Text till tal lokalt: läs upp svensk text offline och lyssna efter felen

Du vill höra en text i stället för att läsa den: ett manus du ska spela in, en artikel du vill korrekturlyssna eller en sida du har fått ur en skanner. Molntjänster för uppläsning kräver att texten lämnar datorn. Med en lokal talmotor stannar den hos dig. Frågan är vilka lokala verktyg som faktiskt har svenska röster, hur de klarar namn, siffror och förkortningar och vad du får göra med ljudet efteråt. Den här artikeln svarar på den första frågan med källor, låter dig själv besvara den andra med ett lyssningsprov och visar var svaret på den tredje står.

Två lokala vägar, men bara en på svenska

Den 24 oktober 2026 släppte Ollama version 0.40.11. Release-noten säger att Ollama nu kan generera tal på macOS, att ollama run spelar upp texten medan ljudet genereras och att appar kan strömma ljud via den OpenAI-kompatibla adressen /v1/audio/speech. Exemplet använder talmodellen phonon. Release-noten nämner inga språk, men modellsidan gör det: engelska, franska, tyska, spanska och portugisiska, plus en flerspråkig modell som täcker just de fem. Svenska finns inte med. Modellsidan anger dessutom att paketen kräver Apple Silicon och Ollama 0.40.9 eller senare.

Piper är en fristående talmotor. Projektets röstlista tar upp svenska (sv_SE), och i röstförrådet på Hugging Face fanns vid kontrollen den 27 oktober 2026 tre svenska röster: alma, lisa och nst. Alla tre finns bara i kvalitetsnivån medium, har en talare och 22 050 Hz samplingsfrekvens. Piper installeras som Python-paket, och den aktuella versionen 1.8.0 från 4 september 2026 har färdiga paket för Windows, macOS och Linux.

Slutsatsen för svensk text är alltså Piper, också på en Mac. Ollama-vägen är intressant om du redan kör Ollama och vill läsa upp engelsk text eller låta en chattmodells svar läsas upp, och den beskrivs längre ned.

Läs upp svensk text med Piper

Installera paketet i en egen virtuell miljö och ladda ned en svensk röst. Kommandona kommer från Pipers dokumentation för kommandoraden; där står python3, och på Windows använder du det namn din Python-installation har, ofta python eller py.

pip install piper-tts
python3 -m piper.download_voices
python3 -m piper.download_voices sv_SE-nst-medium

Det andra kommandot listar alla röster. Det tredje hämtar rösten till den mapp du står i: en .onnx-fil med modellen och en .onnx.json-fil med inställningarna. Vill du ha rösterna någon annanstans anger du --data-dir. Skriv sedan ljudet till en fil:

python3 -m piper -m sv_SE-nst-medium -f prov.wav -- 'Mötet flyttas till fredag den 6 november klockan 14.30.'

Utan -f spelas ljudet upp direkt, men bara om programmet ffplay är installerat. Längre texter läser du från fil med --input-file manus.txt, och --sentence-silence lägger in en paus i sekunder mellan meningarna. Dokumentationen påpekar att kommandoraden laddar röstmodellen på nytt vid varje körning och rekommenderar Pipers webbserver om du ska läsa upp mycket. För ett lyssningsprov räcker kommandoraden.

Ollama på macOS: prova med engelsk text

Har du en Mac med Apple Silicon och Ollama 0.40.11 kan du prova talgenereringen. Talguiden visar tre sätt: uppspelning direkt, en WAV-fil genom att omdirigera utdata och ett API-anrop.

ollama pull phonon
ollama run phonon "The meeting moves to Friday, November 6."
ollama run phonon "Save this to a file." > prov.wav
curl http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "phonon", "input": "Hello from Ollama.", "voice": "default"}' \
  --output prov.wav

Guiden anger några regler som påverkar ditt facit. En begäran får innehålla högst 4 096 tecken; ollama run delar längre text vid stycken och meningar åt dig. Priser, tal och symboler skrivs ut före uppläsningen, medan tider och numeriska datum läses som de står, så guiden råder dig att skriva ut datum i ord. Tecken som * och # hoppas över enligt guiden, medan modellsidan varnar för att rubrikmarkeringar kan läsas upp. Ta därför bort formatering innan du skickar in text.

Lyssna mot ett facit på tio rader

Ingen källa här säger hur väl rösterna uttalar svenska. Det får ditt eget prov visa. Skriv tio rader i facit.txt där varje rad prövar en sak, och skriv bredvid hur raden ska låta:

1. Ett ortnamn: Vi åker till Västerås och sedan Mölndal.
2. Ett efternamn från din egen text.
3. Ett heltal: Det kom 1 245 svar.
4. Ett decimaltal med komma: Räntan är 3,75 procent.
5. Ett belopp: Biljetten kostar 149 kr.
6. Ett datum i siffror: Leverans 2026-11-06.
7. Ett datum i ord: Leverans den 6 november.
8. Ett klockslag: Vi börjar 14.30.
9. Förkortningar: t.ex., bl.a. och ca.
10. En akronym: Skicka det till SVT och SMHI.

Kör hela filen med --input-file facit.txt och lyssna en rad i taget. Markera varje rad som rätt, fel eller tveksam. Byt röst och kör samma fil igen: tre svenska röster ger tre jämförbara resultat, eftersom texten är densamma. Skriv upp röstens namn, Pipers version och datumet bredvid markeringarna. Resultatet gäller bara den kombinationen.

Fel på rad 3 till 8 rättar du enklast i manuset: skriv ut talet, beloppet eller datumet i ord så som det ska låta. Fel på namn kräver en uttalslista; metoden finns i artikeln om uttalslista för AI-röst. Piper tar också emot uttal i fonetisk skrift inom dubbla hakparenteser, [[ … ]], och dokumentationen visar hur du hämtar fonemen med espeak-ng. Det är ett verktyg för enstaka ord, inte för hela texten.

Ett extra kontrollsteg: låt en taligenkänning skriva ut din WAV-fil och jämför med facit. Avvikelser pekar ut rader att lyssna på igen, men felet kan sitta i igenkänningen lika gärna som i uppläsningen. Hur du kör den åt andra hållet lokalt står i artikeln om Whisper lokalt. Kommer texten från papper behöver den först bli text; det beskriver artikeln om OCR lokalt med AI.

Kontrollera röstens licens innan ljudet blir offentligt

Lokalt betyder inte fritt. Pipers röstlista säger att varje rösts MODEL_CARD innehåller viktig licensinformation, att Piper är avsett för personligt bruk och talsyntesforskning, att projektet inte lägger egna begränsningar på röstmodellerna och att vissa röster kan ha restriktiva licenser. Korten för de tre svenska rösterna säger olika saker:

• alma: modellvikterna är släppta under CC BY 4.0, enligt licensen för träningsdatan. CC BY kräver att du anger upphovet.
• lisa: kortet anger ingen licens. Rösten beskrivs som finjusterad från en norsk röst.
• nst: kortet anger CC0 för träningsdatan och att rösten tränats från grunden av KBLab vid Kungliga biblioteket, men ingen separat licens för själva modellen.

Motorn Piper är licensierad under GPL-3.0 eller senare. Det gäller programvaran. Kontrollera separat röstmodellens villkor och om de säger något om användningen av det genererade ljudet; en licens för träningsdata är inte automatiskt en licens för modellen eller ljudet. På Ollama-sidan är den engelska 31M-modellen släppt under Apache 2.0, medan 40M-modellerna är släppta under CC BY-NC 4.0, som enligt modellsidan begränsar användningen till icke-kommersiellt bruk. Läs kortet när du laddar ned rösten, spara en kopia bredvid ljudfilen och fråga upphovet när licensen saknas eller är oklar. Den här artikeln är ingen juridisk bedömning.

Bevisa att det fungerar offline

En Piper-röst är två filer på din disk. Ladda ned rösten, koppla bort nätverket och kör facitfilen igen. Blir det ljud har du ett eget belägg för att texten inte behöver lämna datorn. Fler sätt att kontrollera den tekniska datagränsen finns i guiden till datagränsen, och var talmotorn passar bland andra lokala verktyg visar översikten över verktyg för lokal AI.

Källor och metod

• Ollama v0.40.11 – talgenerering på macOS, phonon och /v1/audio/speech.
• Ollama: Speech – kommandon, WAV-utdata, teckengräns och regler för tal och datum.
• Ollama: phonon – språk, Apple Silicon-krav och licenser.
• Piper (piper1-gpl) – installation och motorns licens.
• Piper: kommandorad – nedladdning, uppläsning, flaggor och fonemblock.
• Piper: röster – svenska i röstlistan och licensinformationen i MODEL_CARD.
• PyPI: piper-tts – version 1.8.0, Python-krav och plattformar.
• Hugging Face: svenska Piper-röster – alma, lisa och nst med kvalitetsnivå.
• MODEL_CARD alma – CC BY 4.0.
• MODEL_CARD lisa – ursprung, ingen licens angiven.
• MODEL_CARD nst – träningsdata under CC0 och KBLab.
• Creative Commons: CC BY 4.0 – kravet på att ange upphov.

Källorna kontrollerades 27 oktober 2026. Facittexten, bedömningen rätt, fel eller tveksam och arbetsordningen är artikelns egna. Inga uppläsningar har gjorts av redaktionen, och inga omdömen om rösternas kvalitet eller hastighet anges; lyssningsprovet är ditt.