Klang säger att danska Pianissimo klarar en timme ljud på en sekund

Svenska Klang släppte den danska talmodellen Pianissimo med öppna vikter under CC BY 4.0 den 3 november 2026 och uppgav i sitt lanseringsbesked att en timmes ljud kan transkriberas på ungefär en sekund; bolagets AI-chef Mattias Fält beskrev skandinaviska språks tidigare ställning med orden ”the Scandinavian languages have been an afterthought”. Modellvikterna finns att ladda ned, och licensen tillåter även kommersiell användning om upphov och licens anges.

I Klangs tekniska redovisning från samma dag preciseras hastighetsuppgiften till mer än en timmes ljud på under en sekund med ett Nvidia H100-grafikkort; där får Pianissimo 11,83 procents genomsnittlig ord-felfrekvens mot 12,33 procent för ElevenLabs Scribe v2 på tre danska testmängder. Det är ett försprång i bolagets egen utvärdering. För den som vill behandla danska inspelningar lokalt är modellen tillgänglig, men hastigheten på H100 säger inget om hur fort samma arbete går på en vanlig dator eller telefon.

Hastigheten gäller genomströmning på H100

Klangs uppgift beskriver hur mycket inspelat ljud modellen kan bearbeta under den angivna tiden på ett kraftfullt grafikkort. Den är därför relevant för stora mängder ljud, men ska inte förväxlas med tiden från att en enskild användare väljer en fil tills en färdig text kan läsas. Filhantering, eventuell uppdelning av ljudet och efterarbete ingår inte i själva jämförelsen mellan ljudets längd och modellens bearbetningstid.

Pianissimo är en dansk anpassning av Nvidias öppna Parakeet v3. Klang beskriver hur talmaterial har filtrerats, anpassats till texten och använts för att träna modellen vidare. Den tekniska grunden förklarar varför samma modellfamilj kan erbjudas i flera körformat, men det gör inte en H100-mätning överförbar till varje format. På en bärbar dator eller telefon beror genomströmningen också på processor, minne och vilken version av modellen som används.

För svenska användare med danska intervjuer, samtal eller programinspelningar är den avgörande skillnaden mellan hastighet och plats för bearbetning. H100-resultatet är Klangs mått på hög genomströmning. Lokal körning innebär att ljudet kan behandlas på den egna utrustningen utan att skickas till en extern transkriberingstjänst. Det är två skilda egenskaper, och den ena garanterar inte den andra.

Tre danska testmängder ger olika vinnare

Klang byggde sin jämförelse på danska anföranden i Europaparlamentet, tal från DR:s tv-program och spontant tal i DanPASS, ett material med anknytning till Köpenhamns universitet. Testet omfattar mer än tio timmars tal och över tiotusen textsegment. Modellerna bedömdes mot referenstexter, medan medelvärdet ger var och en av de tre mängderna samma vikt. Ett genomsnitt kan därför dölja att en modell passar en viss sorts tal bättre än en annan.

WER står för word error rate, eller ord-felfrekvens. Måttet räknar ord som har ersatts, utelämnats eller lagts till i förhållande till en referenstext; lägre värde betyder färre sådana fel. I ett förenklat exempel ger tolv fel bland hundra referensord en WER på tolv procent. Måttet skiljer däremot inte mellan ett fel i ett namn och ett fel i ett mindre betydelsefullt ord, trots att följden för läsaren kan vara mycket olika.

• I Europaparlamentets anföranden får Pianissimo 7,86 procents WER och ElevenLabs Scribe v2 8,59 procent. Här har Pianissimo ett tydligt övertag i Klangs tabell.
• För dansk tv är värdena 18,24 respektive 19,07 procent. Båda modellerna gör fler fel här än på de andra två testmängderna.
• I DanPASS får Pianissimo 9,38 procent och Scribe v2 9,31 procent. På spontant tal går den lilla fördelen alltså åt andra hållet.

Skillnaden i medelvärde är 0,50 procentenheter. Som räknebild skulle det motsvara ungefär fem färre fel per tusen referensord om skillnaden uppträdde på en enda lika stor textmängd; Klangs publicerade medelvärde är i stället ett snitt av tre separata resultat. De öppna danska modellerna edda-v0.2-duo och saga-2-m ligger också efter Pianissimo i bolagets tabell, med 13,08 respektive 13,28 procents genomsnittlig WER. Det visar utfallet på just dessa testmängder, inte en oberoende upprepning av jämförelsen.

Öppna vikter gör lokal körning möjlig

Den öppna licensen låter andra använda, ändra och sprida modellvikterna, också i kommersiella produkter, med korrekt tillskrivning. Det ger en annan möjlighet än enbart tillgång till en leverantörs färdiga transkriberingstjänst: den som kör modellen kan välja var ljudet behandlas. Hårdvara och drift behöver fortfarande ordnas av den som använder vikterna, så en öppen licens är inte detsamma som en kostnadsfri transkriberingstjänst.

Klang erbjuder ONNX för bland annat processorer och webbläsare, GGUF för processor eller grafikkort, MLX för Mac med Apple-krets och CoreML för Apples Neural Engine på Mac och iPhone. Formaten är olika vägar att köra den danska modellen. Komprimerade varianter tar mindre plats, men kan också ge andra felvärden än den version som används som utgångspunkt i bolagets huvudjämförelse. Den som jämför resultat bör därför hålla isär modell, format, ljudmaterial och hårdvara.

ElevenLabs Scribe v2 är ett slutet alternativ i Klangs jämförelse, medan Edda och Saga redovisas som öppna modeller. Tabellen handlar främst om transkriptionsfel på samma slags danskt tal; den ger ingen fullständig jämförelse av konkurrenternas licenser, körformat eller lokala hastighet. Pianissimos dokumenterade format gör dess användningsmöjligheter konkreta, men tabellens försprång avgör inte ensamt vilken modell som fungerar bäst för varje inspelning.

Danska Pianissimo följer den svenska versionen

TechSavvys danska rapportering den 3 november beskriver lanseringen som en fortsättning på den svenska versionen och tillskriver uppgifterna om hastighet och träffsäkerhet Klangs egna tester. Klang planerar också en norsk version. För den som redan känner till den svenska Pianissimo-versionen är det viktigt att hålla isär språkversionerna: felvärdena för danska bygger på danskt tal och säger inget om resultatet på svenska inspelningar.

Det som återstår för hastighets- och kvalitetsanspråken är en oberoende upprepning med redovisad hårdvara, modellversion och danskt testljud. En sådan mätning skulle visa om den höga genomströmningen och det lilla genomsnittliga WER-försprånget består utanför Klangs egen utvärdering.

Läs också:

• Pianissimo transkriberar en timme svenska på en sekund – men inte felfriast
• GitHub eller GitLab: gratis CI-minuter säger inte hela kostnaden
• Asana eller Trello: två användare räcker för att vända gratisvalet