Taligenkänning är automatisk omvandling av tal till text, oftast med modeller byggda med maskininlärning. På engelska kallas det speech recognition eller automatic speech recognition, ofta förkortat ASR. När du dikterar i mobilen eller får automatisk transkribering av ett möte är det sådan teknik som används.
Målet är att svara på frågan vad som sades. Det är inte samma sak som talaridentifiering, som försöker avgöra vem som talar, och inte heller talsyntes, som gör text till ljud. Om några ord känns nya finns en ordlista med korta förklaringar.
I korthet
- Taligenkänning gör tal till text genom att koppla ljudmönster till sannolika ord.
- Den vanliga kedjan är ljud → spektrogram eller andra ljudfunktioner → akustisk modell eller talmodell → avkodning med språkmodell → text.
- Modellen förstår inte innehållet i mänsklig mening. Den räknar på mönster i data.
- Vanliga fel orsakas av dialekter, brus, flera talare samtidigt, ovanliga namn och ord som sällan fanns i träningen.
- Kvalitet mäts ofta med ordfelfrekvens, WER, och svenska fungerar oftast bättre med modeller som tränats på mycket svenskt tal.
Vad menas med taligenkänning?
Taligenkänning svarar på frågan vad som sades i ett ljudklipp eller i direktsänt tal. Resultatet blir text, till exempel vid diktering, undertexter eller automatisk transkribering av möten och intervjuer.
Det viktiga är att systemet börjar med rått ljud från en mikrofon, inte med färdiga ord. När texten väl har skapats kan den sedan användas vidare i naturlig språkbehandling, till exempel för sökning, sammanfattning eller textanalys.
Hur gör en dator ljud till text?
En modern tal till text-kedja har flera steg. I äldre system låg stegen oftare i separata delar. I nyare system lärs mer av detta inne i samma modell, men grundidén är fortfarande att koppla ljudmönster till den mest sannolika texten.
Ljud fångas upp
Mikrofonen spelar in en ljudvåg, alltså hur lufttrycket varierar över tid.
Ljudet delas upp
Ljudvågen delas i korta tidsfönster. Ofta räknar systemet fram ett spektrogram, som visar hur mycket energi som finns på olika frekvenser över tid.
Akustisk modell eller talmodell hittar mönster
Modellen letar efter återkommande mönster i ljudet som brukar höra ihop med språkliga enheter, till exempel språkljud, bokstäver, delord eller andra symboler.
Språkmodell och avkodning väljer en sannolik ordkedja
Avkodning, på engelska decoding, väger ihop vad som passar ljudet och vilka ordföljder som verkar rimliga i språket.
Text skrivs ut
Systemet väljer den text som verkar mest sannolik och visar den som transkribering.
Testa själv
1. Öppna diktering i mobilen eller på datorn och säg en kort mening.
2. Läs sedan upp en mening med ett ovanligt namn och en dialektal fras.
3. Jämför texten med vad du faktiskt sa. Titta särskilt på namn, småord och böjningar.
Varför blir det text trots att modellen inte förstår?
Det som ser smart ut är i grunden sannolikhetsberäkningar. Modellen testar vilka tecken, delord eller ord som bäst passar ljudet och vilken fortsättning som verkar mest sannolik utifrån språkliga mönster.
När man pratar om AI för taligenkänning menar man oftast just en tränad modell som har lärt sig sådana kopplingar från mycket träningsdata. Den tänker inte och har ingen förståelse i mänsklig mening. Därför kan den skriva en flytande mening som ändå inte stämmer med det som faktiskt sades.
Hur har tekniken utvecklats?
Länge byggde taligenkänning på statistiska modeller som dolda Markovmodeller, ofta förkortat HMM efter engelska hidden Markov model. Då var ljudmodell, uttalslexikon och språkmodell oftare separata delar som sattes ihop.
Omkring 2009–2012 tog djupa neurala nätverk över mycket av ljudmodelleringen. Det gav bättre resultat när det fanns tillräckligt med märkt tal och datorkraft. På 2010-talet blev också så kallade end-to-end-modeller vanligare, där mer av kedjan lärs gemensamt.
Ett känt exempel är OpenAI Whisper från 2022. Det är en encoder-decoder-modell byggd med transformer och tränad på 680000 timmar flerspråkigt ljud med transkriptioner från internet. Sådana modeller kan vara robusta och användbara, men de bygger fortfarande på statistiska mönster i data.
Varför gör taligenkänning fel?
Fel uppstår när ljudet är svårt att tolka eller när modellen inte har sett tillräckligt många liknande exempel tidigare. Ett lågt genomsnittligt fel betyder därför inte att systemet fungerar lika bra för alla röster, miljöer och ämnen.
- Dialekter och uttal. Om vissa uttal hörs mindre i träningen kan modellen passa sämre för dem.
- Brus och eko. Trafik, musik, dåliga mikrofoner och efterklang gör ljudmönstren otydligare.
- Flera som pratar samtidigt. Överlappande tal gör det svårt att avgöra vilka ord som hör ihop med vilken röst.
- Namn och fackord. Personnamn, ortnamn, medicinska ord och intern jargong kan vara ovanliga i datan.
- Ovanliga språk eller språkblandning. Växling mellan språk mitt i en mening kan förvirra både talmodell och språkmodell.
Om du vill läsa mer om hur skillnader i data kan slå olika för olika grupper finns en separat artikel om algoritmisk bias.
Hur mäter man hur bra taligenkänning är?
För att mäta hur bra modellen är används ofta ordfelfrekvens, på engelska word error rate eller WER. Måttet jämför modellens text med ett facit som en människa har transkriberat.
WER räknas som: (utbytta ord + borttappade ord + tillagda ord) delat med antal ord i facit. Utbytta ord kallas substitutions, borttappade ord deletions och tillagda ord insertions.
WER är användbart, men det säger inte allt. Ett system kan få bra snittvärde och ändå fungera sämre för vissa dialekter, miljöer eller ämnesområden. Därför behöver man också titta på vilken typ av tal som ingår i testet.
Taligenkänning, talaridentifiering och talsyntes: vad är skillnaden?
| Teknik | Huvudfråga | Indata | Utdata |
|---|---|---|---|
| Taligenkänning | Vad sades? | Ljud med tal | Text |
| Talaridentifiering eller röstverifiering | Vem talar? | Ljud med tal | En identitet eller en matchning |
| Talsyntes | Hur ska den här texten låta? | Text | Genererat ljud |
I vardagligt språk säger man ibland röstigenkänning om flera olika saker. Därför är det tydligare att skilja på taligenkänning, som handlar om innehållet i orden, och talaridentifiering eller röstverifiering, som handlar om personen bakom rösten.
Hur bra fungerar det på svenska och vad gäller för integritet?
Svenska fungerar oftast bättre med modeller som har tränats på mycket svenskt tal. Uttal, sammansatta ord, namn och dialekter skiljer sig från andra språk, så språkdata spelar stor roll för kvaliteten.
Kungliga bibliotekets labb KBLab släppte KB-Whisper i mars 2025. Modellerna har finjusterats på 50000 timmar transkriberat svenskt tal. Enligt KBLab gav den bästa modellen i snitt 47 procent lägre WER än OpenAI:s Whisper-large-v3 på FLEURS, Common Voice och NST. Det är en relativ minskning i just de testerna, inte ett löfte för alla situationer.
Integritet är också viktigt. Diktering och automatisk transkribering kan ske lokalt på din enhet eller skickas till molnet, beroende på tjänst, språk och inställning. Inspelningar kan innehålla känsliga personuppgifter, så kontrollera hur ljudet behandlas och sparas. Det hör ihop med frågor om AI-säkerhet och ansvar.
Vanliga frågor
Är taligenkänning samma sak som röstigenkänning?
Nej. Taligenkänning försöker skriva ut vad som sades. Det som ofta menas med röstigenkänning i säkerhetssammanhang är i stället talaridentifiering eller röstverifiering, alltså att avgöra vem som talar eller om rösten matchar en viss person.
Varför skriver mobilen fel när jag dikterar?
Vanliga orsaker är brus, dialekt, otydligt uttal, överlappande röster och ovanliga namn eller fackord. Modellen väljer den text som verkar mest sannolik utifrån ljudet och tidigare ord, och då kan den gissa fel även när meningen ser naturlig ut.
Behöver taligenkänning internet?
Inte alltid. Vissa tjänster kan köra lokalt på enheten, medan andra skickar ljudet till servrar i molnet. Det kan också skilja mellan språk och mellan olika inställningar i samma tjänst.
Vad betyder WER?
WER står för word error rate, på svenska ordfelfrekvens. Måttet räknar hur många ord som bytts ut, tappats bort eller lagts till jämfört med ett facit. Lägre WER betyder oftast bättre transkribering, men måttet säger inte allt om hur robust systemet är i olika miljöer.
Förstår en taligenkänningsmodell innehållet?
Nej, inte på mänskligt sätt. Den räknar på statistiska samband mellan ljudmönster och sannolika ordsekvenser. Därför kan den ibland skriva en språkligt rimlig mening som ändå inte stämmer med det som faktiskt sades.
Källor
- https://arxiv.org/abs/2212.04356
- https://kb-labb.github.io/posts/2025-03-07-welcome-KB-Whisper/
- https://arxiv.org/abs/1706.03762
- https://www.ibm.com/think/topics/speech-recognition
- https://en.wikipedia.org/wiki/Speech_recognition
- https://en.wikipedia.org/wiki/Word_error_rate
Skriven av AI-redaktionen · Granskad av Linus Pierre. Texten är researchad och faktakontrollerad mot källorna ovan, som en del av maskinlarning.se – en sajt som byggs med AI och granskas av en människa.
Senast uppdaterad: 1 november 2026