ms-ai-architect/skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md

Whisper ASR and Advanced Speech Recognition

Last updated: 2026-02 Status: GA Category: Multi-Modal AI Type: reference

---

Innhold

• Introduksjon
• Kjernekomponentar
• Whisper Model Selection
• Fleirspråkleg og norsk støtte
• Speaker Diarization og Identification
• Custom Vocabularies og Fine-Tuning
• Batch Transcription for store filer
• Implementeringsmønstre
• Norsk offentleg sektor
• Beslutningsrammeverk
• For arkitekten

Introduksjon

OpenAI Whisper er ein generell talegjenkjenningsmodell (Automatic Speech Recognition, ASR) som utmerkar seg på fleirspråkleg talegjenkjenning, taleoversetting og språkidentifisering. Modellen er trena på eit massivt datasett med variert audio, noko som gir robust handtering av ulike språk, aksentar og talevariantar. Whisper er tilgjengeleg både gjennom Azure OpenAI Service og som ein del av Azure AI Speech Service.

For norsk offentleg sektor er Whisper særleg interessant fordi modellen har god støtte for norsk (bokmål), og kan transkribere tale med høg nøyaktigheit sjølv i utfordrande lydforhold. Azure AI Speech Service tilbyr i tillegg Custom Speech-funksjonalitet for å finjustere modellen til spesifikke domene — som juridisk, medisinsk eller forvaltingsspråk — og Azure OpenAI sin Whisper-implementering gir enkel API-tilgang med integrert sikkerheit.

Valet mellom Azure OpenAI Whisper og Azure AI Speech avheng av bruksscenarioet: Azure OpenAI Whisper for enkel filbasert transkripsjon med fleirspråkleg støtte, og Azure AI Speech for sanntidstranskripsjon, custom models, batch-prosessering av store filer og talarergjenkjenning.

---

Kjernekomponentar

Komponent	Formål	Teknologi
Azure OpenAI Whisper	Filbasert tale-til-tekst	Azure OpenAI API
Azure AI Speech STT	Sanntids tale-til-tekst	Azure AI Speech Service
Whisper Batch API	Transkripsjon av store filer (>25MB)	Azure AI Speech Batch
Custom Speech	Finjustering for spesifikke domene	Azure AI Speech Custom
Speaker Diarization	Talar-identifisering	Azure AI Speech
Pronunciation Assessment	Uttale-evaluering	Azure AI Speech

---

Whisper Model Selection

Modellversjonar

Modell	Parametrar	Relative VRAM	Relativ hastighet	Kvalitet
whisper-tiny	39M	~1 GB	32x	Låg
whisper-base	74M	~1 GB	16x	Basis
whisper-small	244M	~2 GB	6x	God
whisper-medium	769M	~5 GB	2x	Høg
whisper-large-v3	1550M	~10 GB	1x	Best

Azure OpenAI Whisper Deployment

Azure OpenAI tilbyr Whisper som ein managed service — ingen modellval nødvendig, berre deploy og bruk:

from openai import AzureOpenAI

client = AzureOpenAI(
    azure_endpoint="https://<resource>.openai.azure.com/",
    api_key="<api-key>",
    api_version="2024-06-01"
)

# Transkriber ein lydfil
with open("møteopptak.wav", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="whisper",  # Azure OpenAI deployment name
        file=audio_file,
        language="no",     # Norsk
        response_format="verbose_json",
        timestamp_granularities=["word", "segment"]
    )

print(f"Tekst: {transcript.text}")

# Segmentnivå tidsstempel
for segment in transcript.segments:
    print(f"  [{segment.start:.1f}s - {segment.end:.1f}s]: {segment.text}")

# Ordnivå tidsstempel
for word in transcript.words:
    print(f"  [{word.start:.2f}s]: {word.word}")

C#-implementering

using Azure;
using Azure.AI.OpenAI;

var client = new AzureOpenAIClient(
    new Uri("https://<resource>.openai.azure.com/"),
    new AzureKeyCredential("<api-key>")
);

var audioClient = client.GetAudioClient("whisper");

// Transkriber med tidsstempel
AudioTranscriptionOptions options = new()
{
    Language = "no",
    ResponseFormat = AudioTranscriptionFormat.Verbose,
    TimestampGranularities = AudioTimestampGranularities.Word
        | AudioTimestampGranularities.Segment
};

using FileStream audio = File.OpenRead("møteopptak.wav");
AudioTranscription result = await audioClient.TranscribeAudioAsync(audio, options);

Console.WriteLine($"Tekst: {result.Text}");

foreach (var segment in result.Segments)
{
    Console.WriteLine($"  [{segment.StartTime} - {segment.EndTime}]: {segment.Text}");
}

Val mellom Azure OpenAI Whisper og Azure AI Speech

Eigenskap	Azure OpenAI Whisper	Azure AI Speech
Deployment	Managed (global/standard)	Regional
Filstorleik	Max 25 MB	Ubegrensa (batch)
Sanntid	Nei	Ja
Custom models	Nei	Ja (Custom Speech)
Speaker diarization	Nei	Ja
Batch API	Via Speech Service	Ja, native
Støtta format	mp3, mp4, wav, etc.	wav, mp3, ogg, etc.
Norsk kvalitet	God	God (betre med custom)
Kostnad	Per token	Per audio-minutt

---

Fleirspråkleg og norsk støtte

Språkstøtte

Whisper støttar transkribering i 100+ språk. For norsk er det viktig å spesifisere riktig språkkode:

# Norsk bokmål
transcript_no = client.audio.transcriptions.create(
    model="whisper",
    file=audio_file,
    language="no"      # Norsk (generelt)
)

# Automatisk språkdeteksjon
transcript_auto = client.audio.transcriptions.create(
    model="whisper",
    file=audio_file
    # Utelat language for automatisk deteksjon
)

Azure AI Speech for norsk

Azure AI Speech gir meir kontroll over norsk tale-til-tekst:

import azure.cognitiveservices.speech as speechsdk

speech_config = speechsdk.SpeechConfig(
    subscription="<speech-key>",
    region="norwayeast"
)

# Norsk bokmål
speech_config.speech_recognition_language = "nb-NO"

# Kontinuerleg gjenkjenning
audio_config = speechsdk.AudioConfig(filename="møte.wav")
recognizer = speechsdk.SpeechRecognizer(
    speech_config=speech_config,
    audio_config=audio_config
)

results = []

def recognized_cb(evt):
    if evt.result.reason == speechsdk.ResultReason.RecognizedSpeech:
        results.append({
            "text": evt.result.text,
            "offset": evt.result.offset,
            "duration": evt.result.duration,
            "confidence": evt.result.best()  # Confidence scores
        })

recognizer.recognized.connect(recognized_cb)
recognizer.start_continuous_recognition()

Taleoversetting

Whisper kan oversette frå andre språk til engelsk:

# Oversett frå norsk til engelsk
translation = client.audio.translations.create(
    model="whisper",
    file=audio_file
)

print(f"Engelsk oversetting: {translation.text}")

---

Speaker Diarization og Identification

Azure AI Speech Diarization

Speaker diarization identifiserer kven som snakkar når i ein lydopptaking:

import azure.cognitiveservices.speech as speechsdk

speech_config = speechsdk.SpeechConfig(
    subscription="<speech-key>",
    region="norwayeast"
)
speech_config.speech_recognition_language = "nb-NO"

# Aktiver diarisering
speech_config.set_property(
    speechsdk.PropertyId.SpeechServiceResponse_DiarizeIntermediateResults,
    "true"
)

audio_config = speechsdk.AudioConfig(filename="møte.wav")

# Bruk ConversationTranscriber for multi-talar gjenkjenning
transcriber = speechsdk.transcription.ConversationTranscriber(
    speech_config=speech_config,
    audio_config=audio_config
)

diarized_results = []

def transcribed_cb(evt):
    if evt.result.reason == speechsdk.ResultReason.RecognizedSpeech:
        diarized_results.append({
            "speaker_id": evt.result.speaker_id,
            "text": evt.result.text,
            "offset": evt.result.offset,
            "duration": evt.result.duration
        })
        print(f"Talar {evt.result.speaker_id}: {evt.result.text}")

transcriber.transcribed.connect(transcribed_cb)
transcriber.start_transcribing_async()

Speaker Identification

For å identifisere kjende talarar (ikkje berre skilje mellom ukjende):

# Steg 1: Registrer taleprofil
voice_profile_client = speechsdk.VoiceProfileClient(
    speech_config=speech_config
)

# Opprett profil for kvar kjend talar
profile = voice_profile_client.create_profile_async(
    speechsdk.VoiceProfileType.TextIndependentIdentification,
    "nb-NO"
).get()

# Tren profilen med taleprøve
audio_config = speechsdk.AudioConfig(filename="talar1_prøve.wav")
voice_profile_client.enroll_profile_async(profile, audio_config).get()

# Steg 2: Identifiser talar i ny opptak
speaker_recognizer = speechsdk.SpeakerRecognizer(
    speech_config=speech_config,
    audio_config=speechsdk.AudioConfig(filename="ukjent_tale.wav")
)

model = speechsdk.SpeakerIdentificationModel(profiles=[profile1, profile2, profile3])
result = speaker_recognizer.recognize_once_async(model).get()
print(f"Identifisert som: {result.profile_id}, Confidence: {result.score}")

---

Custom Vocabularies og Fine-Tuning

Custom Speech (Azure AI Speech)

For å forbetre gjenkjenning av domene-spesifikke termar:

# Custom Speech trening via REST API
import requests

def create_custom_speech_model(subscription_key, region, training_data_url):
    """Opprett ein custom speech model for norsk forvaltingsspråk."""

    base_url = f"https://{region}.api.cognitive.microsoft.com/speechtotext/v3.2"

    # Steg 1: Last opp treningsdata
    dataset = requests.post(
        f"{base_url}/datasets",
        headers={
            "Ocp-Apim-Subscription-Key": subscription_key,
            "Content-Type": "application/json"
        },
        json={
            "kind": "Language",
            "displayName": "Norsk forvaltingsspråk",
            "description": "Custom language model for norsk offentleg sektor",
            "locale": "nb-NO",
            "contentUrl": training_data_url
        }
    )

    dataset_id = dataset.json()["self"].split("/")[-1]

    # Steg 2: Tren modell
    model = requests.post(
        f"{base_url}/models",
        headers={
            "Ocp-Apim-Subscription-Key": subscription_key,
            "Content-Type": "application/json"
        },
        json={
            "displayName": "Forvaltingsmodell-v1",
            "description": "Tilpassa for norsk forvaltingsterminologi",
            "locale": "nb-NO",
            "datasets": [{"self": f"{base_url}/datasets/{dataset_id}"}],
            "properties": {
                "wordErrorRate": True
            }
        }
    )

    return model.json()

Phrase Lists for rask tilpassing

For enkel tilpassing utan full custom model:

# Phrase list for å forbetre gjenkjenning av spesifikke termar
phrase_list = speechsdk.PhraseListGrammar.from_recognizer(recognizer)

# Norske forvaltingstermar
forvaltingstermar = [
    "Direktoratet for digital tjenesteutvikling", "Digitaliseringsdirektoratet",
    "forvaltingslova", "offentleglova", "personopplysningslova",
    "DPIA", "GDPR", "ROS-analyse", "Schrems II",
    "Microsoft Entra ID", "Microsoft Foundry",
    "Copilot Studio", "Power Platform"
]

for term in forvaltingstermar:
    phrase_list.addPhrase(term)

Display Form for tekniske termar

# Custom display forms for akronym og tekniske termar
speech_config.set_property_by_name(
    "DictationServiceCustomDisplayText",
    json.dumps({
        "displayForms": [
            {"spoken": "GDPR", "display": "GDPR"},
            {"spoken": "A I", "display": "AI"},
            {"spoken": "N A V", "display": "NAV"},
            {"spoken": "I K T", "display": "IKT"},
            {"spoken": "R O S", "display": "ROS"}
        ]
    })
)

---

Batch Transcription for store filer

For filer over 25 MB eller for stor-skala prosessering:

import requests

def batch_transcribe(subscription_key, region, audio_urls):
    """Batch-transkribering av store lydfiler."""

    base_url = f"https://{region}.api.cognitive.microsoft.com/speechtotext/v3.2"

    transcription = requests.post(
        f"{base_url}/transcriptions",
        headers={
            "Ocp-Apim-Subscription-Key": subscription_key,
            "Content-Type": "application/json"
        },
        json={
            "displayName": "Batch-transkripsjon møteopptak",
            "locale": "nb-NO",
            "contentUrls": audio_urls,
            "properties": {
                "diarizationEnabled": True,
                "wordLevelTimestampsEnabled": True,
                "punctuationMode": "DictatedAndAutomatic",
                "profanityFilterMode": "Masked",
                "timeToLive": "PT12H"
            },
            "model": {
                "self": f"{base_url}/models/base/nb-NO"
                # Eller bruk custom model:
                # "self": f"{base_url}/models/<custom-model-id>"
            }
        }
    )

    transcription_id = transcription.json()["self"].split("/")[-1]
    return transcription_id

---

Implementeringsmønstre

Mønster 1: Hybrid Whisper + Azure Speech

Audio Input
   |
   ├── < 25 MB → Azure OpenAI Whisper (enkel, rask)
   |
   └── > 25 MB → Azure AI Speech Batch API (skalerbar)
                     |
                     ├── Custom Speech model (domene-tilpassa)
                     ├── Speaker diarization
                     └── Ordnivå tidsstempel

Mønster 2: Real-time + Post-processing

Live tale → Azure AI Speech (sanntid) → Rå transkripsjon
                                             |
                                             v
Post-processing med GPT-4o → Oppsummering, nøkkelord, handlingspostar

Mønster 3: Edge + Cloud Cascade

Edge (Whisper-small) → Rask lokal transkripsjon → Filtrering
                                                       |
                                                       v
Cloud (Azure Speech Custom) → Presis transkripsjon med domene-modell

---

Norsk offentleg sektor

Bruksscenario

• NAV: Transkripsjon av telefonsamtalar for kvalitetssikring og opplæring
• Domstolane: Automatisk protokollføring av rettsmøte
• Stortinget: Sanntids underteksting av debattar og høyringar
• Kommunar: Transkripsjon av bystyremøte med talar-identifisering

Regulatoriske omsyn

Krav	Tiltak
GDPR	Lydfiler med personopplysningar må behandlast med heimel
Samtykke	Informer om opptak og transkripsjon
Lagring	Timeboxed lagring med timeToLive parameter
Nøyaktigheit	Custom Speech for forvaltingsterminologi
Innhaldsfiltrering	Azure OpenAI Whisper har IKKJE innhaldsfiltrering

Viktig: Ingen innhaldsfiltrering for audio

Azure OpenAI sitt innhaldsfiltreringssystem gjeld ikkje for Whisper-modellen. Organisasjonen må implementere eigne mekanismar for å filtrere uønskt innhald frå transkripsjonsresultat.

---

Beslutningsrammeverk

Scenario	Anbefaling	Begrunnelse
Enkel filbasert transkripsjon	Azure OpenAI Whisper	Enkel API, god kvalitet
Sanntidstranskripsjon	Azure AI Speech STT	Streaming-støtte
Store filer (>25 MB)	Azure AI Speech Batch	Ingen filstorleikgrense
Domene-spesifikk terminologi	Custom Speech + Phrase lists	Betre nøyaktigheit
Talar-identifisering	Azure AI Speech Diarization	Native støtte
Fleirspråkleg innhald	Azure OpenAI Whisper	100+ språk automatisk
Edge/offline bruk	Whisper-small lokalt	Ingen nettverkskrav
Norsk forvaltingsspråk	Custom Speech nb-NO + phrase lists	Tilpassa vokabular

---

For arkitekten

• Azure OpenAI Whisper er enklast for filbasert transkripsjon under 25 MB — bruk language: "no" for norsk og response_format: "verbose_json" for tidsstempel på ord- og segmentnivå
• Azure AI Speech er meir kraftig for produksjonsscenario — sanntidstranskripsjon, speaker diarization, batch-prosessering av store filer, og Custom Speech for domene-tilpassing
• Custom Speech med Phrase Lists er den raskaste vegen til betre norsk nøyaktigheit — legg til forvaltingstermar, stadnamn og akronym utan å trene ein full custom model
• Speaker diarization via ConversationTranscriber identifiserer talarar automatisk — kritisk for møtetranskribering i offentleg sektor (bystyremøte, rettsmøte, høyringar)
• Innhaldsfiltrering gjeld IKKJE for Whisper — organisasjonen må implementere eigne filter for transkripsjonsresultat, spesielt for sensitive bruksområde som helse og rettsvesen