KB-Whisper och Whisper på svenska: tal till text som körs lokalt
Kort svar: KB-Whisper är en svensk variant av OpenAI:s taligenkänningsmodell Whisper, tränad av Kungliga bibliotekets datalabb (KBLab) på cirka 50 000 timmar svenskt tal. På KBLabs egna tester gör den klart färre fel än OpenAI:s modeller på svenska. Den är gratis och körs på er egen dator eller server, så ljudet behöver aldrig lämna huset. Det är en modell och inte en färdig app, så någon måste sätta upp den.
Den här guiden går igenom vad KB-Whisper är, hur ni kör det, vad det inte klarar och när det är rätt val för ett företag. En bredare jämförelse av diktering och transkribering, med verktyg som Wispr Flow och Teams, finns i Diktering och transkribering för företag.
Vad är KB-Whisper?
Whisper är OpenAI:s modell för tal till text, och koden och vikterna är öppna under MIT-licens. Kvaliteten varierar dock mellan språk. KBLab har därför tränat vidare modellen på svenska.
Enligt KBLabs presentation består träningsmaterialet av cirka 50 000 timmar transkriberat svenskt tal. De största källorna är undertexter från tv och riksdagens inspelningar tillsammans med protokoll. Dessutom ingår bland annat dialektinspelningar, undertexter från YouTube och öppna dataset. KBLab påpekar själva att tv-undertexter inte är någon perfekt facit, eftersom de ofta förkortar det som sägs.
Modellerna finns i fem storlekar: tiny, base, small, medium och large. Alla utgår från OpenAI:s öppna vikter. De ligger på Hugging Face under licensen Apache 2.0. Standardversionen skriver ut texten ganska renodlat. Det finns också en strict-variant som ligger närmare det som faktiskt sägs, och en subtitle-variant med mer komprimerad text.
Hur mycket bättre är det på svenska?
KBLab redovisar ordfelsprocent (WER, andel felaktiga ord) på tre testmängder: FLEURS, Common Voice och NST. Enligt modellsidan ser det ut så här för den största modellen, med KB-Whisper först och OpenAI:s Whisper large-v3 sist:
| Testmängd | KB-Whisper large | OpenAI large-v3 |
|---|---|---|
| FLEURS | 5,4 | 7,8 |
| Common Voice | 4,1 | 9,5 |
| NST | 5,2 | 11,3 |
KBLab anger att den bästa modellen i genomsnitt minskar felen med ungefär 47 procent jämfört med large-v3. Gapet är större för de mindre modellerna: KB-Whisper small ligger enligt tabellerna på 6,6 till 7,3 procent på alla tre testmängderna, medan OpenAI:s small ligger på 20,6 till 26,4 procent. Det betyder att en liten svensk modell kan ge bättre svenska än en stor allmän, vilket spelar roll om ni inte har kraftig hårdvara.
Tänk på att det är KBLabs egna mätningar. Common Voice och FLEURS ingick inte i träningen och fungerar därför som utomstående test, men ingen av testmängderna liknar ett telefonsamtal med brus, fackord och flera personer som pratar i mun på varandra. Testa med ert eget ljud.
Så kör ni det lokalt
Det finns tre vanliga vägar. Alla fungerar utan att ljud skickas till någon extern tjänst, när modellen väl är nedladdad.
- Hugging Face Transformers. Python-biblioteket som KBLab själva visar på modellsidan. Bra för att prova och för att bygga in i egen kod.
- faster-whisper. En snabbare Python-implementation som även KBLab visar exempel för. Modellsidan rekommenderar att konvertera ljudet till 16 kHz mono och noterar att inställningen
condition_on_previous_text=Falsekan minska hallucinationer. - whisper.cpp. En implementation i C/C++ som kör helt offline, stöder Apple Silicon och kvantiserade modeller som tar mindre minne. KBLab publicerar modeller i det format som whisper.cpp använder.
Om hårdvaran: OpenAI anger för sina modeller ungefär 1 GB grafikminne för tiny och base, 2 GB för small, 5 GB för medium och 10 GB för large. Det är mätt på en kraftig serverkarta med engelskt tal, så i praktiken varierar hastigheten med språk, talhastighet och dator. För whisper.cpp anger projektet en minnesåtgång från cirka 0,3 GB för tiny till cirka 3,9 GB för large. Räkna med att prova er fram: ta en timme av era egna inspelningar och mät både kvalitet och tid på den dator ni tänker använda.
Vad modellen inte klarar
- Talarseparation. Whisper skriver ut vad som sägs, inte vem som säger det. OpenAI skriver i modellkortet att förmågan inte har utvärderats på ett tillförlitligt sätt. whisper.cpp har ett experimentellt stöd för att markera talarbyten, men det är inte detsamma som att veta vem som är vem. Behöver ni tydliga talare krävs ett separat steg.
- Hallucinationer och upprepningar. Samma modellkort säger att utskriften kan innehålla text som inte sägs i ljudet och att modellen kan upprepa sig. Det syns oftast under tystnad, musik eller svagt ljud. Rensa bort tysta partier före körning och stickprovskontrollera resultatet.
- Dialekter, fackord och namn. Modellen har tränats på mycket tal, men er branschjargong, produktnamn och personnamn kan ändå bli fel. Ett enkelt sätt att hantera det är en eftergranskning mot en ordlista.
Lokalt eller tjänst: så väljer ni
Kör lokalt när:
- ljudet innehåller sådant som inte bör lämna huset, till exempel kundsamtal, personalsamtal eller intervjuer,
- samma sorts inspelningar kommer varje vecka, så att uppsättningen betalar sig,
- ni vill ha kontroll över versionen, så att resultatet inte ändras när en leverantör byter modell.
Använd en tjänst när:
- volymerna är små eller oregelbundna,
- ni redan har ett avtal med en leverantör, till exempel via Teams eller ett cloud-konto,
- ingen hos er vill ansvara för drift, uppdateringar och hårdvara.
Båda vägarna är rimliga. Poängen med lokalt är kontroll, inte att det alltid är billigare. En tjänst som tar betalt per minut ljud kan vara det enklaste tills volymerna växer.
GDPR-vinkeln
En röstinspelning och dess utskrift är personuppgifter när de går att koppla till en person. Då behöver ni en rättslig grund, ska informera dem som spelas in och bör bestämma hur länge utskrifter sparas.
Med en cloud-tjänst skickar ni ljudet till en leverantör. Då behöver ni ett personuppgiftsbiträdesavtal, och ni måste ta reda på var ljudet bearbetas och om det förs ut ur EU. Med lokal körning försvinner den frågan: ljudet går inte till någon extern part, och ni behöver inget biträdesavtal för själva transkriberingen. Ansvaret för att skydda dator, lagring och åtkomst ligger i stället på er. Det är ingen juridisk rådgivning, så stäm av med er dataskyddsansvarige eller jurist för just era fall.
Vad som krävs för att få det i produktion
Att köra en modell på en laptop en eftermiddag är enkelt. Att få den att fungera varje vecka, för flera användare, är ett annat arbete. Räkna med:
- Ett flöde runt modellen. Var hamnar ljudet, vem startar körningen, vart går texten. Ofta är det en mapp eller en inspelningstjänst, ett jobb som kör modellen och en integration mot systemet där texten ska användas.
- Förbehandling. Konvertera ljud, ta bort tystnad och dela upp långa filer.
- Kvalitetskontroll. Stickprov, en ordlista för namn och fackord, och ett sätt att märka utskrifter som ser misstänkta ut.
- Drift. Hårdvara eller server, uppdateringar, loggar och rutiner för att radera ljud och text i tid.
- Det som händer med texten sedan. Det är oftast här värdet finns: en sammanfattning, en anteckning i ärendesystemet eller strukturerade data. Där kan en språkmodell vara ett verktyg bland flera, men ibland räcker enkla regler.
Det är den typen av arbete vi gör på UppuTech: koppla ihop system, data och en modell till ett flöde som tål vardagen. Frågan om ni ska bygga eller köpa är värd att ta först, och om ni redan har en prototyp som ska vidare finns stegen från pilot till produktion beskrivna separat.
Vill ni diskutera ett konkret flöde erbjuder vi en kostnadsfri genomgång på 30 minuter.
Källor
Kontrollerat oktober 2026.
Vanliga frågor
Vad är KB-Whisper?
KB-Whisper är Kungliga bibliotekets svenska vidareträning av OpenAI:s Whisper. KBLab tränade modellerna på cirka 50 000 timmar svenskt tal. De finns i fem storlekar, från tiny till large, och är fria att ladda ner från Hugging Face.
Är KB-Whisper gratis att använda i ett företag?
Modellerna publiceras på Hugging Face under licensen Apache 2.0, som tillåter kommersiell användning. Läs licenstexten på modellsidan innan ni bygger något, och kom ihåg att egen drift ändå kostar hårdvara och arbetstid.
Vilken dator behövs för att köra KB-Whisper?
De små modellerna går att köra på en vanlig laptop. Den största modellen går snabbast på ett grafikkort, och för OpenAI:s Whisper anger projektet ungefär 10 GB grafikminne för large. Med whisper.cpp och kvantiserade modeller går det även att köra på en Mac med Apple-processor.
Kan KB-Whisper skilja på vem som talar?
Inte på egen hand. Whisper skriver ut vad som sägs, men OpenAI skriver själva att talarseparation inte har utvärderats på ett tillförlitligt sätt. Behöver ni veta vem som sa vad krävs ett separat steg för talarseparation.
Kan en transkriberingsmodell hitta på text?
Ja. OpenAI beskriver att Whisper kan skriva ut text som inte sägs i ljudet, så kallade hallucinationer, och att den kan upprepa sig. Det märks oftast vid tystnad och dålig ljudkvalitet, därför behöver viktiga utskrifter stickprovskontrolleras.