Transkribera ljudfil till text på svenska 2026: så gör du

Att transkribera en ljudfil till text på svenska går i dag på några minuter, och ofta gratis. Word i Microsoft 365 har en inbyggd funktion, webbtjänster som Happy Scribe tar emot filen och skickar tillbaka text, och Kungliga biblioteket har släppt en svensk taligenkänningsmodell som du kan köra på din egen dator.

Vilket du ska välja beror på tre saker: hur mycket ljud du har, om inspelningen innehåller personuppgifter och om du redan betalar för Microsoft 365. Intervjuer, föreläsningar, poddavsnitt och möten går att lösa med samma verktyg, men med olika avvägningar.

Jag har gått igenom Microsofts supportsida för Transkribera i Word, Happy Scribes pris- och språksidor och KBLab:s dokumentation för KB-Whisper. Siffrorna gäller i november 2026.

Transkribera ljudfil gratis: vilka alternativ finns?

Det enklaste gratisalternativet för den som har Microsoft 365 är Transkribera i Word, som tar 300 minuter uppladdat ljud per månad och stödjer svenska. Utan abonnemang kan du köra den öppna modellen KB-Whisper på din egen dator, eller använda en webbtjänsts gratisprov för en kort fil.

Gratisproven hos webbtjänsterna är korta. Happy Scribe ger 10 minuter som test, vilket räcker för att se om kvaliteten duger men inte för en timslång intervju. KB-Whisper kostar ingenting och har ingen gräns, men kräver att du installerar Python och laddar ned modellen. Det tar en eftermiddag första gången.

Hur transkriberar du i Word?

Öppna ett dokument i Word på webben, välj Diktera och sedan Transkribera, och ladda upp filen. Microsoft anger att funktionen tar wav, mp4, m4a och mp3, och att den som har Microsoft 365 kan transkribera högst 300 minuter uppladdat ljud per månad. Svenska finns bland de drygt 80 språken.

Word delar upp texten per talare och lägger tidsstämplar på varje stycke. Du kan klicka på ett stycke för att lyssna på just det partiet, vilket gör rättningen snabbare. När du är klar lägger du in hela utskriften, eller delar av den, i dokumentet.

Microsoft anger också att funktionen kräver att anslutna upplevelser är påslagna, alltså att ljudet behandlas i Microsofts moln. För den som jobbar med känsligt material avgör det valet. Vad som ingår i de olika abonnemangen finns i Office 2024 eller Microsoft 365.

Vad är KB-Whisper och hur bra är den på svenska?

KB-Whisper är en svensk version av OpenAI:s taligenkänningsmodell Whisper, tränad av KBLab vid Kungliga biblioteket på över 50 000 timmar svenskt tal. Enligt KBLab sänker den största modellen andelen felaktiga ord med i snitt 47 procent jämfört med OpenAI:s whisper-large-v3 på svenska testsamlingar. Modellen är fri att använda.

Ljudet kommer bland annat från undertexter och inspelningar från riksdagen. På testsamlingen FLEURS anger KBLab en felandel på 5,4 procent för KB-Whisper large mot 7,8 procent för OpenAI:s modell. På CommonVoice är skillnaden 4,1 mot 9,5 procent. Det är laboratoriesiffror på rent ljud, men de visar hur mycket en modell tränad på svenska tjänar på det.

Modellen finns i fem storlekar, från tiny till large. Den minsta går på nästan vilken dator som helst men gör fler fel. Den största ger bäst text men är långsam utan grafikkort. Licensen är Apache 2.0, så du får använda den även i jobbet.

Så kommer du i gång med KB-Whisper

1. Installera Python 3 från python.org om datorn inte redan har det.
2. Installera paketen transformers och torch med pip install transformers torch.
3. Ladda modellen genom att ange namnet KBLab/kb-whisper-small i Hugging Face-bibliotekets pipeline för taligenkänning. Börja med small, den är ett rimligt mellanläge mellan fart och kvalitet.
4. Peka pipelinen på din ljudfil och spara texten den returnerar.

KBLab:s modellsida har färdiga kodexempel att utgå från. Har du mycket ljud och en dator med grafikkort, prova large när du sett att allt fungerar.

När webbtjänsten är det bättre valet

Har du en enstaka fil utan känsliga uppgifter är en webbtjänst snabbare än att installera något. Det gäller också när du behöver undertexter i ett visst format eller en färdig talarindelning.

Vilka webbtjänster transkriberar svenska?

Happy Scribe listar svenska bland språken för automatisk transkribering och har ett gratisprov på 10 minuter. Den billigaste betalplanen ger 120 minuter i månaden. Flera andra tjänster, som TurboScribe, bygger på Whisper och tar svenska, men kontrollera språklistan och villkoren innan du laddar upp något känsligt.

Fördelen med en webbtjänst är att den gör allt åt dig: talaridentifiering, tidsstämplar, export till Word eller undertextfiler och ofta översättning. Nackdelen är att ljudet laddas upp till tjänstens servrar, ofta utanför EU. Läs var tjänsten lagrar filerna, hur länge och om den använder dem för att träna sina modeller.

För möten finns ett tredje alternativ: verktyget du redan har möten i. Teams, Google Meet och Zoom kan transkribera medan mötet pågår, beroende på vilken licens organisationen har. Hur de fungerar på svenska och vad de missar går vi igenom i AI-mötesprotokoll.

Vad påverkar hur bra transkriberingen blir?

Ljudkvaliteten avgör mer än verktyget. Avståndet till mikrofonen, eko i rummet, bakgrundsljud och att flera pratar samtidigt ger fler fel än skillnaden mellan två bra modeller. En inspelning med mobilen mitt på ett bord i ett stort rum blir sämre än samma samtal med en mikrofon nära varje talare.

Några saker som brukar göra störst skillnad:

• Spela in nära: ju närmare munnen mikrofonen sitter, desto mindre av rummet hörs.
• En i taget: överlappande tal är det svåraste för alla modeller, och talaridentifieringen tappar bort sig.
• Ett tyst rum: fläktar, trafik och tangentbord hamnar i ljudet och ibland i texten.
• Rätt språk vald: låter du tjänsten gissa språket kan en kort engelsk inledning få resten tolkat på fel språk.
• Namn och facktermer: skriv en lista och sök igenom texten efteråt. Ovanliga namn blir nästan alltid fel.

Får du transkribera inspelningar med personuppgifter?

En röst och det någon säger är personuppgifter när personen går att identifiera. Spelar du in en intervju eller ett möte i jobbet gäller dataskyddsförordningen, och laddar du upp ljudet till en molntjänst blir tjänsten personuppgiftsbiträde. Då behövs ett biträdesavtal, och de inspelade ska veta om inspelningen och vad den används till.

För journalister och forskare finns särskilda regler, men för de flesta företag är det enklaste att hålla sig till tjänster ni redan har avtal med, som Microsoft 365 i organisationen, eller att transkribera lokalt. Med KB-Whisper på din egen dator lämnar ljudet aldrig maskinen. Mer om hur dataskyddsförordningen gäller när AI-tjänster tar emot material finns i GDPR och ChatGPT.

Vad härnäst?

Börja med det du redan har. Har du Microsoft 365, ladda upp en kort fil i Word och se om resultatet räcker. Har du mycket ljud eller känsligt material är KB-Whisper värt eftermiddagen det tar att installera. Hur ett AI-protokoll byggs ovanpå utskriften, och var det brister, finns i AI-mötesprotokoll.

Källor: Microsoft support, Transkribera dina inspelningar, KBLab, KB-Whisper large, Happy Scribe, priser, Happy Scribe, språk, OpenAI, Whisper på GitHub, IMY, Vad är en personuppgift?.