Whisper lokalt: välj modell för svenskt ljud och kontrollera transkriptet

Whisper lokalt kan vara ett sätt att göra ett första transkript av en svensk ljudfil. Det användbara modellvalet börjar med din inspelning: vilka namn, siffror och formuleringar måste bli rätt, och hur mycket rättning accepterar du? Följ provet nedan med en kort fil innan du lämnar över en hel intervju. Du får ett underlag för ditt arbete, utan att behöva behandla en allmän modellrankning som facit för svenska.

Välj flerspråkiga base och small

Jämför till att börja med base och small. Båda listas som flerspråkiga i Whispers modelltabell. Varianterna base.en och small.en är avsedda för engelska. Att ange svenska gör inte en engelsk variant till rätt modellval. Svenska finns i språklistan med koden sv; stödet säger däremot inte hur rätt ditt ljud kommer att bli.

README anger ungefär 1 GB GPU-minne för base och 2 GB för small. Dessa GPU-uppskattningar är varken totalt arbetsminne eller diskstorlek. Prova en modell i taget. Om din dator inte klarar båda är jämförelsen inte genomförd; anteckna den begränsningen i stället för att utse en vinnare. Här används en uttrycklig CPU-profil för att göra kommandona jämförbara. Bedöm dess väntetid på din dator.

Varning: Whispers model card beskriver att modellen kan skriva text som inte finns i ljudet, upprepa text och prestera olika mellan språk och accenter. Ett flytande transkript är därför otillräckligt som kvalitetskontroll. Lyssna särskilt där talet är otydligt och där ingen talar.

Skilj installation och modellhämtning från själva körningen

Metoden gäller OpenAI:s Python-implementation. Installationsanvisningen använder paketet openai-whisper, PyTorch och kommandoradsverktyget ffmpeg. Skapa en separat Python-miljö och kontrollera ffmpeg där du ska arbeta. Du behöver inte bygga om din vanliga chattinstallation för detta prov. Skriv ner Python-, Whisper-, PyTorch- och ffmpeg-version samt operativsystem innan du jämför.

Följande PowerShell-kommandon är dokumentationsbaserade och inte körda av redaktionen. Kör dem i din valda, aktiverade Python-miljö. ffmpeg behöver redan vara installerat och tillgängligt via PATH; versionskommandot installerar det inte.

python -m pip install -U openai-whisper
python --version
python -m pip show openai-whisper torch
ffmpeg -version
whisper --help

Installationen hämtar program och beroenden. Första laddningen av respektive modell kan också hämta vikter. I modelladdarens kod återanvänds en befintlig viktfil när dess kontrollsumma stämmer; en saknad eller felaktig fil hämtas. Vi använder därför samma uttryckliga modellmapp i båda kommandona och senare i provet utan nätverk. En hämtning är ett separat steg från att bearbeta ljudfilen.

Spela in ett svenskt prov och skriv facit från ljudet

Spela in ungefär en halv minut i filen prov-sv.wav. Läs dessa påhittade meningar med din vanliga röst, med cirka fem sekunders tystnad mellan dem: ”Maja Sjöberg bokar rum Eken den artonde november. Kostnaden är två tusen fyrahundrafemtio kronor.” Pausa. Fortsätt: ”Vi behöver sjutton stolar, inte sjuttio. Kontrollera bokningen innan du skickar bekräftelsen.” Alla personer och bokningsuppgifter i exemplet är syntetiska.

Lyssna på den sparade filen och skriv ett manuellt facit för det du faktiskt sade. Om du råkade säga ”sexton” ska facitet följa inspelningen. Anteckna pausens start och slut i sekunder med hjälp av din ljudspelare. Behåll samma fil för båda modellerna, inklusive pausen. En ny inspelning med tydligare artikulation mellan körningarna skulle också ändra det som jämförelsen mäter.

Markera sex kritiska uppgifter i facitet: Maja Sjöberg, Eken, artonde november, två tusen fyrahundrafemtio kronor, sjutton och sjuttio. Bedöm också att förnekelsen ”inte” finns kvar. Bestäm före körningen att ”2450 kronor” och ”två tusen fyrahundrafemtio kronor” räknas som samma uppgift. Annars kan skillnader i skrivsätt se ut som fel i det hörda innehållet.

Kör samma fil med svenska och transcribe

Använd transcribe för ett svenskt transkript. Uppgiften translate avser översättning till engelska enligt CLI-koden och dess flaggbeskrivningar. Lås språk och uppgift så att provet handlar om transkribering av svenska, och lägg resultaten i skilda mappar. Kommandona nedan skiljer bara modell och resultatmapp.

whisper ./prov-sv.wav --model base --model_dir ./whisper-modeller --language sv --task transcribe --device cpu --fp16 False --output_format json --output_dir ./resultat-base
whisper ./prov-sv.wav --model small --model_dir ./whisper-modeller --language sv --task transcribe --device cpu --fp16 False --output_format json --output_dir ./resultat-small

Flaggorna model_dir och output_dir skiljer lagring av modellvikter från lagring av resultat. JSON-utdata ger text och segment att granska, med start- och sluttider. Behåll samma övriga inställningar och programversion. Lägg inte in en ledtråd med namn bara för den ena modellen. Om du senare vill prova en sådan hjälp ska båda få samma hjälp i en ny, separat jämförelse.

Kontrollera viktiga uppgifter, påhittad text och tid var för sig

Öppna båda JSON-resultaten och jämför med ditt ljudfacit. Ge varje kritisk uppgift ett fel om den saknas, ändras eller ersätts med något annat. Skriv ut den felaktiga formuleringen i protokollet. Sex möjliga fel gör översikten enkel, men det här är ett eget uppgiftsmått, inte standardiserad word error rate eller ett mått på svensk taligenkänning i allmänhet.

Ett påhittat räkneexempel: om base får två uppgiftsfel av sex och small ett, säger det bara att small missade färre av just dessa uppgifter i exemplet. En extra mening under tystnaden kan ändå göra small olämplig för arbetet. Separera alltså sakfel, förnekelse och påhittad text. Lägg också några minuter på att lyssna runt segmentgränserna; en korrekt mening behöver inte ligga på en användbar tidsposition.

Mät väntetiden först när båda modellerna finns i modellmappen. Ange om tiden omfattar laddning av modellen och håll den definitionen lika. Spara råresultaten före rättning. Då kan du senare skilja det modellen skrev från det du själv förbättrade. Det finns inga uppmätta resultat i den här artikeln; tabellen är ett protokoll för ditt prov.

Prova datagränsen och välj för ditt material

Efter installation och båda modellhämtningarna: koppla från nätverket och starta nya körningar med samma kommandon och modellmapp. Kontrollera att nya resultatfiler faktiskt skapas och innehåller transkriptet. Ett lyckat prov visar att den prövade körningen fungerar utan nätanslutning i din miljö. Det bevisar inte hur ett separat grafiskt gränssnitt eller en annan tjänst behandlar ljud. Fortsätt med guiden om lokal AI och integritet när du kartlägger hela arbetsflödets datagräns.

Välj base om kvaliteten räcker och den totala arbetsinsatsen passar dig. Välj small om ditt prov visar en relevant förbättring som motiverar väntetid och resurser. Om båda missar avgörande uppgifter behöver du ändra underlaget eller metoden och prova igen. Behåll fil, facit, kommandon, versioner, hårdvara, CPU-profil och råutdata tillsammans. En kort ren inspelning räcker inte för att godkänna en lång intervju med dialekt, överlappande röster eller bakgrundsljud; lägg till ett representativt prov före det beslutet.

När du valt modell återstår redigering och publicering. Följ artikeln om undertexter och transkript som hjälper för den delen. Här är leveransen en kontrollerad modelljämförelse och ett råtranskript som du kan spåra tillbaka till ljudet.

Källor och metod

• OpenAI Whisper: installation, modeller och kommandorad.
• Whisper model card: begränsningar.
• Tokenizer: språklista.
• Modelladdare: viktfiler och hämtning.
• Transcribe: CLI-flaggor och segment.

Primärkällorna kontrollerades 13 oktober 2026. Kommandona är dokumentationsbaserade; ingen egen installation, modellkörning eller prestandamätning har genomförts. Provtexten, poängmetoden och räkneexemplet är redaktionella förslag. Slutsatser från läsarens prov ska avgränsas till dess ljud, inställningar och miljö.