Nvidia har släppt en ny AI-modell som kan transkribera svenska intervjuer och möten, med möjlighet att styra hur texten ska skrivas. Men det finns en viktig begränsning: modellen har inget bekräftat stöd för att skilja mellan flera svenska talare. Vi jämför Nemotron 3.5 Transcribe med OpenAI:s Whisper och reder ut vilket alternativ som passar bäst.
Nvidias nya Nemotron 3.5 Transcribe lanserades den 28 oktober 2026. Modellen kan bearbeta ljudinspelningar på upp till en timme och har stöd för transkribering på 40 språk, däribland svenska.
Det mest intressanta är inte enbart att modellen känner igen tal. Användaren kan också ge instruktioner om hur transkriberingen ska göras. Det går exempelvis att be modellen behålla tvekljud och upprepningar, rensa bort utfyllnadsord eller ta hänsyn till särskilda facktermer.
För den som spelar in intervjuer, föreläsningar eller möten kan det spara efterarbete. Men det betyder inte att Nvidia automatiskt är ett bättre alternativ än den etablerade konkurrenten Whisper.
Vad klarar Nvidia Transcribe på svenska?
Nvidia klassar svensk transkribering som produktionsklar i modellens officiella dokumentation. Det innebär att företaget bedömer språkstödet som tillräckligt utvecklat för praktisk användning.
Samtidigt varierar stödet mellan olika funktioner.
| Funktion | Stöd för svenska |
|---|---|
| Transkribera tal till text | Ja |
| Översätta mellan svenska och engelska | Ja |
| Hantera blandade språk | Ja |
| Styra hur transkriptionen skrivs | Ja |
| Tidsstämplar | Ja, beroende på körsätt |
| Automatiskt skilja mellan flera talare | Inte bekräftat |
| Besvara frågor om innehållet i ljudet | Saknar tillräckligt verifierat svenskt stöd |
Den viktigaste begränsningen gäller alltså talaruppdelning, även kallad speaker diarization.
I Nvidias officiella modellkort anges stöd för transkribering med flera talare på 13 språk. Svenska finns däremot inte med bland språken som har denna funktion.
Det innebär inte nödvändigtvis att modellen aldrig kan skilja svenska röster åt. Däremot saknas ett dokumenterat stöd som användaren kan förlita sig på.
En viktig skillnad för svenska intervjuer
Tänk dig en intervju där en journalist ställer frågor och en intervjuperson svarar.
Att transkribera samtalet innebär att omvandla det som sägs till skriven text. Att identifiera vem som säger vad är ett separat problem.
En transkription kan därför innehålla rätt ord men ändå vara svår att använda om den inte tydligt visar när talaren byts.
För en ensam föreläsare spelar det kanske mindre roll. För ett möte med fem deltagare kan det vara helt avgörande.
Instruktionerna är Nvidias stora nyhet
Den verkliga nyheten med Nemotron 3.5 Transcribe är möjligheten att påverka resultatet genom vanliga språkinstruktioner.
En journalist som behöver skriva ut ett citat kan exempelvis begära en ordagrann transkription med upprepningar och utfyllnadsord kvar.
Den som transkriberar ett internt möte kan i stället vilja ha en mer lättläst version där onödiga tvekljud rensas bort.
Modellen kan också få bakgrundsinformation om särskilda namn och fackuttryck. Det kan vara användbart vid exempelvis tekniska intervjuer, där ovanliga begrepp annars riskerar att transkriberas fel.
Det finns dock en viktig gräns. Att ange ett företagsnamn eller ett fackuttryck i instruktionen betyder inte att modellen säkert kommer att återge det korrekt. Informationen ska hjälpa den att tolka ljudet, inte ersätta det som faktiskt sägs.
För publicering av intervjucitat behöver transkriptionen fortfarande kontrolleras mot originalinspelningen.
Kan Nvidia också sammanfatta svenska möten?
Modellen har funktioner som går längre än vanlig transkribering. Nvidia visar bland annat hur AI:n kan besvara frågor om innehållet i en inspelning.
Det kan låta som ett färdigt verktyg för mötesprotokoll. Men Nvidias dokumentation anger att den mer avancerade ljudförståelsen och resonemangsförmågan endast har utvärderats på engelska.
Att svenska stöds för transkribering betyder alltså inte automatiskt att modellen kan skapa tillförlitliga svenska mötessammanfattningar.
Nvidia Transcribe eller Whisper – vad är skillnaden?
OpenAI:s Whisper har länge varit ett populärt alternativ för den som vill transkribera ljud med AI. Modellen har stöd för svenska och finns i flera storlekar, vilket gör den möjlig att använda även på mindre kraftfulla datorer.
Den nya Nvidia-modellen erbjuder mer omfattande styrning direkt i transkriberingsprocessen. Men Whisper har fördelar när det gäller tillgänglighet och hårdvarukrav.
| Egenskap | Nvidia Transcribe | Whisper |
|---|---|---|
| Svenska | Ja | Ja |
| Styrning av textens utformning | Omfattande | Mer begränsad |
| Anpassning till särskilda termer | Ja, genom instruktioner | Viss möjlighet via prompt |
| Inbyggd svensk talaruppdelning | Inte bekräftad | Nej |
| Längre inspelningar | Upp till 60 minuter dokumenterat | Kan bearbeta längre filer i segment |
| Vanlig dator utan kraftfull GPU | Begränsade möjligheter | Ja, med mindre modeller |
| Nedladdningsbara modellvikter | Ja | Ja |
Whisper kan kompletteras med talaruppdelning
Vanliga Whisper innehåller inte heller någon färdig funktion för att identifiera olika talare.
Skillnaden är att det redan finns kompletterande verktyg, exempelvis WhisperX, som kombinerar transkribering med särskilda modeller för talaruppdelning.
En sådan lösning kan vara relevant för svenska intervjuer med flera deltagare. Men den kräver ytterligare installation och är inte felfri, särskilt när människor avbryter varandra eller pratar samtidigt.
Nvidia har alltså inte automatiskt löst ett problem som Whisper misslyckats med. För svenska användare är det snarare en fråga om vilken kombination av verktyg som fungerar bäst.
Kräver Nvidia Transcribe ett kraftfullt grafikkort?
Här finns en av de största praktiska skillnaderna.
Nemotron 3.5 Transcribe är en stor AI-modell med drygt 30 miljarder parametrar totalt, även om bara en mindre del används aktivt vid varje beräkning.
Nvidias dokumentation använder bland annat kraftfulla datacentergrafikkort som H100 med 80 GB grafikminne som referens.
Det finns även stöd för särskilda optimerade versioner på annan hårdvara, däribland RTX 5090. Men det betyder inte att modellen utan vidare fungerar på en vanlig bärbar dator med ett enklare grafikkort.
Whisper har betydligt lägre krav, särskilt i sina mindre versioner.
| Whisper-modell | Ungefärligt grafikminne |
|---|---|
| Tiny | 1 GB |
| Base | 1 GB |
| Small | 2 GB |
| Medium | 5 GB |
| Turbo | 6 GB |
| Large | 10 GB |
Whisper kan dessutom köras på datorns vanliga processor, även om transkriberingen då kan ta längre tid.
För någon som vill skriva ut en intervju på sin egen dator är det en betydande fördel.
Nvidias modell är framför allt intressant för utvecklare och verksamheter med tillgång till kraftfull AI-hårdvara eller en lämplig molnlösning.
Vilken är bäst på att förstå svenska?
Det går ännu inte att slå fast att någon av modellerna är överlägsen på svenska.
Nvidia redovisar en ordfelfrekvens på 7,27 procent för svenska i testmaterialet FLEURS. På ett annat svenskt testmaterial, CoVoST2, är motsvarande siffra 13,63 procent.
Ordfelfrekvensen, WER, mäter hur många ord som blivit felaktiga, saknas eller lagts till jämfört med en korrekt transkription. Lägre är bättre.
Men siffrorna kommer från olika typer av testinspelningar och kan inte direkt översättas till hur modellen fungerar under ett verkligt svenskt arbetsmöte.
Nvidia presenterar också starka internationella resultat, men de mest uppmärksammade jämförelserna omfattar inte svenska.
Utan en jämförbar direktmätning mellan Nvidia Transcribe och Whisper på samma svenska inspelningar går det därför inte att utse en säker vinnare.
Är Nvidia Transcribe gratis?
Nvidia har publicerat modellvikterna under licensen OpenMDW-1.1, som tillåter både kommersiell och icke-kommersiell användning enligt dess villkor.
Det innebär att utvecklare kan ladda ner modellen och använda den i egna lösningar. Det är däremot inte samma sak som att Nvidia erbjuder en kostnadsfri, färdig konsumenttjänst för alla.
Hårdvara, molnkapacitet och installation kan fortfarande kosta pengar.
Whisper finns också med nedladdningsbara vikter och har MIT-licens. Den öppna versionen kan köras lokalt utan någon avgift per transkriberad minut till OpenAI.
OpenAI:s Whisper-projekt på GitHub innehåller instruktioner för installation och användning.
Det finns dessutom enklare tredjepartsprogram som bygger på Whisper, även om deras priser och villkor varierar.
Kan inspelningen stanna på den egna datorn?
Ja, båda modellerna kan användas i lokala installationer, förutsatt att datorn och programvaran klarar uppgiften.
Det kan vara viktigt för den som arbetar med känsliga intervjuer, interna möten eller annat material som inte bör skickas till en extern tjänst.
Använder man i stället en molntjänst behöver man kontrollera hur leverantören hanterar ljudfiler, lagring och åtkomst.
Det är också viktigt att skilja på Nvidias olika AI-modeller. Den som vill förstå hur en mindre språkmodell kan användas lokalt kan läsa vår tidigare guide om Nemotron Bolt E4B och datorns systemkrav. Bolt är dock en annan typ av modell än Transcribe, som är specialiserad på taligenkänning.
Vilket transkriberingsverktyg ska du välja?
För svenska användare beror svaret mer på inspelningen och datorn än på vilken modell som är nyast.
Välj Whisper som utgångspunkt om:
- Du vill transkribera en svensk intervju på en vanlig dator.
- Du behöver hantera inspelningar som är längre än en timme.
- Du vill ha en etablerad lokal lösning med flera mindre modellvarianter.
- Du vill kombinera transkribering med ett separat verktyg som identifierar talare.
Undersök Nvidia Transcribe om:
- Du vill styra transkriberingens utformning med detaljerade instruktioner.
- Du arbetar med inspelningar som innehåller många särskilda namn och facktermer.
- Du har tillgång till kompatibel och kraftfull Nvidia-hårdvara.
- Du utvecklar en egen tjänst där transkribering ska ingå i ett större arbetsflöde.
För ett svenskt möte med många deltagare är talaruppdelningen fortfarande den avgörande frågan. Där bör man inte utgå från att Nvidias nya modell automatiskt klarar uppgiften.
Slutsats: Nvidia öppnar nya möjligheter, men Whisper är enklare att börja med
Nemotron 3.5 Transcribe är en intressant lansering eftersom den gör transkribering mer styrbar. Möjligheten att ange hur texten ska behandlas och vilka begrepp som är relevanta kan bli värdefull i specialiserade arbetsflöden.
Men för någon som bara vill omvandla en svensk intervju till text är Whisper fortfarande ett mer lättillgängligt förstaval.
Nvidia kan mycket väl visa sig vara ett starkt alternativ även på svenska. Det som ännu saknas är framför allt en rättvis jämförelse av träffsäkerheten och dokumenterat svenskt stöd för att skilja mellan olika talare.
Tills dess är det klokare att välja verktyg efter den egna inspelningen än efter modellernas internationella rekordresultat.