Hur exakt är Whisper AI? WER, verkliga begränsningar och tips (2026)

Av whispertranscribe.ai-redaktionen · Senast uppdaterad: november 2026 · 13 minuters läsning · Kategori: Transkriberingens noggrannhet

Hur exakt är Whisper? På ren uppläst engelska rapporterar OpenAI:s artikel en ordfelgrad (WER) på 2,5 % för Whisper large-v2, ett ungefärligt resultat på 97–98 rätta ord av 100. Svårare ljud ger högre felgrad: 13,6 % för telefonsamtal, 24,9 % vid en bullrig middagsbjudning och 39,9 % vid ett möte inspelat med en avlägsen mikrofon.

Whisper är OpenAI:s taligenkänningsmodell med öppen källkod och motorn bakom många transkriberingsappar, inklusive vår. Guiden behandlar noggrannhet: vad WER mäter, benchmarkresultat efter ljudtyp och språk, var Whisper misslyckas och hur du testar själv. För modellens bakgrund, se vad Whisper AI är.

De flesta siffror kommer från Whisper-artikeln (Radford med flera, 2022), som testade alla modeller utan finjustering på testmängderna, så kallat zero-shot. Det nyare modellkortet för large-v3 rapporterar 10–20 % färre fel än large-v2 på många språk, men utan fullständig tabell per datamängd. whispertranscribe.ai publicerar artikeln. Vi har inte gjort något benchmarktest för den; inga siffror är våra egna testresultat.

Whisper-noggrannhet i korthet

Ingen enskild testmängd besvarar frågan, eftersom ljudet påverkar siffran mest. Tabellen visar OpenAI:s resultat för large-v2 med beam search och temperaturåterfall (bilagans tabell 9), bedömda efter OpenAI:s textnormalisering.

Ljudtyp Testmängd i artikeln Whisper large-v2 WER Ungefärlig andel rätta ord
Ljudbok, tydlig uppläsare LibriSpeech test-clean 2,5 % Cirka 97,5 av 100
Uppläst nyhetstext WSJ 2,6 % Cirka 97,4 av 100
TED-föredrag TED-LIUM 3 3,7 % Cirka 96 av 100
Ljudbok, svårare talare LibriSpeech test-other 4,9 % Cirka 95 av 100
Frivilliga med hemmamikrofoner Common Voice 5.1 8,2 % Cirka 92 av 100
Telefonsamtal Switchboard 13,6 % Cirka 86 av 100
Långa sociolingvistiska intervjuer CORAAL 14,2 % Cirka 86 av 100
Telefonsamtal mellan familj och vänner CallHome 16,4 % Cirka 84 av 100
Möten, varje person med headsetmikrofon AMI IHM 17,4 % Cirka 83 av 100
Middagsbjudningar, avlägsna mikrofoner CHiME-6 24,9 % Cirka 75 av 100
Möten, en avlägsen bordsmikrofon AMI SDM1 39,9 % Cirka 60 av 100

”Andel rätta ord” är 100 minus WER, en förenkling eftersom WER även räknar tillagda ord.

Du ser ofta siffran 2,7 % i stället: samma modell med enklare greedy-avkodning (artikelns tabell 2). AMI-raderna gäller samma möten inspelade på två sätt. Att flytta mikrofonen från varje talares huvud till bordets mitt mer än fördubblar felgraden.

Vad är ordfelgrad (WER) och hur beräknas den?

WER är andelen fel i ett transkript jämfört med en mänskligt kontrollerad referens. Räkna tre feltyper och dela med antalet referensord:

WER = (utbyten + utelämningar + insättningar) ÷ antal ord i referensen

  • Utbyte: fel ord ersätter rätt ord (”lunch” i stället för ”lansering”).
  • Utelämning: ett talat ord saknas i transkriptet.
  • Insättning: ett ord finns i transkriptet utan att någon sagt det.

Här är ett eget exempel; samma beräkningsmetod finns i biblioteket jiwer med öppen källkod:

Rad Text
Referens (22 ord) vi flyttade produktens lansering till nionde mars eftersom leverantören missade två tidsfrister och doktor Patel ville ha en ny plan för test
Transkript vi flyttade produktens lunch till nionde mars eftersom leverantören missade tidsfrister och doktor Batel ville ha en ny plan för test idag
Fel 2 utbyten (lunch, Batel), 1 utelämning (två), 1 insättning (idag)
WER 4 ÷ 22 = 18,2 %

Tre saker om WER överraskar ofta:

  1. Den kan överstiga 100 %. Insättningar har ingen övre gräns och några språk med lite data i artikelns Fleurs-resultat ligger över 100 %.
  2. Normalisering ändrar resultatet. ”Dr.” och ”doktor” räknas som fel om texterna inte rensas på samma sätt. OpenAI säger att normaliseraren minskade WER med upp till 50 % på vissa datamängder, främst genom att ta bort formateringsskillnader.
  3. Vissa språk använder teckenfelgrad (CER). För kinesiska, japanska, thailändska, laotiska och burmesiska, där ord inte separeras med mellanslag, mäter artikeln tecken i stället.

Ett noggrannhetspåstående utan namngiven testmängd och mätmetod är inte en mätning, oavsett vem som gör det, även vi.

Hur exakt är Whisper på engelska?

Whisper är mycket exakt på tydlig engelska och fortsatt användbar på stökigt ljud. I artikeln gjorde modellen 55,2 % färre fel över 12 andra engelska datamängder än en övervakat tränad wav2vec 2.0-modell med nästan samma LibriSpeech-resultat.

Långa inspelningar

Whisper läser ljud i 30-sekundersfönster, så artikeln testade långa filer separat (bilagans tabell 16, large-v2):

Testmängd för långt ljud Innehåll WER
TED-LIUM 3 11 hela TED-föredrag 3,5 %
Meanwhile 64 sena TV-inslag med många ovanliga ord 5,1 %
Kincaid46 46 blandade inspelningar från en jämförelse 2018 8,8 %
Earnings-21 Företagens resultatsamtal 9,7 %
Rev16 16 poddavsnitt 11,3 %
Earnings-22 Fler resultatsamtal, många accenter 12,6 %
CORAAL 231 hela intervjuer på afroamerikansk engelska 19,6 %

Whisper jämfört med mänskliga transkriberare

OpenAI lät fyra mänskliga tjänster och en datorstödd tjänst transkribera 25 Kincaid46-inspelningar. Den datorstödda tjänsten fick 1,15 procentenheter bättre resultat än Whisper och de helt mänskliga tjänsterna bara en bråkdel av en procentenhet bättre. Artikelns slutsats var att resultatet inte var perfekt men mycket nära mänsklig nivå.

Modellstorleken spelar roll

Whisper finns i flera storlekar och appar anger inte alltid vilken de använder (bilagans tabell 9):

Modell Parametrar LibriSpeech clean Common Voice 5.1 Switchboard CHiME-6
tiny 39M 6,7 % 26,1 % 18,3 % 48,0 %
base 74M 4,9 % 19,4 % 15,6 % 40,0 %
small 244M 3,3 % 12,8 % 13,3 % 30,9 %
medium 769M 2,7 % 9,7 % 13,2 % 27,6 %
large-v2 1550M 2,5 % 8,2 % 13,6 % 24,9 %

Skillnaden växer när ljudet blir svårare: cirka 4 procentenheter för rena ljudböcker och 23 för middagsbjudningen. Den nyare turbo-modellen, en optimerad large-v3, accepterar enligt OpenAI:s GitHub README en liten försämring av noggrannheten i utbyte mot mycket högre hastighet.

Hur exakt är Whisper på andra språk?

Utanför engelska beror noggrannheten främst på mängden träningsljud på språket. Artikeln fann en kvadrerad korrelation på 0,83 mellan logaritmen av träningstimmar och logaritmen av WER och uppskattar att WER halveras för varje 16-faldig ökning av data. De flesta av 96 andra språk än engelska hade under 1 000 timmar.

Utvalda Fleurs-resultat (upplästa meningar, large-v2, bilagans tabell 13):

Språk Fleurs WER Anmärkning
Spanska 3,0 % Lägst i tabellen
Engelska 4,2 %
Portugisiska 4,3 %
Tyska 4,5 %
Japanska 5,3 % Teckenfelgrad
Ryska 5,6 %
Franska 8,3 %
Koreanska 14,3 % Markerat som avvikare
Kinesiska 14,7 % Teckenfelgrad
Arabiska 16,0 %
Hindi 21,5 %
Hebreiska 27,1 % Markerat som avvikare
Swahili 39,3 %
Telugu 99,0 % Markerat som avvikare

Artikeln markerar hebreiska, telugu, kinesiska och koreanska som sämre än träningsdata förutsade, möjligen på grund av språkligt avstånd, en tokenizer som passar skriftsystemen dåligt eller datakvalitet. Fleurs är uppläst tal, så samtal kan ge högre felgrad. README har ett nyare diagram för large-v3 och large-v2 på Common Voice 15 och Fleurs.

De spanska resultaten är lovande om du vill transkribera spanskt ljud. För språk med mindre data, testa ett kort klipp innan du börjar ett helt projekt.

Vad påverkar Whispers noggrannhet?

Inspelningsförhållanden är viktigast. Underlag från artikeln och modellkortet:

Faktor Vad underlaget visar Vad du kan göra
Bakgrundsbrus Vid pubbrus under 10 dB signal-brusförhållande slog Whisper alla 14 jämförelsemodeller, men alla försämrades när bruset ökade Spela in i tyst rum, borta från fläktar och musik
Mikrofonavstånd Samma AMI-möten: 17,4 % med headset, 39,9 % med bordsmikrofon Håll mikrofonen nära den som talar
Samtal och överlapp Telefonsamtal och middagar ger 13,6–24,9 % mot 2,5 % för uppläst tal En talare i taget; en mikrofon per person
Accenter och dialekter Modellkortet rapporterar ojämn noggrannhet; långa CORAAL-intervjuer fick 19,6 % Testa talare som liknar dem i dina faktiska inspelningar
Ovanliga ord och facktermer Bra på fackordstäta Meanwhile (5,1 %), men namn och tekniska termer är fortfarande vanliga fel Kontrollera namn och termer mot en lista
Språkresurser Fleurs WER sträcker sig från 3,0 % (spanska) till 99,0 % (telugu) Välj språk själv; planera mer granskning för språk med lite data
Modellstorlek tiny får 48,0 % på CHiME-6, large-v2 24,9 % Fråga vilken modell verktyget använder eller välj största möjliga
Filformat och samplingsfrekvens Whispers kod samplar om allt ljud till 16 kHz mono En WAV på 48 kHz ger inget jämfört med en ren fil på 16 kHz

Att konvertera MP3 till en stor WAV återställer inte förlorade detaljer. En ren inspelning med måttlig bithastighet är bättre än en brusig med hög bithastighet.

Kända Whisper-problem: hallucinationer, loopar och tidsstämplar

OpenAI dokumenterar vart och ett av dessa fel, som kan vara viktigare än deras andel av WER antyder.

Påhittad text

Whisper kan skriva ord som ingen sagt. Modellkortet säger att förutsägelser kan innehålla text som inte uttalats, sannolikt eftersom modellen även förutsäger sannolika nästa ord. Artikelns begränsningar nämner till och med fullständig hallucination: utdata utan samband med ljudet.

En oberoende studie, Careless Whisper (Koenecke med flera, 2024), körde 13 140 ljudsegment genom OpenAI:s Whisper-API i april och maj 2023. Ungefär 1 % av transkripten (1,4 % i genomsnitt) innehöll hela påhittade fraser eller meningar och 38 % av dessa innehöll skadligt innehåll som våld eller falska associationer. Talare med längre pauser, här personer med afasi, utlöste fler. API:et har ändrats sedan dess, så betrakta detta som en mätning från 2023.

Upprepningsloopar och utelämnade ord

Modellkortet säger att Whisper tenderar att generera upprepad text, vilket beam search och temperaturschemaläggning minskar men inte helt avhjälper. Artikeln nämner också att de första eller sista orden i ett segment kan hoppas över. Avkodningsförbättringarna sänkte genomsnittlig WER för långa filer från 11,0 % till 10,0 %: bättre, men inte löst.

Tystnad, musik och utfyllnad

Påhittad text uppstår ofta under lång tystnad och musik. Artikeln fann Whispers egen signal för ”inget tal” otillförlitlig ensam och koden med öppen källkod har nu ett alternativ att hoppa över långa tystnader när en sannolik hallucination upptäcks.

Tidsförskjutning och långa filer

Whisper går genom långt ljud i 30-sekundersfönster och använder egna förutsagda tidsstämplar för nästa fönster, så artikeln påpekar att ett fel kan påverka nästa. Tidsstämplar per ord är markerade som experimentella i koden. Kontrollera undertexttiming runt pauser.

Under utvecklingen såg OpenAI även Whisper gissa talarnamn som nästan alltid var fel. De publicerade modellerna finjusterades för att minska detta, men kontrollera alla namn i texten.

10 sätt att förbättra Whispers transkriberingsnoggrannhet

De flesta förbättringar sker före transkribering. Ungefärlig ordning från störst till minst effekt:

  1. Placera mikrofonen nära. Enbart avstånd mer än fördubblade felgraden i AMI-mötena.
  2. Minska brus vid källan. Stäng fönster, fläktar och musik.
  3. Undvik överlapp. En talare i taget är bättre än alla inställningar.
  4. Klipp bort lång tystnad och musikintros, där påhittad text ofta uppstår. Klipp vid pauser, inte mitt i meningar.
  5. Ställ in språket själv. Whisper identifierade rätt språk i 80,3 % av fallen över 82 Fleurs-språk, så automatiken kan misslyckas vid korta klipp eller accenter.
  6. Använd största tillgängliga modell, särskilt för brusiga inspelningar.
  7. Ange namn och termer vid egen drift. Whisper med öppen källkod tar --initial_prompt med förväntad stavning.
  8. Ladda upp originalfilen. Återinspelning via högtalare eller upprepad komprimering tar bort detaljer.
  9. Kontrollera termer. Sök efter varje namn, tal, datum och förkortning och verifiera mot ljudet.
  10. Granska i två omgångar. Rätta först fel i normal hastighet. Leta sedan efter hallucinationer: upprepade rader, meningar under tystnad och avslut som ”Tack för att du tittade”. Juridiskt, medicinskt eller publicerat material bör granskas helt av en människa.

Så mäter du Whispers noggrannhet på ditt eget ljud

Den bästa uppskattningen för ditt arbete är ett 30-minuterstest med egna inspelningar. Stegen är för dig att utföra; de är inte ett test av whispertranscribe.ai.

  1. Välj tre klipp på 2 minuter som liknar ditt arbete: ett lätt, ett typiskt och ett svårt.
  2. Skriv ett referenstranskript för hand, ord för ord. Bestäm först regler för exempelvis ”eh” och siffror eller ord.
  3. Transkribera varje klipp med verktyget du testar och spara som text.
  4. Normalisera båda texterna på samma sätt. OpenAI:s normaliserare ingår i openai-whisper.
  5. Beräkna WER med jiwer:
# pip install jiwer openai-whisper
import jiwer
from whisper.normalizers import EnglishTextNormalizer

norm = EnglishTextNormalizer()
ref = norm(open("reference.txt", encoding="utf-8").read())
hyp = norm(open("transcript.txt", encoding="utf-8").read())

out = jiwer.process_words(ref, hyp)
print(f"WER {out.wer:.1%}  S={out.substitutions} D={out.deletions} I={out.insertions}")
  1. Räkna kritiska fel separat. Fem felaktiga utfyllnadsord och fem felaktiga kundnamn ger samma WER men är inte samma problem.
  2. Logga resultaten för att jämföra verktyg eller inställningar:
Klipp Förhållanden Referensord S D I WER Kritiska fel
Klipp A Tyst rum, en talare 310
Klipp B Videosamtal, två talare 285
Klipp C Kafé, talare med accent 296

Ordantal är exempelvärden. En varning om steg 4: exemplet med OpenAI:s engelska normaliserare matchar ”Dr.” med ”doctor” och ”two” med ”2”, men ”9th” mot ”ninth” kan fortfarande räknas som fel. Kontrollera markerade skillnader innan du litar på värdet. Whisper CLI var inte installerat här och kodexemplet har inte testats.

Hur exakt är whispertranscribe.ai?

whispertranscribe.ai är ett webbaserat AI-verktyg drivet av Whisper som stöder över 130 språk och uppladdning upp till 5 GB och 10 timmar. Noggrannheten når upp till 99 % vid tydligt ljud; bakgrundsbrus, starka accenter och överlapp sänker den, vilket Whispers benchmark ovan visar. Vi påstår inte att vi når eller slår artikelns siffror och har inte publicerat ett eget benchmark, så testa egna klipp enligt stegen ovan.

Du kan börja gratis utan konto. Betalplaner börjar på 9,99 USD/månad vid årsbetalning; se priser.

Vanliga frågor

Är Whisper 99 % exakt?

Inte generellt. Whispers bästa publicerade resultat är 2,5 % WER på LibriSpeech test-clean, tydligt upplästa ljudböcker, vilket ungefär motsvarar 97,5 % rätta ord. På telefonsamtal, möten och bullriga rum ligger OpenAI:s siffror mellan cirka 13 % och 40 % WER. Ett påstående om 99 % betyder något bara om det anger vilket ljud som mättes. Verktyg byggda på Whisper, inklusive whispertranscribe.ai, bör bedömas på dina inspelningar, inte en rubrikprocent.

Vilken Whisper-modell är mest exakt?

Large-modellerna är mest exakta. I OpenAI:s artikel hade large-v2 lägst felgrad på de flesta testmängder och modellkortet för large-v3 anger 10–20 % färre fel än large-v2 på många språk. Turbo är en optimerad large-v3 som enligt OpenAI förlorar lite noggrannhet mot mycket högre hastighet. Den minsta modellen tiny är betydligt mindre exakt på svårt ljud: 48,0 % WER vid bullrig middag mot 24,9 % för large-v2.

Varför skriver Whisper ord som inte sades?

Whisper kan hallucinera eftersom modellen tränats att förutsäga sannolik text och transkribera ljud. OpenAI:s modellkort varnar för text som saknas i ljudet. Det händer oftast under lång tystnad, musik eller brus. En oberoende studie från 2023 fann påhittade fraser i cirka 1 % av transkripten och pauser ökade sannolikheten. Att klippa tystnad, ange språk och granska tysta avsnitt minskar risken.

Hur exakt är Whisper med accenter?

Whisper hanterar accenter bättre än många äldre system, men ojämnt. OpenAI:s modellkort säger att noggrannheten varierar mellan accenter och dialekter av samma språk. I artikeln fick långa intervjuer på afroamerikansk engelska (CORAAL) 19,6 % WER mot 3,5 % för hela TED-föredrag, även om inspelningsförhållandena också skiljer sig. Testa därför klipp med talare som liknar dem du faktiskt spelar in och planera mer granskning vid starka accenter.

Är Whisper lika exakt som en mänsklig transkriberare?

För engelska kommer Whisper nära men når inte de bästa. OpenAI jämförde modellen med fem professionella tjänster på 25 inspelningar. En datorstödd tjänst hade sammanlagd WER 1,15 procentenheter lägre än Whisper och fyra helt mänskliga tjänster var en bråkdel av en procentenhet bättre. Människor hanterar fortfarande ofta namn, överlapp och otydligt tal bättre. För material som ska citeras, lämnas in eller publiceras bör en människa granska mot inspelningen.

Hur exakt är Whisper på andra språk än engelska?

Det varierar mycket. På Fleurs fick large-v2 3,0 % WER på spanska, 4,5 % på tyska och 8,3 % på franska, men 27,1 % på hebreiska och 99,0 % på telugu. Kinesiska och japanska mäts med teckenfelgrad: 14,7 % respektive 5,3 %. Artikeln fann att noggrannheten följer mängden träningsljud per språk. Testa ett kort klipp och avsätt mer korrigeringstid för språk med mindre data.

Testa noggrannheten på din egen inspelning

Benchmark beskriver andras ljud. Ladda upp ett klipp till whispertranscribe.ai på något av över 130 språk och mät det enligt guiden. Börja gratis utan konto eller jämför planer.

Relaterade artiklar: Vad är Whisper AI? · Bästa gratis transkriberingsprogram · Bästa alternativen till TurboScribe · Transkribera YouTube-video · Vad är en SRT-fil? · Inbrända och valbara undertexter

Källor

Vill du omvandla dina inspelningar till text?

Transkribera ljud och video med whispertranscribe.ai.

Börja transkribera ↗