--- title: "Deinen eigenen Jarvis bauen — Gesicht, Stimme, Gehirn und jemand, der alles baut." description: "Ein Sprachassistent wie im Film, aus vier Teilen: ein Gesicht aus dem Bildgenerator, eine Stimme von ElevenLabs, Claude als Gehirn und Claude Code, das alles zusammenbaut. Mit dem kompletten Prompt und den Erweiterungen für Computersteuerung, Dateien und Spotify." category: guides date: 2026-11-09 canonical: https://thanisch.co/wissen/guides/jarvis-selbst-bauen url: https://thanisch.co/wissen/guides/jarvis-selbst-bauen --- # Deinen eigenen Jarvis bauen — Gesicht, Stimme, Gehirn und jemand, der alles baut. > **Abkürzung** > Diese Anleitung zeigt den Eigenbau von null. Wenn du lieber einen fertigen Jarvis willst, der schon Kalender, Projekte und Builds kann: [Trag dich auf die Jarvis-Warteliste ein](/jarvis). - Die vier Teile, aus denen jeder Sprachassistent besteht - Ein Gesicht erzeugen, eine Stimme bei ElevenLabs auswählen, einen Claude-API-Schlüssel anlegen - Den Trick mit mehreren Modellen, damit Jarvis schnell und günstig bleibt - Den kompletten Prompt, mit dem Claude Code alles baut - Erweiterungen: Computersteuerung, Dateien erstellen, Spotify steuern > **Kurz gesagt** > Jarvis besteht aus vier Teilen: einem Gesicht, das du ansiehst, einer Stimme, einem Gehirn, das versteht und antwortet, und jemandem, der alles zusammenbaut. Das Gesicht kommt aus einem Bildgenerator, die Stimme von ElevenLabs, das Gehirn ist Claude über die API. *Gebaut wird das Ganze von Claude Code, mit einem einzigen Prompt.* ## Was du brauchst - Einen Mac oder PC mit Chrome. Die Spracherkennung nutzt die Web Speech API von Chrome, die den Ton dafür an Google schickt. - Ein Konto bei [ElevenLabs](https://try.elevenlabs.io/a). Stimmen aus der Bibliothek kannst du über die API erst ab einem bezahlten Tarif nutzen. - Ein Konto in der [Claude Console](https://platform.claude.com) mit Guthaben. Die API wird getrennt vom Claude-Abo abgerechnet, nach Verbrauch. - [Claude Code](https://code.claude.com) oder Codex zum Bauen. Node.js 20 oder neuer (`node -v` im Terminal). ## So funktioniert Jarvis ### 1. Gesicht Eine Oberfläche im Browser mit deinem Bild. Sie pulsiert, wenn Jarvis zuhört und spricht. ### 2. Ohren Chrome wandelt deine Sprache in Text um. ### 3. Gehirn Ein kleiner Server schickt den Text an Claude und bekommt die Antwort zurück. ### 4. Stimme ElevenLabs macht aus der Antwort Sprache in deiner Jarvis-Stimme. Mikro, Text, Antwort, Stimme. Mehr ist ein Sprachassistent im Kern nicht. ## Schritt 1: Ein Gesicht Dein Assistent braucht etwas, das du ansehen kannst. Erstell mit dem Bildgenerator von ChatGPT eine futuristische Oberfläche, oder such online nach einem Bild, das dir gefällt und das du verwenden darfst. **Bild-Prompt** ``` Futuristische KI-Oberfläche, kreisförmiges Interface mit mehreren dünnen leuchtenden Ringen, Türkis und Bernstein auf fast schwarzem Hintergrund, in der Mitte der Schriftzug J.A.R.V.I.S., flach, frontal, ohne Personen, quadratisch ``` Speicher das Bild als `gesicht.png`. Du gibst es später Claude Code mit. ## Schritt 2: Eine Stimme Geh zu ElevenLabs, öffne die Stimmbibliothek (Voice Library) und such nach einer Stimme im Jarvis-Stil, zum Beispiel mit „British Butler“ oder „Gentleman“. Hör dir zwei, drei an. ### 1. Stimme hinzufügen Die passende Stimme zu „My Voices“ hinzufügen. ### 2. Stimmen-ID kopieren Bei der Stimme die Voice ID kopieren und notieren. ### 3. API-Schlüssel anlegen Im Entwicklerbereich von ElevenLabs einen API-Schlüssel erstellen und kopieren. Damit kann dein Assistent tatsächlich sprechen. ## Schritt 3: Ein Gehirn Ich nutze dafür Claude über die API. Melde dich in der Claude Console unter platform.claude.com an und erstelle unter Settings → API keys einen Schlüssel. Die Console zeigt ihn nur ein einziges Mal, also sofort kopieren. Jetzt hat dein Assistent Zugriff auf ein KI-Modell, das dich versteht und dir antwortet. ### Der Trick: mehrere Modelle Nicht jede Frage braucht das stärkste Modell. Ich lasse Jarvis je nach Aufgabe wechseln: | Aufgabe | Modell | Warum | | --- | --- | --- | | „Wie spät ist es in Tokio?“, Musik, kurze Fragen | Claude Haiku 5.5 | am schnellsten, am günstigsten | | E-Mail formulieren, zusammenfassen | Claude Sonnet 5.5 | gute Mitte | | Projekt planen, komplexe Fragen | Claude Opus 5.5 | am stärksten, langsamer und teurer | Ein kurzer Klassifizierer entscheidet vor jeder Antwort, welches Modell drankommt. Das baut Claude Code mit ein (steht im Prompt unten). > **Merke** > Speicher alle drei Werte an einem sicheren Ort: Stimmen-ID, ElevenLabs-Schlüssel, Claude-Schlüssel. Sie kommen später in eine Datei namens `.env`, nie in den Code und nie in den Browser. ## Schritt 4: Jemand, der alles baut Leg einen leeren Ordner `jarvis` an, kopier `gesicht.png` hinein und öffne Claude Code in diesem Ordner. Dann gib diesen Prompt ein: **Bau-Prompt für Claude Code** ``` Danach legst du die .env mit deinen drei Werten an: ```bash ANTHROPIC_API_KEY=sk-ant-... ELEVENLABS_API_KEY=... ELEVENLABS_VOICE_ID=... ``` npm start, Chrome öffnen, Mikrofon erlauben, Leertaste drücken und sagen: „Guten Abend, Jarvis.“ Das ist die Grundlage deines eigenen Jarvis: ein Assistent, der wie Jarvis antwortet, ein Gesicht hat und wie Jarvis klingt. ## Erweiterungen Ab hier wird Jarvis nützlich. Jede Erweiterung ist ein Werkzeug, das Claude aufrufen darf. Gib die Prompts einzeln in Claude Code ein, im selben Ordner, und teste nach jeder. ### Computersteuerung ### Dateien erstellen Gib Jarvis ein Werkzeug create_file(name, inhalt), mit dem er Notizen, Listen und Entwürfe als Markdown-Datei anlegt. Erlaubt ist nur der Ordner ~/Jarvis/Dateien (anlegen, falls er fehlt). Keine Pfade außerhalb, keine bestehenden Dateien überschreiben, ohne mich zu fragen. Danach sagt Jarvis den Dateinamen und öffnet den Ordner im Finder, wenn ich das will. ``` ### Spotify steuern > **Sicherheit** > Je mehr Werkzeuge Jarvis hat, desto mehr kann er auch falsch machen. Gib ihm nur Werkzeuge mit festem Rahmen (ein Ordner, eine Liste von Aktionen) und nie einen freien Zugriff auf das Terminal. Lösch- und Kaufaktionen nur nach deiner Bestätigung. ## Was es kostet - **Claude API:** nach Verbrauch. Mit dem Modell-Wechsel landen die meisten kurzen Fragen bei Haiku, dem günstigsten Modell. - **ElevenLabs:** nach Zeichen im Rahmen deines Tarifs. Kurze Antworten sparen hier am meisten. - **Spracherkennung in Chrome:** kostenlos, läuft aber über Google. ## Fehler und Lösungen - Jarvis hört nichts: Seite nicht in Chrome geöffnet oder Mikrofon nicht erlaubt. Schloss-Symbol in der Adresszeile → Mikrofon → Zulassen. - Fehler 401 von Claude: Schlüssel falsch kopiert oder kein Guthaben in der Console. Neuen Schlüssel anlegen, Guthaben prüfen. - Fehler bei ElevenLabs mit einer Bibliotheksstimme: Im kostenlosen Tarif sind Bibliotheksstimmen über die API nicht verfügbar. Tarif prüfen oder eine Standardstimme nehmen. - Er spricht mit langer Verzögerung: Antworten zu lang oder kein Streaming. Im Prompt auf drei Sätze begrenzen, Streaming prüfen. - Er liest Sternchen und Listen vor: Die Persönlichkeit verlangt Antworten ohne Markdown. In Claude Code nachschärfen lassen. - Ein Schlüssel steht im Browser: sofort in der Console bzw. bei ElevenLabs widerrufen und neu anlegen. Alle Aufrufe müssen über den Server laufen. Das Reel zu diesem Stück liegt auf [Instagram](https://www.instagram.com/christopher_thanisch/). ## Quellen - Claude: [API-Schlüssel anlegen](https://platform.claude.com/docs/en/get-api-key) - ElevenLabs: [Text to Speech](https://try.elevenlabs.io/a) und [Voice Library](https://try.elevenlabs.io/a) - MDN: [Web Speech API](https://developer.mozilla.org/de/docs/Web/API/Web_Speech_API) ## Dein Aktionsplan Hak ab, was du erledigt hast: - [ ] Ein Gesicht erzeugt und als gesicht.png gespeichert - [ ] Eine Stimme bei ElevenLabs gewählt, Voice-ID und API-Schlüssel kopiert - [ ] Einen Claude-API-Schlüssel angelegt und Guthaben aufgeladen - [ ] Den Bau-Prompt in Claude Code ausgeführt und die .env angelegt - [ ] „Guten Abend, Jarvis“ gesagt und eine Antwort gehört - [ ] Eine Erweiterung eingebaut: Computer, Dateien oder Spotify