NB-Whisper: den norske talemodellen forklart

Sist oppdatert 11. oktober 2026

Hva er NB-Whisper?

NB-Whisper er en talegjenkjenningsmodell for norsk, laget av Nasjonalbibliotekets AI-lab. Den bygger på OpenAI Whisper, men er trent videre på rundt 66 000 timer norsk tale. Den største, NB-Whisper Large, har 2,2 % ordfeil på bokmål i NST-datasettet, mot 6,8 % for OpenAI Whisper Large-v3. Modellene er åpent tilgjengelige og kjører lokalt på egen maskin.

Whisper var allerede god på engelsk, men merkbart svakere på norsk: fagord, navn og dialekter ble ofte feil. Nasjonalbiblioteket sitter på en av verdens største samlinger av norsk tale med tekst, og brukte den til å lære modellen norsk skikkelig. Arbeidet er dokumentert i et eget forskningspaper (arXiv 2402.01917).

Hvor god er NB-Whisper på norsk?

NB-Whisper large gjør 2,2 % ordfeil på bokmål i NST-datasettet og 6,6 % i Fleurs, mot 6,8 % og 10,4 % for OpenAI Whisper Large-v3, ifølge NB-Whisper-paperet. Tallene gjelder NB-Whisper Large. Kviskr bruker en komprimert versjon av den som standard.

Tallene under er Word Error Rate (WER): andelen ord modellen skriver feil. Lavere er bedre. Begge radene er publiserte tall fra NB-Whisper-paperet.

Datasett-tallene er målt på opplest og innspilt tale, ikke på diktering i arbeidshverdagen, så de er ingen garanti for hvert opptak. Mer om tallene og forbeholdene står på metodesiden. Tallene peker likevel tydelig samme vei: på norsk gjør NB-Whisper langt færre feil enn OpenAI Whisper.

Hvem står bak?

Nasjonalbibliotekets AI-lab utvikler språkmodeller for norsk basert på bibliotekets samlinger. NB-Whisper-modellene publiseres åpent på Hugging Face under NbAiLab, i størrelser fra tiny til large, med egne verbatim-varianter som skriver mer ordrett. Kviskr er ikke tilknyttet eller støttet av Nasjonalbiblioteket; vi bygger bare på modellene de har gjort tilgjengelige, og synes de fortjener mer oppmerksomhet.

Kviskr står på Nasjonalbibliotekets oversikt over løsninger som bygger på NB-Whisper, sammen med blant andre JoJo, Autotekst fra UiO og transkribere.no. Beskrivelsene der skriver leverandørene selv.

Apper som bruker NB-Whisper

Flere apper og tjenester bygger på NB-Whisper. Listen tar bare med det vi har funnet belegg for i leverandørenes egne beskrivelser eller på Nasjonalbibliotekets oversikt. Kontrollert 11.10.2026.

Vil du se hvordan Kviskr står mot andre dikteringsapper for Mac, også de som ikke bruker NB-Whisper, finner du det i sammenligningen av dikteringsapper.

Slik kjører du NB-Whisper selv

Er du utvikler, er den raskeste veien Python og transformers:

from transformers import pipeline

asr = pipeline(
    "automatic-speech-recognition",
    model="NbAiLab/nb-whisper-large",
)
print(asr(
    "opptak.mp3",
    chunk_length_s=28,
    generate_kwargs={"task": "transcribe", "language": "no", "num_beams": 5},
)["text"])

Nasjonalbiblioteket anbefaler selv chunk_length_s=28 og beam 5 for best treffsikkerhet i transformers. Vil du ha lav latens på Mac, er whisper.cpp veien: konverter modellen til GGML-format og kvantiser den (for eksempel q5_0), så kjører large-modellen komfortabelt på Apple silicon med Metal. Det er slik Kviskr kjører NB-Whisper-modellene. Standardmodellene er trent mot undertekstlignende tekst og kan omformulere lett, mens verbatim-variantene skriver mer ordrett. Til diktering anbefaler Kviskr likevel Standard, en komprimert NB-Whisper Large: i testene våre gjorde den færre feil ord enn verbatim-varianten Ordrett rask.

Den enkleste måten: en ferdig app

Vil du bare bruke NB-Whisper, ikke bygge med den, finnes det en ferdig vei: Kviskr er en Mac-app bygget rundt NB-Whisper. Hold en tast, snakk norsk, slipp, og teksten lander rett i feltet du jobber i, uansett app. Talemodellen følger med, og selve talegjenkjenningen kjører lokalt, og det er gratis i tidlig tilgang.

Spørsmål og svar

Les også: metoden bak tallene, vanlige spørsmål om Kviskr, NB-Whisper mot Apple-diktering, diktering på dialekt og lokal transkribering av lydfiler.