model_list:
       api_key: none
     model_info: {mode: rerank}
 
+  # --- Sprachausgabe (OpenAI-kompatibles /v1/audio/speech) ---
+  - model_name: tts-de                              # Piper im Infra-LXC (knaster tts-serve)
+    litellm_params:
+      model: openai/tts-de
+      api_base: http://tts-piper:8090/v1
+      api_key: none
+    model_info: {mode: audio_speech}
+  - model_name: tts-de-hq                           # Qwen3-TTS auf gpu-flex (Server-Wahl beim Deployment)
+    litellm_params:
+      model: openai/tts-de-hq
+      api_base: http://gpu-flex:8091/v1
+      api_key: none
+    model_info: {mode: audio_speech}
+
 router_settings:
   # Infrastruktur-Fallbacks innerhalb einer Stufe; Qualitäts-Eskalation macht der Router-Service
   fallbacks:
     - tier1-general: [tier1-flex]
+    - tts-de-hq: [tts-de]
   allowed_fails: 2
   cooldown_time: 60
   num_retries: 1

docs/IMPLEMENTATION.md

@@ -16,7 +16,8 @@ Vorgehen pro Baustein: **Spec → Implementierung → Tests → Commit**. Bis zu
 | 8 | API | SPEC-core §8 | FastAPI-App, Auth, Metriken | ✅ |
 | 9 | Deployment-Artefakte | PLAN §1, §3 | Compose pro Rolle, LiteLLM, Prometheus-Regeln, Alertmanager, n8n-Workflows | ✅ |
 | 10 | Plattform | ADR-0001/0002 | OpenTofu (bpg/proxmox), Ansible-Rollen (IOMMU/VFIO, ZFS-Replikation, Treiber-Pinning, Xid-Exporter) | ✅ geschrieben, **nicht** gegen echten Cluster/`tofu validate` geprüft |
-| 11 | CI | – | Gitea Actions: Tests, Lint, Konfig-Validierung, Compose-Prüfung | ✅ |
+| 11 | CI | – | Gitea Actions: Tests, Lint, Konfig-Validierung (Runner `gitrunner-knaster`) | ✅ |
+| 12 | TTS + Legacy-GPUs | ADR-0006 | Engine-Grenzen im Katalog, deaktivierte GPUs, geteilte GPU-Rollen, TTS-Slots, Piper-Dienst, TTS-Canary, `knaster bench tts` | ✅ |
 
 ## Teststrategie
 
@@ -29,7 +30,7 @@ Vorgehen pro Baustein: **Spec → Implementierung → Tests → Commit**. Bis zu
 
 | Was | Wie geprüft |
 |---|---|
-| Kernlogik (Router, Eskalation, Verifier, Pflege-Agent, Healer, Lifecycle, Placement) | 127 Unit- und Integrationstests (`make test`) |
+| Kernlogik (Router, Eskalation, Verifier, Pflege-Agent, Healer, Lifecycle, Placement) | 136 Unit- und Integrationstests (`make test`) |
 | Konfiguration (Registry ↔ Skills ↔ LiteLLM ↔ Healer ↔ Policy ↔ Katalog) | `knaster validate` |
 | Compose-Dateien | `docker compose config` (`make compose-check`) |
 | Prometheus/Alertmanager/n8n-JSON | Strukturtests (`core/tests/test_artifacts.py`) |
@@ -43,6 +44,8 @@ Vorgehen pro Baustein: **Spec → Implementierung → Tests → Commit**. Bis zu
 - Den n8n Chat-Trigger nach dem Import prüfen (Parameter der Knotenversion).
 - `sites/knaster/*`: Hosts, VM-IDs, IPs und PCI-Adressen sind Annahmen und werden durch den Inventarlauf ersetzt.
 - Classifier `ticket-kategorie.json` entsteht erst aus gelabelten Fällen (Warnung von `knaster validate`).
+- Qwen3-TTS-Server für `tts-de-hq` auswählen (OpenAI-kompatibler Wrapper um faster-qwen3-tts) und Image setzen.
+- Benchmark-Tag: `llama-bench` auf P2000 (und M4000), `knaster bench tts` für beide TTS-Slots, dazu Strom messen. Ergebnisse in Katalog und Registry übernehmen.
 
 ## Gemeinsames Deployment (später)
 

docs/PLAN.md

@@ -51,12 +51,15 @@ Ziel: Ein starkes LLM (OpenRouter) erarbeitet neue Aufgaben einmalig und bricht
 |---|---|---|---|
 | `gpu-main` | RTX 4000 Ada #1 (20 GB) | vLLM, Multi-LoRA | Slot `tier1-general` plus Skill-Adapter |
 | `gpu-flex` | RTX 4000 Ada #2 (20 GB) | vLLM / Unsloth | tagsüber zweiter Slot oder Reserve, nachts LoRA-Training |
-| `gpu-embed` | 3× Quadro P2000 (5 GB) | llama.cpp (Embedding/Rerank) | `embed-default`, `rerank-default`, redundant |
+| `gpu-embed` | 2× Quadro P2000 (5 GB) | llama.cpp (Embedding/Rerank) | `embed-default`, `rerank-default`, redundant auf zwei Hosts |
-| `gpu-small` | 4× Quadro M4000 (8 GB) | llama.cpp | `verifier-small`, `signature-extractor` (3–4B) – **auf Nutzen prüfen** |
+| `gpu-small` | Quadro P2000 (5 GB) | llama.cpp | `verifier-small`, `signature-extractor` (3–4B) |
+| – | 4× Quadro M4000 (8 GB) | – | **vorerst außer Betrieb** (ADR-0006), nur nach Benchmark für llama.cpp-Rollen |
+| `tts-hq` | teilt RTX 4000 Ada #2 | PyTorch | `tts-de-hq`: Qwen3-TTS 1.7B (ADR-0006) |
+| `tts-cpu` | Infra-LXC (CPU) | Piper (ONNX) | `tts-de`: schnelle Sprachausgabe, Fallback |
 | `infra` | i7 6./7. Gen, 32 GB | Docker | n8n, LiteLLM, Postgres+pgvector, Redis, Router, Healer, Langfuse, Prometheus/Grafana |
 | `strong` | extern | OpenRouter | `tier0-strong`, Skill-Autor (Hermes) |
 
-Wichtig: Auf Maxwell und Pascal läuft kein vLLM (das braucht Compute Capability ≥ 7.0), und CUDA 13 unterstützt sie nicht mehr. Daher auf diesen Nodes Treiber und Images pinnen.
+Wichtig: Auf Maxwell und Pascal läuft kein vLLM (das braucht Compute Capability ≥ 7.0), und CUDA 13 unterstützt sie nicht mehr. Daher auf diesen Nodes Treiber und Images pinnen. Auch PyTorch hat dort keine Zukunft mehr (2.14 ist die letzte Version mit CUDA-12-Wheels). Deshalb laufen auf alten Karten nur llama.cpp-Workloads (ADR-0006).
 
 ### 1.4 Netzwerk und Storage (entschieden, siehe ADR-0002)
 
@@ -296,10 +299,11 @@ Die Portabilität beruht also auf den **Daten und der Pipeline**, nicht auf Gewi
 - Slots statt Modellnamen, eine Lifecycle-Pipeline für alle Wechsel (ADR-0003)
 - Halbautomatische Pflege über einen Pflege-Agenten mit Freigabe per Prompt (ADR-0004)
 - Infrastruktur heilt deterministisch, ohne LLM-Entscheidungen (ADR-0005)
+- Alte GPUs nur llama.cpp, M4000 vorerst aus, TTS mit Piper (CPU) und Qwen3-TTS (Ada) (ADR-0006)
 
 ### Offen
 1. Erstes Basismodell für `tier1-general` (8–14B, gut quantisierbar, LoRA-freundlich, gutes Deutsch). Entscheidung per Kalibrierungslauf.
-2. Bleiben die M4000 im Einsatz? Benchmark gegen P2000 bzw. CPU und Stromverbrauch
+2. Kommen die M4000 zurück? `llama-bench` plus Strommessung am Deployment-Tag (bis dahin außer Betrieb, ADR-0006)
 3. Verifier-Strategie pro Aufgabentyp: Code-Checks, Schema, kleines Judge-Modell, Stichproben durch das starke Modell
 4. Schwellwerte: Graduierung (Start 90 %), Fallzahl fürs LoRA-Training (Start 300), Canary-Anteil (Start 10 %)
 5. Kanal für den Pflege-Agenten: n8n Chat, Telegram oder Matrix

docs/adr/0006-legacy-gpus-llamacpp-tts-auf-ada.md

@@ -0,0 +1,22 @@
+# ADR-0006: Alte GPUs nur für llama.cpp, M4000 vorerst außer Betrieb, TTS auf Ada und CPU
+
+- Status: angenommen
+- Datum: 2026-10-12
+
+## Kontext
+- PyTorch unterstützt Maxwell und Pascal seit 2.8 nur noch in den cu126-Builds. **PyTorch 2.14 ist die letzte Version mit CUDA-12.x-Wheels** (Ankündigung vom 04.09.2026), danach geht es nur noch über einen eigenen Build.
+- Pascal hat weder bf16 noch schnelles FP16, und FlashAttention fehlt. Qwen3-TTS 1.7B erreicht auf einer Tesla P40 nur **RTF ~7,3** (Referenz-Implementierung, gemessen von tinycomputers.io). P2000 und M4000 sind schwächer.
+- llama.cpp unterstützt Maxwell und Pascal mit CUDA 12 weiterhin. FlashAttention läuft dort auch auf Maxwell.
+- Für die M4000 gibt es keine direkten Messungen. Geschätzt liegt sie bei 7B Q4 auf 12–25 Token/s, bei 120 W pro Karte. Die P2000 decken Embedding, Rerank und Verifier bereits ab.
+
+## Entscheidung
+1. **Engine-Grenzen im Katalog** (`catalog/models.yaml → engines`): `pytorch` ab Compute Capability 7.5, `vllm` ab 7.0, `llamacpp` ab 5.0. Das Placement setzt PyTorch-Workloads damit nie auf Maxwell/Pascal.
+2. **M4000 vorerst außer Betrieb** (`disabled: true` im Inventar). Wieder aufgenommen werden sie nur nach `llama-bench` plus Strommessung am Deployment-Tag, und dann nur für llama.cpp-Rollen.
+3. **TTS:**
+   - `tts-de`: Piper auf der CPU im Infra-LXC. Schnell, robust, ohne GPU, zugleich Fallback.
+   - `tts-de-hq`: Qwen3-TTS 1.7B (Apache 2.0, Deutsch, Stimmenklonen) in bf16 auf `gpu-flex`, im Wechsel mit Training und `tier1-flex`. Wenn TTS aktiv ist, sinkt der vLLM-Anteil am VRAM auf ~55 %.
+   - Kein TTS auf P2000 oder M4000.
+
+## Folgen
+- Bei `gpu-flex` muss sich der Lifecycle die Karte mit TTS teilen. Während des Trainings gehen sowohl `tier1-flex` als auch `tts-de-hq` auf `unavailable`, und LiteLLM fällt auf `tts-de` zurück.
+- Die tatsächlichen RTF-Werte misst `knaster bench tts` beim Deployment. Sie ersetzen die Schätzungen im Katalog.

docs/spec/SPEC-inventory.md

@@ -17,7 +17,8 @@ Datenquellen: `nvidia-smi --query-gpu=index,name,memory.total,compute_cap,driver
 
 ## 2. Katalog (`catalog/models.yaml`, `catalog/roles.yaml`)
 
-Ein Modell hat `kind` (llm, embedding, reranker), `vram_gb` (Gewichte plus Mindest-KV-Cache), `min_cc`, `engines`, `context`, `lora`.
+Engines (`models.yaml → engines`) setzen Untergrenzen für die Compute Capability, die für alle ihre Modelle gelten (z. B. `pytorch ≥ 7.5`). GPUs mit `disabled: true` im Inventar ignoriert das Placement und listet sie unter `disabled_gpus`.
+Ein Modell hat `kind` (llm, embedding, reranker, tts), `vram_gb` (Gewichte plus Mindest-KV-Cache), `min_cc`, `engines`, `context`, `lora`.
 Eine Rolle hat `needs` (`engine`, `min_vram_gb`, `min_cc`, `max_cc?`, `gpu: true|false`), `prefer` (z. B. `smallest_fitting`), `count` und `slots`.
 
 ## 3. Placement (`plan(nodes, roles, models) -> PlacementPlan`)
@@ -27,8 +28,9 @@ Deterministisch:
 2. Rollen nach `priority` (aufsteigend) abarbeiten. Für jede Rolle werden `count` GPUs gesucht, die `needs` erfüllen und noch frei sind.
    - `prefer: largest` wählt die GPU mit dem meisten VRAM (für LLM-Rollen).
    - `prefer: smallest_fitting` wählt die kleinste passende GPU (für Embedding und Rerank). So bleiben große Karten frei.
-3. Rollen mit `gpu: false` bzw. `cpu_fallback: true` werden ohne passende GPU den CPU-Nodes zugewiesen, sortiert nach RAM.
+3. Rollen mit `share_with: <rolle>` teilen sich die GPU (bzw. bei `gpu: false` den Node) einer bereits platzierten Rolle. Ein Beispiel ist TTS auf `gpu-flex`.
-4. Pro zugewiesener Rolle werden die Katalogmodelle gelistet, die passen (Engine, VRAM, CC).
+4. Rollen mit `gpu: false` bzw. `cpu_fallback: true` werden ohne passende GPU den CPU-Nodes zugewiesen, sortiert nach RAM.
-5. Ergebnis: `assignments[{role, node, gpu_index?, models_fitting[]}]` und `unplaced[{role, reason}]`.
+5. Pro zugewiesener Rolle werden die Katalogmodelle gelistet, die passen (Engine, VRAM, CC).
+6. Ergebnis: `assignments[{role, node, gpu_index?, models_fitting[]}]` und `unplaced[{role, reason}]`.
 
 Der Plan ist der Input für `platform/proxmox` (welche VM-Rolle auf welchem Host mit welchem Resource Mapping) und für die Registry (welche Slots existieren).

sites/knaster/inventory.yaml

@@ -14,15 +14,15 @@ nodes:
     memory_gb: 32
     disks: [{name: sda, size_gb: 128}, {name: sdb, size_gb: 256}]
     gpus:
-      - {index: 0, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2}
+      - {index: 0, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2, disabled: true, note: "außer Betrieb bis llama-bench + Strommessung (ADR-0006)"}
-      - {index: 1, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2}
+      - {index: 1, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2, disabled: true, note: "außer Betrieb bis llama-bench + Strommessung (ADR-0006)"}
   - name: pve2
     cpu: {model: "Intel Core i7 (7. Gen) 3.6 GHz", cores: 4, threads: 8}
     memory_gb: 32
     disks: [{name: sda, size_gb: 128}, {name: sdb, size_gb: 256}, {name: sdc, size_gb: 256}]
     gpus:
-      - {index: 0, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2}
+      - {index: 0, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2, disabled: true, note: "außer Betrieb bis llama-bench + Strommessung (ADR-0006)"}
-      - {index: 1, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2}
+      - {index: 1, name: "Quadro M4000", memory_gb: 8, compute_cap: 5.2, disabled: true, note: "außer Betrieb bis llama-bench + Strommessung (ADR-0006)"}
   - name: pve3
     cpu: {model: "Intel Core i7 (7. Gen) 3.6 GHz", cores: 4, threads: 8}
     memory_gb: 32

sites/knaster/registry.yaml

@@ -80,4 +80,27 @@ slots:
     kind: rerank
     ops: {docker_host: gpu-embed-1, container: llamacpp-rerank, pve_node: pve3, vmid: "221"}   # VM-IDs/Hosts: ANNAHME bis Deployment
 
+  # --- Sprachausgabe (ADR-0006) ---
+  tts-de:
+    tier: 1
+    device: cpu
+    engine: piper
+    node: infra
+    litellm_model: tts-de
+    base_model: piper-de-thorsten-medium
+    max_context: 5000                    # Zeichen pro Anfrage (TTS-Dienst-Limit)
+    kind: tts
+    ops: {docker_host: infra, container: tts-piper, pve_node: pve1, vmid: "101"}   # ANNAHME bis Deployment
+
+  tts-de-hq:
+    tier: 1
+    device: gpu
+    engine: pytorch
+    node: gpu-flex                       # teilt sich die Ada mit tier1-flex; während Training unavailable
+    litellm_model: tts-de-hq
+    base_model: qwen3-tts-1.7b
+    max_context: 5000
+    kind: tts
+    ops: {docker_host: gpu-flex, container: qwen-tts, pve_node: pve-ada, vmid: "202"}   # ANNAHME bis Deployment
+
 adapters: []