Att omvandla svenskt tal till text har blivit påtagligt bättre de senaste åren, men vilket verktyg som passar beror mindre på vad som är "bäst" och mer på vad du faktiskt ska göra. En färdig ljudfil ställer andra krav än ett pågående möte, och känsligt innehåll ställer krav som ingen molntjänst kan uppfylla.
Den här genomgången går igenom vad som fungerar, vad det kostar och var gränserna går.
Varför svenska är svårare än engelska
De flesta taligenkänningsmodeller är flerspråkiga. De tränas på enorma mängder text och tal där engelska dominerar kraftigt, och svenska blir ett språk bland hundra. Resultatet syns tydligast i tre situationer: sammansatta ord, ortnamn och personnamn.
En generell modell delar gärna upp sammansättningar som en engelsktalande hade gjort. "Riksdagsledamoten" blir "Riksdags ledamoten". "Örnsköldsvik" blir "Örnskölds vik". För en text som ska läsas snabbt spelar det liten roll; för ett protokoll, en intervjuutskrift eller en undertext blir det arbete att rätta.
KB-Whisper — modellen tränad för svenska
KBLab vid Kungliga biblioteket har tränat en variant av OpenAI:s Whisper på över 50 000 timmar svenskt tal. Modellen heter KB-Whisper och är fritt tillgänglig på Hugging Face.
Enligt KBLab:s egna utvärderingar gör den omkring 47 procent färre ordfel på svenska än whisper-large-v3, OpenAI:s generella modell. Skillnaden är störst just där generella modeller brister: namn, dialekter och fackspråk.
Att det är Kungliga biblioteket som står bakom är inte en detalj. Det är institutionen som arkiverar svenskt tal och text, och träningsdatan kommer därifrån — riksdagsdebatter, radio och tv-sändningar.
Tre vägar, med olika avvägningar
Lokalt på din egen dator
Whisper-modeller kan köras direkt på en vanlig dator. Ljudet lämnar aldrig maskinen, det finns ingen minutkostnad, och det fungerar utan internetanslutning.
Det finns flera vägar dit:
- Färdiga skrivbordsprogram som paketerar modellen, till exempel Buzz och MacWhisper. De kräver ingen teknisk installation utöver programmet självt.
- Öppna skript som Olleman82/KB-Whisper, som kör KB-Whisper lokalt via ett kortkommando och klistrar in texten där markören står. Kräver Python.
- easytranscriber från Kungliga biblioteket, som kombinerar Whisper med Wav2vec2 och ger tidsstämplar på ordnivå — användbart för undertexter och sökbara arkiv.
Avvägningen är hastighet. En större modell ger bättre text men tar längre tid på en processor än på ett grafikkort.
Molntjänster
Webbtjänster laddar upp filen och kör transkriberingen på servrar med grafikkort. Det går snabbare, kräver ingen installation, och de flesta tar betalt per minut eller via abonnemang.
Priset är att ljudet lämnar din dator. För ett publikt föredrag spelar det ingen roll. För ett personalsamtal, en patientkonsultation eller ett styrelsemöte är det en fråga som behöver ett svar innan filen laddas upp — och svaret beror på var leverantören lagrar data och hur länge.
Inbyggd diktering
Windows har diktering via Win+H, macOS och iOS har Apples motsvarighet, och både Word och Google Docs har röstinmatning. De är byggda för att du ska tala i stället för att skriva, i realtid.
De är däremot inte gjorda för att transkribera en färdig inspelning. Vill du få text ur en ljudfil du redan har är det fel verktyg.
Vad du bör fråga dig innan du väljer
Är det en engångsuppgift eller något återkommande? För en enstaka fil är en webbtjänst enklast. För återkommande möten blir minutkostnaden snabbt högre än värdet av att slippa installera något.
Vem äger innehållet? Använder du ett verktyg i din yrkesroll är det ofta arbetsgivarens data du hanterar, och då avgör inte din egen bedömning utan organisationens regler.
Behöver du veta vem som sade vad? Talarseparering — att skilja rösterna åt i utskriften — är inte självklart i alla verktyg. Ska texten bli ett mötesprotokoll är det ofta skillnaden mellan användbart och obrukbart.
Räcker det med text, eller vill du ha struktur? Ett transkript är rådata. Beslut och åtgärdspunkter kräver ett extra steg, antingen manuellt eller med en språkmodell.
Om Sagt.ai
Sagt.ai är en Windows-app som kör KB-Whisper lokalt på din dator. Den lyssnar på datorns eget ljud — mikrofon och systemljud — vilket gör att den fångar möten i Teams, Zoom, Skype och Meet utan att någon bot ansluter till samtalet.
Gratisnivån är obegränsad, kräver inget konto och fungerar utan internet. Pro lägger till en större modell på svenska servrar, talarseparering och AI-genererade mötesprotokoll.
Källkoden till skrivbordsappen är publik under MIT-licens, så integritetspåståendena går att granska i stället för att tas på förtroende.