KB-Whisper — Svenska Riksbibliotekets AI-modell för tal-till-text
KB-Whisper är Kungliga bibliotekets svensktränade version av OpenAI Whisper, släppt av KBLab i mars 2025. Den är fin-tunat på över 50 000 timmar svenskt transkriberat tal från SVT, Sveriges Radio, riksdagen och ISOF-dialektarkiven. KBLabs egna mätningar visar 47% lägre WER (Word Error Rate) i snitt än OpenAI whisper-large-v3 på svenska. Modellen är gratis, öppen källkod (Apache 2.0-licens), tillgänglig på Hugging Face i storlekarna tiny, base, small, medium och large. Denna guide går igenom WER-jämförelse, installation, hårdvarukrav och när du bör välja hostad tjänst istället för självhostning.
Supported formats:
TL;DR: KB-Whisper är en svensk fine-tune av OpenAI Whisper från KBLab (mars 2025). Rapporterat 47% lägre WER på svenska. Apache 2.0, gratis. Kb-whisper-small överträffar whisper-large-v3 på svenska trots att den är 6× mindre. Om du kan självhosta med GPU: använd den. Om du inte vill bygga stacken: en hostad tjänst som VexaScribe (som kör Whisper Large V3 Turbo, inte KB-Whisper) inkluderar talare + export.
Vad är KB-Whisper?
KB-Whisper är en samling svenska Whisper-modeller släppta av KBLab — Kungliga bibliotekets AI-labb — i mars 2025. Projektet är ett samarbete mellan KBLab, Språkbanken (Göteborgs universitet) och RISE.
Modellerna är fin-tunat på över 50 000 timmar svenskt transkriberat tal från:
- SVT-utsändningar (2000-2024) — nyheter, dokumentärer, samhällsprogram
- Sveriges Radio-arkiv — pratradio och intervjuer
- Riksdagsdebatter — formell politisk svenska
- Dialektinspelningar från Institutet för språk och folkminnen (ISOF) — inkluderar göteborgska, skånska, norrländska och mindre bygdemål
Detta breda dataurval förklarar varför KB-Whisper presterar bättre på riktig svenska än OpenAI:s general-purpose Whisper — den har helt enkelt sett mer svenskt tal, i fler dialekter och kontexter.
Hur mycket bättre är den på svenska? (WER-jämförelse)
Word Error Rate (WER) = procent felaktiga ord av totala ord. Lägre = bättre. Siffrorna nedan kommer från KBLabs eget publiceringsblogginlägg och HuggingFace-modellkorten.
| Modell | Parametrar | VRAM (int8) | Svensk WER | Anmärkning |
|---|---|---|---|---|
| OpenAI Whisper tiny | 39 M | ~1 GB | ~35% | Baseline, oanvändbar för produktion |
| KB-Whisper tiny | 39 M | ~1 GB | ~19% | 45% relativ förbättring |
| OpenAI Whisper small | 244 M | ~2 GB | ~18% | Anständig för enkla fall |
| KB-Whisper small | 244 M | ~2 GB | ~10% | Slår OpenAI whisper-large-v3 (se nedan) |
| OpenAI Whisper large-v3 | 1.5 B | ~10 GB | ~12% | Störst av OpenAI, ändå sämre än KB-small |
| KB-Whisper large | 1.5 B | ~10 GB | ~6% | Bäst tillgängligt för svenska |
Nyckelinsikt: Kb-whisper-small (244 M parametrar) överträffar OpenAI whisper-large-v3 (1.5 B parametrar) på svenska. Det är ett omvänt resultat mot vad man annars är van vid — större är inte alltid bättre när fine-tuning på målspråket kompenserar. Källa: KBLab publicerad benchmarksvit, mars 2025.
Varning: WER-siffror varierar med testdataset, ljudkvalitet, dialekt, och om overlap-handling ingår. Behandla ovanstående som storleksordningar, inte exakta värden. Kör egen benchmark på ditt eget ljud om noggrannhet är verksamhetskritisk.
Vilken storlek ska du välja?
Balans mellan noggrannhet, hastighet och hårdvarukrav.
kb-whisper-tiny (39 M)
VRAM: ~1 GB | Hastighet: Realtid × 30 på GPU
Använd för: mobil, embedded, live-transkribering. Skippa för professionellt bruk.
kb-whisper-base (74 M)
VRAM: ~1 GB | Hastighet: Realtid × 20 på GPU
Använd för: low-latency applikationer, Raspberry Pi 5.
kb-whisper-small (244 M) — rekommenderad
VRAM: ~2 GB | Hastighet: Realtid × 15 på GPU
Använd för: de flesta produktionscase. Slår OpenAI large-v3 på svenska. Bäst pris/prestanda.
kb-whisper-medium (769 M)
VRAM: ~5 GB | Hastighet: Realtid × 8 på GPU
Använd för: när small inte räcker och large är för långsam.
kb-whisper-large (1.5 B)
VRAM: ~10 GB (int8), ~15 GB (fp16) | Hastighet: Realtid × 5 på RTX 3060
Använd för: max noggrannhet, batch-jobb, känsligt material där varje procent WER räknas.
Installera och kör KB-Whisper
Tre inferensbackends beroende på ditt behov.
Med transformers (enklast)
pip install transformers torch librosa
python -c "
from transformers import pipeline
pipe = pipeline('automatic-speech-recognition',
model='KBLab/kb-whisper-large',
device='cuda:0')
result = pipe('mitt_ljud.mp3',
generate_kwargs={'language': 'sv', 'task': 'transcribe'})
print(result['text'])
"Fungerar direkt. Långsam på CPU. Kräver ~10 GB VRAM för large-modellen i fp16.
Med faster-whisper (snabbast)
pip install faster-whisper
python -c "
from faster_whisper import WhisperModel
model = WhisperModel('KBLab/kb-whisper-large',
device='cuda', compute_type='int8_float16')
segments, info = model.transcribe('mitt_ljud.mp3', language='sv')
for segment in segments:
print(f'[{segment.start:.2f} -> {segment.end:.2f}] {segment.text}')
"2-4× snabbare än transformers, lägre VRAM (~5 GB för large i int8). Rekommenderad för produktion. Källa: faster-whisper GitHub.
Med whisper.cpp (CPU och Apple Silicon)
# Konvertera modellen till ggml först (se whisper.cpp README) git clone https://github.com/ggerganov/whisper.cpp cd whisper.cpp make # Ladda ner den ggml-konverterade KB-Whisper-large från HuggingFace ./main -m ggml-kb-whisper-large.bin -f mitt_ljud.wav -l sv
Fungerar på Apple Silicon (M1/M2/M3) med god prestanda via Metal. Även x86 CPU. Inga Python-beroenden. Källa: whisper.cpp GitHub.
Hårdvarukrav och kostnad
Vad kostar det att självhosta KB-Whisper mot att använda hostad tjänst?
| Setup | Kostnad | Volym-brytpunkt |
|---|---|---|
| RTX 3060 (12 GB) — egen dator | ~4 000 kr engångsköp | Lönsamt över ~500 tim/månad |
| RunPod A100 (spot) | ~$0.79/tim GPU | ~$0.05/tim ljud (large × 15) |
| Modal Labs | ~$0.001/sec H100 | ~$0.10-0.15/tim ljud, ingen setup |
| Hostad tjänst (t.ex. VexaScribe) | $0.05-0.30/tim ljud | Ingen setup, inkl. talare + export |
Riktlinje: självhostning på egen GPU lönar sig runt 500+ timmar ljud per månad. Under det: sannolikt billigare med hostad tjänst när du räknar in tid för setup, uppdateringar och underhåll.
KB-Whisper + talaridentifiering
KB-Whisper transkriberar bara — den vet inte 'vem sa vad'. För talaridentifiering behöver du kombinera med en separat modell. Standardvägen:
- pyannote.audio 3.x eller 4.x — mest populärt. Kräver HuggingFace-token och att du godkänner terms för pyannote/speaker-diarization-3.1 (gratis, men extra steg). Använd via WhisperX-pipelinen.
- NVIDIA NeMo — alternativ utan HF-token. MahmoudAshraf97/whisper-diarization på GitHub kopplar ihop det med Whisper.
- Färdig pipeline: WhisperX — github.com/m-bain/whisperX — kör Whisper (eller KB-Whisper som backend) + pyannote i ett skript, med ord-nivå-tidsstämplar via forced alignment.
Läs vår Whisper Diarization-guide (engelska) för fullständig jämförelse mellan WhisperX, whisper-diarization och OpenAI:s nya gpt-4o-transcribe-diarize.
Självhostad KB-Whisper eller hostad tjänst — vad passar dig?
Ärlig beslutsguide baserad på verkliga trade-offs.
Välj självhostad KB-Whisper när:
- Du har känsligt material (journaler, juridiskt, forskningsintervjuer med samtyckesbegränsningar) och ljud inte får lämna din maskin
- Du bearbetar 500+ timmar/månad och redan har GPU
- Du behöver bäst möjlig svensk noggrannhet och kan investera setuptid
- Du bygger en produkt där du behöver kontroll över modell och inferenspipeline
- Du kan hantera pyannote-integration för talare (eller behöver ingen)
Välj hostad tjänst när:
- Du bara vill ha svensk text ur ditt ljud utan Python-setup
- Volym under ~200 tim/månad (då är hostad billigare än att köpa GPU)
- Du behöver talare, tidsstämplar och SRT/DOCX-export utan att bygga stacken själv
- Du inte har GPU eller vill undvika molnpengar för GPU-instanser
- Du prioriterar snabb start över absolut lägsta WER
Vår ärliga positionering: VexaScribe kör Whisper Large V3 Turbo (inte KB-Whisper) plus pyannote 4.0 community-1 för talaridentifiering. På rent svenskt ljud har KB-Whisper large något lägre WER än vår Whisper Turbo. Om raw svensk noggrannhet är enda kriteriet och du kan självhosta — kör KB-Whisper. Om du vill ha snabb tjänst med talare + export utan Python: prova VexaScribe gratis (30 minuter).
Easytranscriber, VexaScribe och andra hostade lösningar
KB själva har byggt Easytranscriber — en internt hostad tjänst byggd på KB-Whisper — men den är begränsad till KB:s egna medarbetare och kopplade forskare. Bra alternativ för dig som ingår i KB:s samarbete; inte tillgängligt för allmänheten.
För extern användning finns tre huvudalternativ:
- Självhosta på molnGPU: RunPod, Vast.ai, Modal Labs, Lambda Cloud. Kräver Python-kompetens.
- Använd general-purpose transkriberingstjänst: VexaScribe (Whisper Turbo + pyannote), plus internationella alternativ som Deepgram, AssemblyAI, Rev.ai. Ingen kör KB-Whisper specifikt än, men Whisper large-v3 / Turbo räcker för de flesta svenska use-cases.
- Vänta på publik hostning: KBLab har antytt att bredare tillgänglighet kan komma. Följ KBLabs blogg.
Vanliga frågor om KB-Whisper
Vad är KB-Whisper?
KB-Whisper är en samling svenska Whisper-modeller släppta av KBLab vid Kungliga biblioteket i mars 2025, som fin-tunat OpenAI:s Whisper på över 50 000 timmar svensk transkriberat tal från SVT-utsändningar, riksdagsdebatter och dialektinspelningar från Institutet för språk och folkminnen (ISOF). Rapporterade siffror från KBLab visar i genomsnitt 47% lägre Word Error Rate (WER) än OpenAI Whisper large-v3 på svenska.
Är KB-Whisper gratis och får jag använda den kommersiellt?
Ja. Alla KB-Whisper-modeller är släppta under Apache 2.0-licens på Hugging Face — helt gratis, kommersiell användning tillåten, ingen HF-token-vägg (till skillnad från pyannote som kräver att du godkänner terms). Du kan bygga en kommersiell produkt ovanpå KB-Whisper utan royaltyer.
Vilken storlek av KB-Whisper ska jag välja?
KB-Whisper finns i tiny, base, small, medium och large. KBLabs egna mätningar visar att kb-whisper-small överträffar OpenAI:s whisper-large-v3 på svenska — en storleksordning mindre modell räcker ofta. För maximal noggrannhet kör kb-whisper-large (~3 GB, kräver ~10 GB VRAM). För snabb inferens på CPU eller Apple Silicon kör kb-whisper-small (~500 MB).
Krävs GPU för att köra KB-Whisper?
Nej, men det rekommenderas. På GPU (RTX 3060 8 GB eller bättre) transkriberar large-modellen realtid × 5-15 beroende på inferensbackend. På CPU går det men blir 10-30× långsammare — praktiskt bara för korta filer eller icke-tidskritisk batch. Apple Silicon (M1/M2/M3) via whisper.cpp fungerar hyfsat för medium och small.
Hanterar KB-Whisper talaridentifiering?
Nej. KB-Whisper transkriberar bara — den identifierar inte 'vem sa vad'. För talaridentifiering behöver du kombinera med pyannote.audio eller NVIDIA NeMo. WhisperX-pipelinen (github.com/m-bain/whisperX) fungerar med KB-Whisper som backend och pyannote som diariseringssteg. Detta kräver dock HuggingFace-token för pyannote-modellerna.
KB-Whisper vs OpenAI Whisper — vilken bör jag använda?
För rent svenskt innehåll: KB-Whisper. Skillnaden är märkbar — KBLab rapporterar ~47% lägre WER i genomsnitt. För flerspråkiga inspelningar (svenska + engelska): OpenAI Whisper large-v3 eller Whisper Large V3 Turbo hanterar code-switching bättre eftersom den är tränad på 99 språk. Om du inte vet vilken språk-mix ljudet har, börja med OpenAI Whisper.
Finns det en hostad version av KB-Whisper?
KB själva har byggt Easytranscriber — en internt hostad tjänst — men den är begränsad till KB:s egna medarbetare och kopplade forskare. För extern hostad KB-Whisper-inferens är alternativen: (1) självhosta på RunPod, Vast.ai eller Modal, (2) använda en general-purpose transkriberingstjänst som VexaScribe (som kör Whisper Large V3 Turbo — inte KB-Whisper, men med talaridentifiering, tidsstämplar och exportformat inbyggt), (3) vänta på att KBLab eller partner släpper publik hostning.
Vad tränades KB-Whisper på?
Över 50 000 timmar svenskt transkriberat tal: SVT-utsändningar (2000-2024), Sveriges Radio-arkiv, riksdagsdebatter, och dialektinspelningar från Institutet för språk och folkminnen (ISOF). Projektet gjordes av KBLab i samarbete med Språkbanken (Göteborgs universitet) och RISE. Träningsdatan täcker rikssvenska såväl som göteborgska, skånska, norrländska och mindre bygdemål.