Transkribera ljud på svenska — snabbt, exakt, med talare
Ladda upp din ljud- eller videofil och få svensk text på minuter. Vi kör Whisper Large V3 Turbo med pyannote 4.0 community-1 för talaridentifiering — 90-94% exakthet på rent svenskt ljud, tidsstämplar på både ord- och meningsnivå, export som TXT, DOCX, PDF, SRT eller VTT. Stöd för MP3, WAV, M4A, MP4 och alla vanliga format. 30 minuter gratis, inget kort krävs. 99 språk inklusive svensk code-switching.
Format som stöds:
Transkribera ljud — även kallat tal till text, ljud till text eller AI-transkribering — är att förvandla talat innehåll i en inspelning till redigerbar text. Med Whisper Large V3 Turbo tar en timmes ljud 5-10 minuter att bearbeta, med 90-94% exakthet på rent svenskt ljud och automatisk identifiering av upp till 50 talare.
Vilken modell driver transkriberingen?
VexaScribe kör Whisper Large V3 Turbo (OpenAI:s optimerade version av whisper-large-v3) plus pyannote 4.0 community-1 för talaridentifiering. På rent svenskt ljud levererar detta 6-10% WER (Word Error Rate), enligt Open ASR Leaderboard och KBLabs jämförelser.
| Ljudkälla | Exakthet | Så märks det |
|---|---|---|
| Studiomikrofon eller headset, tyst rum | 92-94% | 2-3 fel per 40 ord |
| Laptopmikrofon, hyfsat rum | 88-92% | 3-5 fel per 40 ord |
| Möte via Teams/Meet, remote-deltagare | 85-90% | Egennamn och tekniska termer är största problemet |
| Överlappande talare, panelsamtal | 78-85% | Talaretiketter blir felaktiga vid överlappning |
| Telefoninspelning eller brus i bakgrunden | 80-88% | Kortare fraser kan hoppas över |
| Kraftig dialekt (t.ex. bred skånska) | 82-88% | Överväg KB-Whisper för dialektinspelningar |
Ärligt om KB-Whisper: På rent svenskt ljud har Kungliga bibliotekets fine-tune (KB-Whisper large) något lägre WER än vår Whisper Turbo. Om du kan självhosta modellen och inte behöver talaridentifiering, undertextexport eller molnbearbetning — läs vår KB-Whisper-guide. Om du vill ha snabb tjänst med talare + tidsstämplar + export utan Python-setup, fortsätt läsa.
Filformat, längd och pris
Ljudformat
MP3 — Vanligaste formatet
WAV — Förlustfritt
M4A — Apple-format
FLAC — Hög kvalitet, komprimerat
OGG / OPUS — Öppna format, WhatsApp-röstmeddelanden
AAC — Avancerad ljudkodning
Videoformat
MP4 — Standard
MOV — Apple QuickTime
MKV / AVI — Videocontainrar
WEBM — Webbvideo
Ljudet extraheras automatiskt från videofiler.
Standard filstorlek: upp till 5 GB per fil. Längd: upp till 8 timmar per fil på Pro-planen.
Exportformat och tidsstämplar
När transkriberingen är klar kan du exportera i det format som passar ditt arbetsflöde. Alla format inkluderar ord- och meningsnivå-tidsstämplar (utom TXT).
TXT — Ren text
Ideal för att klistra in i annat verktyg, bearbeta med skript eller skicka i e-post. Ingen formatering.
DOCX — Microsoft Word
Formatering bevaras med talarnamn, tidsstämplar och styckesindelning. Ideal för granskning i Word eller Google Dokument.
SRT / VTT — Undertexter
För att texta videos. Kompatibel med YouTube, Premiere Pro, DaVinci Resolve och Final Cut. Automatiska tidsstämplar.
PDF — Färdig rapport
Skicka till klient eller kollega. Inkluderar talaridentifiering och tidsstämplar. Ingen redigering krävs.
Exempel på svensk transkribering
Så transkriberar du en ljudfil
Ladda upp din ljudfil
Dra och släpp eller klicka för att ladda upp. Stöd för MP3, WAV, M4A, FLAC, OGG samt videoformat (MP4, MOV, MKV, WEBM) — ljudet extraheras automatiskt.
AI:n bearbetar på svenska
Whisper Large V3 Turbo transkriberar och pyannote identifierar upp till 50 talare. Tidsstämplar sätts på både ord- och meningsnivå.
Redigera och exportera
Klicka på tidsstämplar för att hoppa i ljudet, döp om talare, korrigera ord. Exportera som TXT, DOCX, PDF, SRT eller VTT.
När passar Word, KB-Whisper lokalt eller VexaScribe?
Ärlig guide — inte alla behöver samma verktyg.
| Ditt behov | Rekommenderat verktyg | Kostnad |
|---|---|---|
| En kort inspelning då och då, ingen känslig data | Microsoft Word (Microsoft 365) | Inkluderat (max 300 min/mån) |
| En intervju eller möte (30-60 min) | VexaScribe gratistestet | Gratis upp till 30 min |
| Regelbunden användning, flera talare, undertexter | VexaScribe $2-10/mån | $2-10/mån |
| Känsligt material (t.ex. journaler, juridiskt) | KB-Whisper lokalt (Apache 2.0-licens) | Gratis (kräver GPU) |
| Max exakthet, publikationsgrad | Mänsklig svensk transkribering | 8-15 kr/min |
Uppsala universitetsbibliotek rekommenderar Words inbyggda transkribering för sporadisk användning utan känsliga data. För större volym eller professionella krav är en dedikerad tjänst rätt val.
Varför VexaScribe för svensk transkribering
Allt du behöver för att förvandla ljud till redigerbar svensk text
Ärlig noggrannhet
Whisper Large V3 Turbo levererar 6-10% WER på rent svenskt ljud (dvs. 90-94% exakt), enligt Open ASR Leaderboard och KBLabs egna mätningar. Editor med klickbara tidsstämplar för snabb granskning.
Snabb bearbetning
En timme ljud tar 5-10 minuter. Kortare filer under 3 minuter. Notis via e-post när det är klart.
Talaridentifiering
pyannote 4.0 community-1 identifierar upp till 50 talare per fil. Bäst noggrannhet med 2-6 talare. Namnge om SPEAKER_00 till 'Anna' i editorn.
99 språk inkl. svenska
Svenska som primärspråk, plus stöd för blandat svenska/engelska (code-switching) i samma inspelning. Automatisk språkdetektion.
Flera exportformat
TXT, DOCX, PDF för dokument. SRT, VTT för undertexter. JSON med ord-nivå-tidsstämplar för utvecklare.
Krypterat och privat
TLS under uppladdning, kryptering i vila. Vi säljer inte data. Radera dina filer när som helst. För maximal integritet: kör KB-Whisper lokalt.
Vanliga frågor om svensk ljudtranskribering
Vilken modell använder ni för svensk transkribering?
VexaScribe kör Whisper Large V3 Turbo för transkribering och pyannote 4.0 community-1 för talaridentifiering. Detta är OpenAI:s optimerade version av Whisper large-v3 med ord- och meningsnivå-tidsstämplar. På rent svenskt ljud har KB-Whisper (Kungliga bibliotekets svenska fine-tune) lägre WER — läs vår KB-Whisper-guide om du kan självhosta.
Hur exakt är transkribering på svenska?
På rent studio- eller headset-ljud landar WER (word error rate) typiskt runt 6-10% för svenska — det vill säga 90-94% exakthet. Bakgrundsbrus, kraftig dialekt, överlappande talare eller telefonljud sänker det till 78-88%. Marknadsföringspåståenden om '99% exakthet' motsvarar inte vad någon AI-modell faktiskt levererar. För 99%+ krävs mänsklig transkribering eller en 15-20 minuters manuell granskning i editorn efteråt.
Vilka filformat stöds?
Ljud: MP3, WAV, M4A, FLAC, OGG, OPUS, AAC. Video: MP4, MOV, MKV, WEBM, AVI — ljudet extraheras automatiskt. Filstorleken beror på plan, standard är upp till 5 GB per fil.
Hur lång tid tar transkriberingen?
En timmes ljud tar typiskt 5-10 minuter att bearbeta. Kortare filer (10-30 min) är oftast klara på under 3 minuter. Du får notis via e-post när filen är färdig.
Kan jag transkribera ljudfiler med flera talare?
Ja. Talaridentifiering (diarisering) är inbyggd via pyannote 4.0 community-1 och identifierar upp till 50 olika talare i samma fil. Bäst noggrannhet med 2-6 talare. Du kan döpa om SPEAKER_00 till 'Anna' i editorn och exportera med rätt namn.
Går det att transkribera svenska dialekter?
Whisper Turbo hanterar standardsvenska mycket bra och klarar av de flesta större dialekter (göteborgska, skånska, norrländska) med något lägre exakthet — typiskt 3-5 procentenheter högre WER än rikssvenska. Kraftig dialekt eller små bygdemål (t.ex. älvdalska) fungerar sämre. KB-Whisper (Kungliga bibliotekets modell) tränades bland annat på dialektinspelningar från ISOF och presterar bättre på svåra dialekter.
Vad är skillnaden mellan Microsoft Words transkribering och er tjänst?
Microsoft Word (via Microsoft 365) har inbyggd transkribering, men den är begränsad till 300 minuter per månad, saknar SRT/VTT-export och identifierar bara talare i vissa fall. Uppsala universitetsbibliotek rekommenderar Word för sporadisk användning utan känsliga data. För längre filer, professionell användning eller när du behöver undertexter, talarnamn eller andra format är en dedikerad tjänst bättre.
Vad kostar det att transkribera ljud?
VexaScribes gratisplan ger dig 30 minuter utan kreditkort. Starter kostar $2/mån för 200 minuter, Basic $5/mån för 1000 minuter, Pro $10/mån för 2500 minuter, Studio $20/mån för 6000 minuter. En timmes ljud kostar cirka $0.20-0.30 beroende på plan. Mänsklig svensk transkribering kostar 8-15 kr per minut hos svenska byråer — en storleksordning dyrare.
Är mina ljudfiler säkra?
Filer krypteras under uppladdning (TLS) och lagring. Vi säljer inte data och du kan radera dina filer och transkript när som helst. För maximalt känsligt material (t.ex. journaler, juridiskt) kan du köra KB-Whisper eller OpenAI Whisper lokalt på din egen dator — det garanterar att ljudet aldrig lämnar maskinen.
Not: VexaScribe använder Whisper Large V3 Turbo + pyannote 4.0 community-1. Exaktheten varierar med ljudkvalitet, dialekt och bakgrundsbrus. På rent svenskt ljud har KB-Whisper (Kungliga bibliotekets fine-tune) något lägre WER — läs vår guide om självhostning.