Svensk taligenkänning i realtid – med ljudbehandling i Sverige
Med Klang AI:s modell och Berget AI:s API byggde jag en prototyp för svensk realtidstranskribering på en kväll. Här är varför teknikledare borde titta på det.
Den 23 september släppte Klang AI Pianissimo, en svensk taligenkänningsmodell med öppna modellvikter. Samma dag lanserade Berget AI ett API för transkribering i realtid som bygger på modellen. Tillsammans erbjuder de svensk taligenkänning i realtid där ljudet enligt Berget behandlas i Sverige.
Jag ville se vad det gick att bygga med det och byggde en prototyp samma kväll. Det som förvånade mig mest var hur snabbt det gick att sätta upp och få att fungera. Prototypen transkriberar ett svenskt samtal medan det pågår. Med en separat röstmodell lade jag också till talaretiketter, som Talare 1 och Talare 2.
Rösterna i demon är genererade med ElevenLabs. Demon visar funktionaliteten; kvaliteten i verkliga samtal behöver utvärderas separat.
Värdet ligger i det som händer under samtalet
Med realtidstranskribering finns texten tillgänglig medan samtalet pågår. Det gör att en AI-agent kan använda den för att hämta information, föreslå nästa steg och förbereda uppgifter direkt.
Min prototyp visar transkribering och talarseparering. Nästa steg är att koppla texten till en agent och verksamhetens system.
I kundservice kan agenten hitta relevanta svar i kunskapsbasen medan kunden beskriver sitt problem och förbereda dokumentationen under samtalet så att behovet av efterarbete minskar.
I möten kan agenten föreslå en uppgift när någon säger ”Erik tar fram en offert till fredag”, hämta uppgifter från CRM:et och förbereda en uppdatering av affären som deltagarna får bekräfta.
Om ni bara behöver en sammanfattning efteråt kan transkribering i efterhand räcka. Realtid tillför mest när informationen kan göra nytta innan samtalet är slut.
Köpa eller bygga?
Behöver ni bara spela in och transkribera möten finns det bra färdiga verktyg. Köp när de uppfyller era krav.
När transkriberingen ska ingå i en automatiserad process, börja med att undersöka vilka integrationer som finns. Om de inte räcker kan det vara värt att bygga kopplingen till era egna system och flöden. Väg nyttan mot kostnaden för att utveckla, driva och underhålla lösningen.
Välj svenska leverantörer när det går
Möten och kundsamtal kan innehålla mycket känslig information. Jag tycker att svenska företag borde överväga svenska AI-leverantörer betydligt oftare än i dag. Med Pianissimo och Berget finns nu ett alternativ där ljudet enligt Berget behandlas i Sverige och där varken ljud eller transkription sparas hos dem. Modellen går också att köra i egen miljö.
Det ger fler valmöjligheter, men hela dataflödet behöver hänga ihop. Om texten skickas vidare till en AI-agent eller ett annat system behöver ni också veta var den behandlas och vad som sparas där.
Nästa steg
Ta upp det internt: var skulle det göra skillnad om AI kunde agera medan samtalet pågår? Låt sedan någon i teamet testa ett avgränsat flöde. Min första prototyp tog en kväll. Ett sådant test kan visa om idén är värd att ta vidare.
Vill du se prototypen först? Hör av dig till mig så visar jag den.
Vanliga frågor
- Vad är Berget AI:s realtidstranskribering?
- Ett API som gör om svenskt tal till text medan du pratar, byggt på Klang AI:s modell Pianissimo med öppna modellvikter. Berget uppger att ljudet behandlas i Sverige och att varken ljud eller transkription sparas hos dem.
- Vad är värdet med transkribering i realtid?
- Att en AI-agent kan använda texten medan samtalet pågår, till exempel föreslå svar och förbereda dokumentation i kundservice, eller föreslå uppgifter och hämta information under ett möte.
- När är det värt att bygga en egen transkriberingslösning?
- När färdiga verktyg inte uppfyller era krav på datahantering eller integrationer. Om transkriberingen ska ingå i en automatiserad process kan det vara värt att bygga kopplingen till era egna system, förutsatt att ni också kan förvalta lösningen.