Whisper og lokal transkribering: slik virker tale til tekst uten sky

Bak nesten alle moderne tale-til-tekst-verktøy ligger samme gjennombrudd: Whisper, en åpen AI-modell som gjorde presis talegjenkjenning tilgjengelig for alle. Den er grunnen til at transkribering på norsk gikk fra ubrukelig til imponerende på et par år, og den er grunnen til at du i dag kan transkribere helt lokalt på din egen maskin, uten sky. Her er teknologien forklart, uten fagsjargong.

Hva er Whisper?

Whisper er en talegjenkjenningsmodell utgitt som åpen kildekode av OpenAI i 2022. Den ble trent på flere hundre tusen timer med tale og tilhørende tekst på mange språk, og lærte seg dermed ikke bare å høre ord, men å forstå sammenheng: den bruker resten av setningen til å velge riktig ord, setter tegnsetting selv og takler bakgrunnsstøy langt bedre enn eldre systemer.

To egenskaper gjorde Whisper til et vendepunkt:

• Den er flerspråklig. Rundt hundre språk, inkludert norsk, i samme modell. Språket gjenkjennes automatisk.
• Den er åpen. Hvem som helst kan bygge videre på den og kjøre den hvor som helst, også på en vanlig laptop. Det er dette som muliggjør lokal transkribering.

Hvorfor er den blitt så god på norsk?

Grunnmodellen kan norsk fordi norsk tale var del av treningen. Men det stopper ikke der: Nasjonalbibliotekets AI-lab har trent NB-Whisper, norsktilpassede varianter av modellen, på store mengder norsk tale. Resultatet er enda bedre presisjon på norsk, også med dialekter, som historisk har vært talegjenkjenningens svakeste punkt her til lands.

For deg betyr det at verktøy bygget på Whisper-familien i dag transkriberer et vanlig norsk møte med en presisjon som var utenkelig for få år siden. Hvor godt det fungerer i praksis, kan du lese om i guiden om tale til tekst på norsk.

Hva betyr lokal transkribering i praksis?

Lokal transkribering betyr at modellen kjører på din egen maskin. Lydfilen mates inn i modellen der den ligger, og teksten kommer ut samme sted. Sammenlign de to veiene:

	Lokal transkribering	Sky-transkribering
Hvor behandles lyden	På din maskin	På leverandørens servere
Internett nødvendig	Nei	Ja
Tredjeparter involvert	Ingen	Leverandør og underleverandører
Personvern	Lyden forlater aldri enheten	Krever tillit, avtaler og kryptering
Fart på lange opptak	Avhenger av maskinen	Som regel raskest

Lokal kjøring er det opplagte valget når innholdet er sensitivt: klientmøter, pasientnotater, intervjuer med sårbare kilder, interne strategidiskusjoner. Det finnes ingen server å hacke og ingen databehandleravtale å vurdere, for dataene drar aldri hjemmefra. Derfor er lokal modus førstevalget i bransjer med taushetsplikt, som vi skriver om i diktering for advokater og diktering i helsevesenet.

Prisen du betaler er tid på svært lange opptak: skyen har større maskiner. Derfor er det ideelle verktøyet ett som lar deg velge per situasjon.

Slik bruker du Whisper lokalt på Mac

Du kan sette opp Whisper selv med åpen kildekode-verktøy, men det krever terminalarbeid og vedlikehold. Den enkle veien er et verktøy som har pakket det ferdig:

1. Last ned Sayable for Mac. Modeller i Whisper-familien følger med, klare til bruk.
2. Velg lokal modus. Transkripsjon og AI-sammendrag kjører da på maskinen, også offline.
3. Dikter i alle apper, eller ta opp møter og få transkript og referat, uten at lyden forlater Mac-en.

Apple Silicon-brikkene er bygget med maskinlæringsakselerasjon, så en helt vanlig MacBook kjører dette raskt og stille.

Det beste fra begge verdener

Whisper gjorde det mulige valget: samme kvalitet lokalt som i sky. I Sayable velger du fritt: lokal transkripsjon for personvern og offline-bruk, sky når du vil ha fart på lange møter, med priser som starter på gratis. Uansett hva du velger, er det Whisper-generasjonens teknologi som gjør jobben, og norsk har aldri vært bedre forstått av en maskin.