Det finns många AI-röster på marknaden. Få av dem låter som någon du själv skulle ringa till en klinik och prata med. Här är historien om hur vi byggde Eira, beslutet att inte använda en standardröst, och vad det kostade oss i tid.
När vi började bygga Welvo testade vi de fyra största röst-AI-leverantörerna. Alla låter okej på engelska. På svenska låter de, i bästa fall, som en amerikan som lärt sig läsa svenska fonetiskt. På norska och danska blev det värre. Den som ringer en estetisk klinik i Norge förväntar sig inte att möta en robot från Silicon Valley.
Problemet med standardröster
Stora språkmodeller är otroligt bra på engelska eftersom 80–90 % av träningsdata är på engelska. För svenska är siffran under 2 %. Det märks i intonation, tempo, ordval och, viktigast, i pauserna. Pauserna är skillnaden mellan en hjälpsam röst och en oroande röst.
- Standardröster gör pauser på fel ställen, efter ord istället för efter meningsdelar.
- Sj-ljudet, sju och själv, är två olika fonetik som maskininlärningsmodeller blandar ihop.
- Norska tonem (toneme), som skiljer "bønner" från "bønder", kräver dataset som inte fanns när vi började.
- Talhastigheten är ofta för snabb. Svenska patienter pratar långsammare än amerikanska över telefon, och AI:n behöver matcha det.
En klinikreception ska låta lugn, inte effektiv. En AI som låter effektiv låter automatiserad. Det är fel signal när någon ringer för en tandvärksbesvär.
Datasetet, eller bristen på det
Bra svensk talkorpus finns. Det heter NST (Nordic Speech Technology) och innehåller cirka 500 timmar svenska, lika mycket norska och danska. Det låter mycket. Det är det inte, om man jämför med engelska Common Voice som har över 30 000 timmar.
Vi behövde mer. Och vi behövde data som låter som klinik-svenska, inte nyhetsuppläsning. Lösningen blev tredelad:
1. Nordiska röstskådespelare
Vi spelade in 180 timmar dialog med tio skådespelare i Stockholm, Oslo och Köpenhamn. Inte uppläst text, improviserade kliniksamtal baserade på riktiga scenarier: bokning, ombokning, recall, avbokning. Skådespelarna spelade både receptionist och patient, växelvis.
2. Anonymiserade kliniksamtal
Med samtycke från fyra pilotkliniker fick vi tillgång till 12 000 transkriberade samtal, anonymiserade av tredjepartsleverantör enligt Patientdatalagen. Det här gav oss fraseringar, jargong, och pauser som ingen skådespelare kan improvisera.
3. Syntetisk augmentering
Vi använde basmodellen för att generera variationer av kliniska scenarier, som sedan korrekturlästes av modersmålstalare och kvalitetsfiltrerades. Det gav skala utan att kompromissa kvaliteten.
Beslutet att inte använda en kändisröst
Tidigt i processen diskuterade vi att klona en känd svensk röst. Det hade gett marknadsföringskapital. Men i en juridisk genomgång med vår advokat blev det tydligt: rättighetsfrågorna är inte värda risken, och Patientdata- regelverket bryr sig inte om hur trevlig rösten är.
Vi gick istället på det motsatta, en helt ny röstidentitet, designad tillsammans med en röstcoach från Dramaten. Hon kallas Eira, har en bakgrundsstory, och låter som någon du kanske mött i kassan på Apoteket. Inte för mjuk, inte för formell.
De små valen som gjorde störst skillnad
Andetag
Vi lät syntesmodellen lära sig att andas. På riktigt, korta inhaleringar innan långa svar, mikropauser efter komplicerade ord. När det första andetaget hördes i en testintervju trodde två av tre testpatienter att de pratade med en människa.
Mhmm och "okej"
Receptionister säger "mhmm" när patienten pratar. Inte alltid; bara när det är naturligt. Vi tränade Eira att göra det också, baserat på signalstyrka och pausmönster i patientens tal. Det är subtilt, men avgörande för upplevelsen.
Avbrott och självrättelser
Människor avbryter sig själva, "du sa att... eller, hade du tänkt att...". Eira gör det också, sparsamt. Det signalerar att hon verkligen lyssnar och tänker, inte bara läser upp ett färdigt svar.
Det vi fortfarande inte är nöjda med
- Norska bokmål är bra, nynorska är okej, danska behöver mer dataset.
- Eira är fortfarande för formell vid små samtal, vi jobbar på en "casual mode" för korta interaktioner.
- Telefonens linjekvalitet (8 kHz) klipper av mycket av nyansen, vi ser fram emot att fler kliniker går över till VoIP-HD.
- Vissa sjösymptomtermer (käkledsknäppning, retinerade visdomständer) finns inte tillräckligt ofta i dataset; vi utökar kvartalsvis.
Mätningarna som faktiskt spelar roll
Branschen mäter ofta WER (word error rate). Vi gör det också men det är inte det som styr vår produkt. Det vi mäter på riktigt:
- Hur många samtal som avbryts inom 10 sekunder av patienten (lägre är bättre).
- Hur många samtal som leder till bekräftad bokning.
- NPS från patient efter samtal, vi frågar via SMS dagen efter.
- Andel samtal där receptionisten inte behöver göra något efteråt.
Vi släpper inte en ny version av Eira förrän alla fyra mätvärden är minst likvärdiga med föregående. Det har lett till åtta nedstängda releases bara under 2025.
Vad som händer härnäst
Vi tränar just nu en version som klarar att växla språk mitt i samtalet, viktigt för kliniker som tar emot internationella patienter i Stockholm och Oslo. Och vi förbereder en finsk variant; finska är språkligt långt ifrån sina nordiska grannar och kräver i princip att modellen byggs om från grunden.
Vill du höra Eira själv? Den enklaste vägen är att boka en demo. Vi ringer dig direkt med Eira på linjen, då hör du själv om vi har lyckats med det vi pratar om.