Vad är transkribering? — Definition, metoder och verklig noggrannhet
Transkribering är processen att omvandla talat innehåll från ljud- eller videofiler till skriven text. Kan göras med AI (5-10 minuter per timme ljud, ~85-94% noggrannhet på svenska) eller mänskligt (1-3 dagar, ~98%). Välj baserat på volym, budget, och konfidentialitet. Denna guide går igenom definitionen, typer av transkribering (verbatim vs ren läsning), AI vs mänsklig jämförelse, verklig noggrannhet på svenska (från Open ASR Leaderboard), KB-Whisper (Kungliga bibliotekets svenska modell), och transparenta priser.
Supported formats:
TL;DR: Transkribering = omvandla talat innehåll till text. Kan göras med AI (snabbt, billigt, ~90% exakt på svenska) eller mänskligt (långsamt, dyrare, ~98% exakt). Välj baserat på volym, budget och konfidentialitet. Marknadsföring om “99% exakthet” refererar till engelskt studioljud — inte verklig svensk användning.
Vad betyder transkribering?
Transkribering (från latinets transcribere, “skriva över”) är processen att omvandla talat innehåll till skriven text. Källan kan vara en podcast, en föreläsning, en intervju, ett mötesljud, ett röstmeddelande, en video eller en radiosändning. Resultatet — transkriptionen — är den skrivna versionen.
Transkribering gör muntligt innehåll sökbart, redigerbart, tillgängligt för döva/hörselnedsatta och möjligt att återanvända som text (blogginlägg från en podcast, undertexter för en video, protokoll från ett möte).
Transkribering, transkription, transkriberare — vad är skillnaden?
Transkribering
Processen (verbet). “Jag transkriberar intervjun nu.”
Transkription
Resultatet (substantivet). “Transkriptionen är 3000 ord.”
Transkriberare
Personen eller verktyget som utför arbetet. Kan vara AI eller mänsklig.
Typer av transkribering
Verbatim (ordagrann)
Varje ord, inklusive “eh”, “hmm”, upprepningar och överlappande tal. Talarnas exakta språk bevaras.
Används för: juridiska förhör, sociolingvistisk forskning, diskursanalys, exakta citat.
Ren läsning (edited / clean read)
Grammatiskt korrekt, filler-ord borta (“eh”, “liksom”, “typ”), meningsbyggnad justerad för läsbarhet.
Används för: publikationer, undertexter, blogginlägg från podcasts, mötesprotokoll.
Sammanfattande (intelligent verbatim)
Mittemellan verbatim och ren läsning. Bevarar mening och känsla, tar bort brus.
Används för: tematisk analys, innehållsanalys, intervju för journalistik.
AI-transkribering vs mänsklig transkribering
Ärlig jämförelse — ingen vinner alltid.
| Metod | Tid | Noggrannhet (svenska) | Pris |
|---|---|---|---|
| AI (Whisper Turbo, KB-Whisper) | 5-10 min per tim | 85-94% | 0-0.30 kr/min |
| Mänsklig transkriberare | 1-3 dagar | 98-99% | 8-15 kr/min |
| Hybrid (AI + mänsklig granskning) | 2-4 timmar | 96-98% | 3-6 kr/min |
Verklig noggrannhet på svenska (inte marknadsföring “99%”)
Alla AI-tjänster påstår “99% noggrannhet”. I verkligheten är WER (Word Error Rate) för modern AI på svenskt ljud 6-25% beroende på inspelningens kvalitet. Källa: Open ASR Leaderboard och KBLabs egna benchmark.
| Ljudkälla | WER (verkligt) | Exakthet |
|---|---|---|
| Studiomikrofon, rikssvenska | 6-8% | 92-94% |
| Headset, hyfsat rum | 10-14% | 86-90% |
| Teams/Meet-möte (3-5 deltagare) | 12-18% | 82-88% |
| Kraftig dialekt (bred skånska, älvdalska) | 15-22% | 78-85% |
| Musik/bakgrundsbrus | 18-25% | 75-82% |
Ärlig slutsats: endast mänsklig transkribering + granskning når konsekvent 98%+ på svenska. AI räcker för de flesta användningar — snabbt och billigt. Använd AI som utkast, granska manuellt vid publikationsgrad.
KB-Whisper — den svenska AI-modellen som ändrar allt
KB-Whisper är Kungliga bibliotekets svensktränade version av OpenAI Whisper, släppt av KBLab i mars 2025. Fin-tunat på över 50 000 timmar svenskt tal från SVT, Sveriges Radio, riksdagen och ISOF-dialektarkiven.
KBLabs egna mätningar visar cirka 47% lägre WER än OpenAI whisper-large-v3 på svenska. Otroligt nog överträffar kb-whisper-small (244 miljoner parametrar) OpenAI:s whisper-large-v3 (1,5 miljarder parametrar) — en 6× mindre modell presterar bättre för svensk transkribering.
Öppen källkod (Apache 2.0-licens). Kommersiell användning tillåten. Ingen HuggingFace-token krävs. Se vår KB-Whisper-guide för installation med transformers, faster-whisper och whisper.cpp.
Var används transkribering?
- Forskningsintervjuer: kvalitativa studier, sociologi, psykologi, medicinsk forskning
- Journalistik: exakta citat, verifierbara tidsstämplar
- Juridik: förhör, vittnesmål, förhandlingar
- Företag och organisationer: styrelsemöten, årsmöten, sammanträden
- Podcasts: transkript för SEO, blogginlägg, sökbarhet
- Akademiska föreläsningar: studieanteckningar, tillgänglighet
- Mediearkiv: äldre radio-/TV-sändningar för sökbarhet
- Tillgänglighet: undertexter för döva/hörselnedsatta
Testa transkribering på 30 sekunder
Ladda upp en kort ljudfil eller klistra in en YouTube-URL. Vi kör Whisper Large V3 Turbo och visar resultatet med talaridentifiering.
Prova gratis (30 min)Vanliga missförstånd
- Transkribering ≠ översättning. Transkribering behåller språket (svenska → svensk text). Översättning byter språk (svenska → engelsk text).
- “99% noggrannhet” är marknadsföring, inte verklighet. Den siffran refererar till bästa fall på engelskt studioljud (LibriSpeech benchmark). På verklig svensk användning ligger AI på 82-92% beroende på förhållanden.
- AI ersätter inte mänsklig granskning för känsligt material. Juridiska dokument, patientjournaler och källskyddad journalistik kräver alltid manuell verifiering.
- Talaridentifiering (“vem sa vad”) kräver ett separat steg. Whisper transkriberar text, pyannote/annat identifierar talare. Många tjänster kombinerar båda automatiskt.
Vanliga frågor om transkribering
Vad är skillnaden mellan transkribering och översättning?
Transkribering omvandlar talat innehåll till text i samma språk (svensk audio → svensk text). Översättning byter språk (svensk audio/text → engelsk text). Många moderna AI-verktyg kan göra båda, men det är olika processer.
Hur exakt är AI-transkribering på svenska?
6-10% WER (Word Error Rate) på rent studioljud i svenska = 90-94% exakthet. Faller till 12-18% (82-88% exakthet) på Teams/Meet-möten med flera talare, 15-25% på kraftig dialekt eller ljud med musik/brus. Marknadsföring om '99%' refererar till bästa fall på engelskt studioljud — inte verklig svensk användning.
Vad kostar transkribering?
AI-transkribering: 0 kr (om du kör Whisper lokalt) till ~5 kr per timme ljud (hostad tjänst som VexaScribe). Mänsklig transkriberare i Sverige: 8-15 kr per minut, dvs ~500-900 kr per timme ljud. Hybrid (AI + mänsklig granskning): 3-6 kr per minut. Priserna varierar med snabbhet, konfidentialitet och komplexitet.
Är AI-transkribering säker för känsliga uppgifter (GDPR)?
Beror på verktyget. Kommersiella molntjänster (VexaScribe inkluderad) hanterar krypteringstransit och lagring, men ljudet passerar deras servrar. För maximalt känsligt material (personuppgifter i journal, källskyddad journalistik) rekommenderar svenska universitet ofta självhostat Whisper eller Scribe by Sunet. Läs mer på vår sida om transkribera intervju för GDPR-detaljer.
Vad är KB-Whisper och varför är den bättre för svenska?
KB-Whisper är en svensk fine-tune av OpenAI Whisper släppt av KBLab (Kungliga bibliotekets AI-labb) mars 2025. Tränad på 50 000+ timmar svenskt tal från SVT, riksdagen och ISOF-dialektarkiven. Cirka 47% lägre WER på svenska än OpenAI whisper-large-v3. Kb-whisper-small överträffar OpenAI large-v3 trots att den är 6× mindre. Se vår KB-Whisper-guide för installation och benchmark.
Kan jag transkribera mötesljud automatiskt?
Ja. Ladda upp inspelningen (MP3, MP4, M4A, WAV — från Zoom, Teams, mobil, Dictaphone) och få text med talaridentifiering på 5-15 minuter. Se vår sida om transkribera möte för Teams/Meet/Zoom-specifika guider.
Vilka filformat stöds för transkribering?
De flesta AI-tjänster stöder: MP3, WAV, M4A, FLAC, OGG, OPUS (WhatsApp), AAC för ljud. MP4, MOV, MKV, WEBM, AVI för video (ljudet extraheras automatiskt). Filstorlek vanligtvis upp till 5 GB och 8 timmar per fil.
Källor: Open ASR Leaderboard, KBLab KB-Whisper publikation, egna mätningar. Verifierat 2026-07-13.
Relaterat
Transkribera ljud
Ladda upp filen och prova själv — live money page
KB-Whisper förklarat
Kungliga bibliotekets svenska Whisper-modell (47% lägre WER)
Transkribera möte
Teams, Meet, Zoom och ljudfiler
Transkribera intervju
Forskning, journalistik, kvalitativ analys
Mötesprotokoll — Mallar
Från transkribering till formellt protokoll