Teknik · Taligenkänning
KB-Whisper vs generisk Whisper: varför det spelar roll för svenska
Det finns ett problem med hur de flesta dikteringsappar hanterar svenska. De transkriberar, men de är inte byggda för svenska. Skillnaden syns i varje långt sammansatt ord, och den är skälet till att Sæga kör modeller som är byggda för svenska.
Vad är generisk Whisper, och varför är den bra?
Whisper är OpenAIs taligenkänningsmodell, publicerad 2022. Den är tränad på 680 000 timmar ljud från internet och stödjer 96 språk. För en generisk modell är den remarkabelt kapabel på svenska. Den känner igen röster, accenter och vardagstal bättre än något som kom före den.
Men "förvånansvärt bra på svenska" är inte samma sak som "byggd för svenska". Whispers träningsdata är kraftigt sned mot engelska. Det är det språk som dominerar på internet. Svenska är ett av 96 språk och en liten del av materialet.
Det här syns på specifika sätt i den faktiska transkriptionen:
- Sammansatta ord: Svenska bygger lätt ihop långa sammansatta ord. Ord som landstingsfullmäktige, skatteverksutbetalning och trotsålder är enskilda ord, inte fraser. Generisk Whisper delar ofta upp dem i separata delar, vilket är fel och kräver manuell korrigering.
- Ortnamn och personnamn: Luleå, Björklund, Östergötland, Åkerberg: nordiska namn med ä/å/ö och konsonantkombinationer som saknas i engelska. En modell tränad främst på engelska har sällan hört dem.
- Långa facktermer: samhällsutvecklingen, näringsliv, infrastrukturpropositionen: ord som är vanliga i svenska formella sammanhang men nästan aldrig förekommer i engelskdominerad träningsdata.
- Dialektord: Göteborgska, skånska och nordnorska dialektord exponerar bristerna ytterligare.
Vad är KB-Whisper?
KB-Whisper skapades av KBLab, Kungliga Bibliotekets AI-laboratorium i Stockholm. De tog Whisper som grund och fine-tunade den på över 50 000 timmar svenska ljud: SVT-nyheter, Sveriges Radio, riksdagsdebatter, podcaster och transkriberat arkivmaterial.
Resultatet är en modell som fortfarande är Whisper under huven, men specialiserad på svenska. Den har sett de ord, namn och meningsstrukturer som faktiskt förekommer när svenska talare dikterar. Den känner igen sammansatta ord. Den klarar nordiska personnamn.
NB-Whisper gör motsvarande för norska, tränad på norska sändningar, riksdagsdebatter och litteratur av Nasjonalbiblioteket. Båda modellerna är öppen källkod och fritt tillgängliga.
Hur stor är skillnaden?
Word Error Rate (WER) är standardmåttet för taligenkänning: hur stor andel av orden i en transkription som är fel. Lägre är bättre.
I KBLabs egen mätning gör KB-Whisper i genomsnitt 47 % färre ordfel på svenska än OpenAIs whisper-large-v3, över tre svenska testset (FLEURS, CommonVoice och NST). Resultatet publicerades på Interspeech 2025.
När jag själv mätte KB-Whisper på 1804 dialektklipp blev 83,9 % av klippen helt felfria med large, mot 70,1 % med small. Samma familj, samma svenska träning, stor skillnad. Hela mätningen →
| Egenskap | Generisk Whisper | KB-Whisper |
|---|---|---|
| Träningsdata | 680 000 h, 96 språk, engelskdominerat | ~50 000 h svenska ljud (SVT, SR, riksdagen) |
| Sammansatta ord | Delar ofta upp dem | Delar dem mer sällan |
| Svenska person- och ortnamn | Frekventa fel | Avsevärt bättre |
| Svenska facktermer | Ofta fragmenterade | Igenkänns som helord |
| WER på svenska tal | Högre | 47 % färre fel än whisper-large-v3 (KBLab) |
| Licens | MIT | Apache 2.0 |
Varför kör inte de stora dikteringsapparna KB-Whisper?
KB-Whisper är inte hemlig. Den är öppen, väldokumenterad och gratis att använda. Ändå har varken superwhisper, MacWhisper eller Wispr Flow någon modell byggd för svenska. superwhisper har finjusteringar för kinesiska och japanska, så det handlar inte om att de inte kan. Svenska är ett litet språk på deras lista, och det är en rimlig prioritering för deras marknad. Den är bara inte din, om du dikterar på svenska.
Modellerna tar dessutom plats. Pianissimo är 619 MB och KB-Whisper Large 1,0 GB, och de ligger laddade så länge appen kör. Det kräver att appen är byggd för lokal körning från start.
Uppgifterna om andra appar kontrollerades 16 september 2026, se jämförelserna mot superwhisper, MacWhisper och Wispr Flow.
Hur Sæga använder KB-Whisper och NB-Whisper
Förvald för svenska är Pianissimo från Klang AI, som inte är en Whisper-modell utan bygger på NVIDIAs Parakeet. KB-Whisper finns bredvid, för den som pratar kraftig dialekt eller vill ha färst fel. NB-Whisper tar norskan, och Parakeet Ultra engelska och andra språk. Allt körs på din Mac: inga API-anrop för ljud. Se hur Sæga jämförs mot Apple Diktering och MacWhisper →
- Pianissimo (619 MB, bara svenska): förvalet för svenska. Svarar i samma ögonblick som du slutar tala.
- KB-Medium (~515 MB): färre småfel än Pianissimo med kraftig dialekt. NB-Whisper finns i samma storlekar för norska.
- KB/NB-Large (~1 GB): högsta precision, och den som havererar minst när ljudet är svårt.
Alla är gratis. Gränsen Sæga drar är att det som kostar pengar per användning eller går via molnet är Pro, och talmodellerna körs på din Mac.
Modellerna laddas ner vid första användningen och sparas lokalt. Ingen prenumeration för grundtranskriberingen. Inga löpande API-kostnader för att ditt ljud ska transkriberas.
Prova med en riktig mening
Säg ”mötet med landstingsfullmäktige i Östergötland flyttas till torsdag” i den dikteringsapp du använder i dag, och sedan i en som kör en svensk modell. Det tar en halv minut, och du ser själv vilken som lämnar något att laga. Min genomgång av dikteringsapparna för Mac →
Sæga kör Pianissimo som förval och har KB-Whisper ett klick bort, båda lokalt och gratis. Inget ljud lämnar din Mac.
Ladda ner Sæga, gratis att börja