Svensk AI-röst kan köras lokalt – kvalitetstest saknas

I lanseringsbeskedet den 14 oktober 2026 presenterade Sigma Software Group och Respeecher en svensk text-till-tal-modell för företag och offentlig sektor; Respeechers vd Alex Serdiuk beskrev träningen med orden ”we trained the model directly on native Swedish data”. Modellen kan enligt bolagen köras i kundens egen IT-miljö eller i ett suveränt EU-moln. De uppger också att personer med svenska som modersmål har bedömt rösten före lanseringen, men något oberoende kvalitetstest med publicerade jämförelser eller mätvärden har inte presenterats.

Den svenska publiceringen den 19 oktober 2026 beskriver samma erbjudande i tre former: en fristående talmodell, en talfunktion i kundens egen applikation och en komplett svenskspråkig röstagent som Sigma Software Group bygger. Skillnaden spelar roll för den som ska bedöma produkten. En röst som läser upp ett färdigt svar kan bedömas separat, medan en agent också måste uppfatta frågor, hitta information och föra samtalet vidare.

En svensk talmodell i tre leveransformer

Modellens grunduppgift är att omvandla skriven svenska till tal. Den kan användas utan att kunden köper en hel röstagent, exempelvis som talfunktion i en redan byggd tjänst. I det fallet ligger mottagning av frågor, val av svar och övrig samtalslogik hos den applikation som modellen kopplas till. Att talet låter övertygande visar därför inte om applikationen förstår vad en uppringare menar.

Den kompletta agent som Sigma Software Group erbjuder omfattar mer än talsyntes. Där kombineras den svenska rösten med bolagets kunskapsplattform SIMA, som ska ge agenten tillgång till verksamhetens rutiner, dokumentation och uppgifter i befintliga system. Det är en annan integrationsuppgift än att enbart skicka text till en talmodell och få ljud tillbaka: svarets innehåll beror på vilka kunskapskällor agenten kan använda och hur de hålls aktuella.

Bolagen nämner kundnära och interna tillämpningar inom bank, vård, fordonsindustri, e-handel och offentlig service. Det är avsedda användningsområden, inte redovisade resultat från namngivna svenska installationer. Respeecher beskriver även möjligheten att skapa en egen varumärkesröst i stället för att använda en standardröst. Hur en sådan röst låter i ett visst samtalsflöde är en separat fråga från om den svenska grundmodellen går att driftsätta där kunden vill.

Lokal drift gäller den valda installationen

Lokal körning innebär att talgenereringen kan placeras i en miljö som kunden kontrollerar. Alternativet är det EU-baserade suveräna moln som ingår i erbjudandet. Respeechers egen uppdatering anger båda driftformerna och beskriver också valet mellan en fristående modell och en komplett agent. Någon offentlig teknisk specifikation för varje möjlig kundinstallation ingår däremot inte i lanseringen.

För en organisation som hanterar samtalsdata är modellens placering bara en del av frågan. Ett färdigt samtal kan också omfatta mottagning av ljud, taligenkänning, behandling av frågan och lagring av loggar. Om talmodellen körs lokalt följer inte automatiskt att dessa delar gör det. Dataplaceringen behöver därför beskrivas för den leverans som faktiskt erbjuds, med tydlig åtskillnad mellan ljud, transkriptioner, genererat tal och eventuella sparade samtal.

Driftformen påverkar även vad kunden behöver planera för. En lokal installation måste ha kapacitet för den samtidiga belastning tjänsten väntas få och en ordning för uppdateringar och felsökning. I ett EU-moln behöver motsvarande ansvar och åtkomst beskrivas för molnleveransen. Det går inte att härleda kapacitet, svarstid eller placering av en hel agents komponenter enbart från uppgiften att själva talmodellen kan köras lokalt.

Det svenska uttalet har bedömts, men resultaten saknas

Att modellen tränats direkt på svenskspråkiga data är ett konkret utvecklingsval. Bolagen uppger dessutom att svenskspråkiga personer har deltagit i en bedömning före lanseringen. Inga öppna resultat visar dock vilka texter de hörde, hur uttal och intonation betygsattes eller hur rösten presterade mot en jämförelsemodell. Uppgiften om lyssnarbedömning ska därför inte förväxlas med ett publicerat, oberoende kvalitetstest.

Svenska namn, orter och sammansatta ord är särskilt användbara när en röst ska bedömas för en viss verksamhet: ett uttal som fungerar i allmänna meningar kan ändå bli fel i återkommande kundfrågor. Samma testmaterial bör spelas upp med den nya modellen och en relevant jämförelseröst för samma lyssnargrupp. Ett MOS-värde, ett genomsnittligt lyssnarbetyg för upplevd talkvalitet, behöver kompletteras med en redovisning av konkreta uttalsfel. Annars kan ett gott helhetsbetyg dölja fel i just de ord tjänsten använder ofta.

Leverantörernas beskrivning av låg fördröjning och samtal i realtid saknar också publicerade tider för den svenska modellen. Två olika mått behövs: tiden tills det första ljudet hörs och tiden tills hela yttrandet är färdigt. För en komplett agent tillkommer väntan medan frågan uppfattas och svaret tas fram. Ett värde för enbart talgenerering skulle därför inte beskriva hur länge en uppringare faktiskt får vänta.

En pilot behöver mäta den leverans som ska användas

En jämförbar pilot bör börja med att slå fast vilken av leveransformerna som testas. Om kunden avser att integrera talmodellen i en egen applikation är det den kedjan som behöver mätas. Om erbjudandet gäller en agent med SIMA och kopplingar till verksamhetens system måste även de delarna ingå. Annars kan ett resultat för modellen felaktigt uppfattas som ett resultat för hela samtalet.

Dataplacering: var behandlas och lagras inkommande ljud, text, genererat tal och loggar i den valda konfigurationen?
Integration: levereras enbart talmodellen, en talfunktion i kundens applikation eller en komplett agent med tillgång till verksamhetens kunskap?
Röstkvalitet: vilka MOS-betyg får samma svenska repliker jämfört med en alternativ röst, och vilka fel uppstår för relevanta namn, orter och sammansättningar?
Svarstid: hur lång tid tar det till första ljud och färdigt yttrande vid både enstaka förfrågningar och den samtidiga belastning som installationen ska klara?

Det som avgör nästa del av historien är publicerade resultat för den svenska rösten under angivna testvillkor. Fram till dess är driftalternativen och leveransformerna beskrivna produktval, medan uttal, lyssnarupplevelse och svarstid måste bedömas i den miljö där rösten ska användas.

Läs också: