AI-modeller
Whisper är en öppen modellfamilj och Python-bibliotek för automatisk taligenkänning, utgivet under MIT-licens av OpenAI. Den transkriberar tal på många språk direkt från ljudfiler i ett enda steg.
Betyg 74 av 100 Preliminär (källbaserad)
Läs bedömningenAI-modeller har ingen egen API-roll i katalogen; de körs via motorer som Ollama, vLLM eller leverantörens API.
MCP är inte tillämpligt för den här typen av programvara.
Totalbetyg
74 av 100
Preliminär (källbaserad)
MIT-licens verifierad i repots LICENSE på både kod och modellvikter; helt fri lokal körning utan konton eller API-nycklar.
Täcker transkription och översättning med flera modellstorlekar; mindre lämpad för realtid med hårda latenskrav och saknar färdigt server-API.
Modellvikter laddas fritt och biblioteket är portabelt (Linux/macOS/Windows), men det finns ingen nätverks-API-yta eller standardiserad export för integrationer.
Underhållet av OpenAI sedan 2022 med stort derivatekosystem (whisper.cpp, faster-whisper); drift- och säkerhetspolicy ej oberoende bekräftade.
Väldokumenterat Python-API och CLI används i stor automatisering; inget server-API, SDK eller MCP — agentintegration får byggas runt applikationen.
Enkelt pip-paket men beräkningskraven är betydande för större modeller (GPU rekommenderas); driftansvaret ligger helt på användaren.
Kod och vikter kostnadsfria; totalkostnaden styrs av egen beräkningskapacitet och kräver egen beräkning.
Svensk språkförmåga är inte verifierad i de hämtade källorna (repo/README/LICENSE belägger inte svenskt stöd).
Whisper är en allmän modell för taligenkänning som tränats på stora mängder olika slags ljud. Den gör flera uppgifter i ett steg: flerspråkig transkription, översättning av tal till engelska, språkidentifiering och detektering av talaktivitet. Där en traditionell taligenkänningskedja består av separata steg ersätter en enda modell hela ledet, vilket gör den enkel att sätta igång.
Det utmärkande är kombinationen av öppen källkod och lokal drift. Modellerna laddas ner och körs på egen hårdvara via ett Python-bibliotek eller ett kommandoradsverktyg, och finns i flera storlekar där snabbare varianter ger lägre noggrannhet och tvärtom. Det gör Whisper användbar när ljudet inte får lämna organisationen, samt som byggsten i egna kedjor för poddar, mötesinspelningar och arkivmaterial.
Begränsningarna är väl dokumenterade. Modellen kan hallucinera, alltså upprepa fraser eller hitta på rader i tysta passager, och noggrannheten varierar mellan språk. Talarseparation ingår inte, och exakta tidsstämplar för varje ord kräver kompletterande verktyg. Kvaliteten är bäst på tydligt inspelat tal; musik, överlappande röster och dåliga mikrofoner ger märbart sämre resultat.
6 skärmbilder. Välj en bild för att visa den i full storlek. Svep i sidled för fler.
AI-modeller · Öppna modellvikter – Googles Gemma-familj (text, bild, video och ljud)
Språkmodellfamiljen Gemma från Google DeepMind kommer med öppna vikter — färdiga modeller som kan laddas ner och köras på egen hårdvara, från telefon till datacenter.
AI-modeller · Modellfamilj
Qwen är Alibabas familj av språkmodeller med öppna vikter — körbara lokalt på egen hårdvara eller som API-tjänst, med stöd för ett mycket stort antal språk.
