Bildbeskrivning: En professionell studiomikrofon bredvid en uppslagen lärobok med hörlurar och audiokontroller — den visuella markören för produktion av ljudläroböcker.
En lärobok är inte en podd. Den har rubriknivåer, numrerade uppgifter, fotnoter, index, ekvationer, bildtexter och en student som behöver hitta sidan 217 mitt i en repetitionssession. Att producera den som ljud innebär att producera allt det — inte bara prosan. 2026 gör två parallella produktionsflöden det arbetet: den äldre DAISY-kedjan som burit specialiserade ljudförlag i ett kvartssekel, och en ny AI-berättarröst-kedja som under de senaste tre åren har sänkt produktionskostnaden per timme med ungefär en tiopotens. De är inte utbytbara. Där de möts — vad som överlever från DAISY, vad som överlämnas till syntesizern, vad som stannar hos en människa — är berättelsen om 2026 års ljudlärobok.
Den här texten är en produktionsprimer för de som beställer, finansierar och använder dessa böcker: specialpedagoger, universitetets handikappenheter, bibliotekarier för alternativa format, och de förlagsteam vid organisationer som arbetar vid kanterna av tillgänglig utbildning. Den går igenom DAISY-flödet som producerar en tillgänglig ljudlärobok, AI-berättarröst-skiftet som omformar den uppströmsekonomin, kostnads-kvalitetsavvägningen båda sidor nu förhandlar om, noggrannhetsproblemen ingen har löst fullt ut (matematik, egennamn, kodväxlingsspråk), DAISY 4.0-specifikationen som publicerades 2025 och de stora producenterna som formar vilka böcker som faktiskt når en student.
Vad “DAISY” egentligen betyder
DAISY — Digital Accessible Information System — är en specifikation, ett konsortium och en filformatsfamilj. Den publicerades första gången 1996 av en koalition av talboksbibliotek som behövde ett sätt att leverera den navigerbara, strukturerade ljud som ett kassettband inte kunde. De två specifikationerna som fortfarande förankrar formatet är DAISY 2.02, utgiven 2001 och fortfarande det format som majoriteten av äldre talboksbibliotek faktiskt betjänar, och DAISY 3, formaliserad som ANSI/NISO Z39.86 2002 och reviderad 2012 och igen 2024. 2024 års uppdatering — Z39.86-2024 — är den version som de flesta aktuella produktionsverktyg riktar sig mot, och bryggespecifikationen mellan den äldre världen och DAISY 4.0.
Vad DAISY gör som en MP3 inte kan: den bär strukturell navigering (hoppa till kapitel 4, avsnitt 2, uppgift 3), SMIL-synkronisering (ljudfilen och textspåret hålls i fas så att uppspelningspositionen i det ena alltid mappar till det andra), och ett metadatalager som är tillräckligt rikt för att beskriva fotnoter, sidofält, sidnummer, tabellceller och hoppa-på/hoppa-av-element som löpande sidhuvuden. En DAISY-spelare — Dolphin EasyReader, Voice Dream, referensspelaren AMIS, Victor Reader Stratus-hårdvaran — omvandlar dessa strukturer till ett tangenttryck: en student kan stega framåt med mening, stycke, rubriknivå 3 eller sidnummer, i samma bok.
Det äldre DAISY-produktionsflödet
Att producera en DAISY-lärobok i det äldre flödet tar sex distinkta steg och, för en 400-sidors lärobok, ungefär sex till tolv veckors förfluten tid per titel hos en producent som Learning Ally eller Royal National Institute of Blind People (RNIB).
- Steg 1 — källförberedelse. Förlaget levererar en tryckt PDF eller, alltmer, en EPUB. Produktionen rensar filen, separerar huvudtexten från löpande sidhuvuden och sidfötter, märker upp rubrikhierarkin och exporterar en strukturerad XHTML-läsordning. Diagram och ekvationer flaggas för separat hantering.
- Steg 2 — berättarröst. En utbildad mänsklig berättare spelar in prosan i en studiosession. För en lärobok följer berättaren en förlagsstilguide som täcker hur man läser tabeller, hur man beskriver diagram, hur man uttalar ämnesspecifik terminologi och hur man hanterar icke-översatta passager på främmande språk.
- Steg 3 — redigering och kvalitetssäkring. En andra genomgång tar bort andningsljud, gör om feluttalanden och justerar det inspelade ljudet mot källtexten. En QA-läsare lyssnar mot trycket för noggrannhet.
- Steg 4 — SMIL-synkronisering. Produktionsprogramvara genererar en SMIL-fil (Synchronized Multimedia Integration Language) som tidsstämplar varje meningsgräns i ljudet mot motsvarande span i XHTML:en, vilket producerar den ögonblicksvis text-ljud-mappning som DAISY-navigering förlitar sig på.
- Steg 5 — paketering. Ljudet, SMIL-spåret, XHTML-texten och ett navigeringsmanifest buntas ihop i ett DAISY 2.02- eller DAISY 3-paket, valideras mot formatets konformitetskontroll och laddas upp till producentens distributionskatalog.
- Steg 6 — distribution. Paketet betjänas till auktoriserade läsare via en producentspecifik app eller genom det globala gränsöverskridande Marrakesh-fördraget till partnerbibliotek i andra jurisdiktioner.
Flödet producerar en auktoritativ, navigerbar bok av klassrumskvalitet. Det är också kostsamt. Kostnaden per avslutad timme ljud i den äldre mänskligt berättade DAISY-kedjan ligger i intervallet ca 45 till ca 75 US-dollar hos de stora producenterna — en siffra relativt oförändrad sedan mitten av 2010-talet och driven nästan uteslutande av studiotid, berättararvodet och redaktionell QA.
AI-berättarröst-flödet
Förändringen som har förflyttat ljudlärobokskonversationen 2024–26 är ankomsten av neurala text-till-tal-röster som, för första gången, är tillräckligt omöjliga att skilja från en mänsklig berättare att frågan om huruvida man ska använda dem inte längre besvaras automatiskt med “nej”. Kortlistan med tjänster som driver produktionsbeslut 2026 är liten och väldefinierad: ElevenLabs (vars flerspråkiga v3-modell, utgiven 2025, är referensen för engelskspråkig läroboksberättarröst i de flesta aktuella diskussioner); Speechify (vars 2024 enterprise-erbjudande specifikt riktar sig mot utbildning, med ett långformsläge och inbyggda akademiska röster); Amazon Polly Neural (billigast i stor skala, med starkt SSML-stöd); och OpenAI TTS HD (den mest berättande allmänna rösten i de jämförande lyssningstest som tillgänglighetsforskningsgrupper genomförde 2025).
Formen på ett AI-berättat ljudläroboksflöde skiljer sig från det äldre mindre i sina steg än i sin ekonomi. Källförberedelse, strukturmärkning och paketering kvarstår alla. Steg 2 och 3 — berättarröst och redigering — faller samman till ett enda automatiserat steg: den strukturerade texten matas till syntesizern med SSML-ledtrådar för betoning, uttal och pauslängd, och syntesizern returnerar ljud. Ett reducerat mänskligt QA-pass sveper sedan igenom för de feldrifter (täckta nedan) som syntesizern fortfarande inte kan lösa utan hjälp.
Kostnadsförändringen är rubriken. Där den äldre kedjan producerar en avslutad timme till ca 45 till ca 75 dollar, landar AI-berättarröst i produktionsskala mellan ca 3 och ca 7 dollar per timme hos de stora leverantörerna 2026 — en 10-faldig minskning. Den siffran är vad som har förflyttat frågan från “har vi råd att producera den här boken” till “vilken bok borde vi inte producera”. Ett nationellt bibliotek för alternativa format som tidigare valde 800 nya titlar per år mot en fast budget kan, på samma budget, välja 6 000 till 8 000 — förutsatt att kvaliteten håller i de kategorier där det faktiskt spelar roll.
Kostnads-kvalitetsavvägningen
”Kvalitet” i ljudläroboksproduktion är inte en enstaka dimension. Det är minst fyra: begriplighet (kan en lyssnare förstå vad rösten säger), naturlighet (orsakar utdragen lyssning trötthet), noggrannhet (är orden på sidan de ord som läses) och strukturell trohet (överlever tabeller, ekvationer och fotnoter till ljudet). Modern neural TTS landar nu på mänskligt jämförbara poäng för begriplighet och inom en enda poäng för naturlighet på de standardiserade 5-poängs Mean Opinion Score (MOS)-tester som används av talsyntesforskningsgemenskapen. Där gapet fortfarande är synligt är på noggrannhet och strukturell trohet.
American Foundation for the Blinds jämförande lyssningsstudie från 2025 — det enskilt största publicerade evidensstycket i frågan — rekryterade blinda universitetsstudenter för att lyssna på matchade passager från kemi-, historia- och spansklärobokslitteratur, berättade växelvis av människa och av ElevenLabs v3-röster. Huvudresultatet: på meningsnivå föredrogs AI-berättarrösten eller bedömdes likvärdig i 71% av försöken för prosadominerade ämnen (historia, filosofi, engelsk litteratur). För symboltäta ämnen (kemi, matematik, fysik) föredrogs AI-rösten eller bedömdes likvärdig i bara 28% av försöken, med gapet drivet av matematisk-notationsrendering och AI-röstens hantering av nedsänkta formler. Studiens rekommendation var inte förvånande och citeras nu operationellt: AI-berättarröst först, med ett mänskligt pass över de symboltäta kapitlen.
Den pedagogiskt intressanta frågan är inte längre “människa eller AI” — det är “vilka meningar behöver en människa, och vilka kan syntetiseras i stor skala”. Svaret är alltmer att 80–90% av en lärobok kan syntetiseras, men de återstående 10–20% — ekvationer, egennamn på okända språk, primärkällocitat på arkaisk stavning — är där en lärobok slutar vara en podd.
80/20-produktionsregeln, 2026
Matematik, egennamn och kodväxlingsproblemet
De noggrannhetsfelfall som nuvarande neural TTS inte har löst är tillräckligt förutsägbara att producenter nu planerar för dem vid källförberedelsestadiet snarare än att upptäcka dem i QA.
Matematik. Ekvationer kodade som MathML har en kanonisk talad form — läs integralen från a till b av x i kvadrat dx — som ingen allmän TTS-motor genererar korrekt. Produktionsflöden dirigerar nu MathML genom en dedikerad matematik-till-tal-motor (MathSpeak, MathJax tillgänglighetsutvidgningen eller den öppenkällkodsbaserade SRE-motorn underhållen av Math-in-DAISY-projektet) innan den resulterande engelska texten överlämnas till berättarröstssyntesizern. DAISY 4.0-specifikationen formaliserar denna dirigering som ett rekommenderat produktionsmönster.
Egennamn. Personnamn, ortsnamn, organisationsnamn och ämnesspecifik terminologi felutsägs förutsägbart. En 2024 granskning av DAISY-konsortiet av 50 timmars AI-berättat pedagogiskt innehåll fann namnfelutsägningshastigheter på ungefär 14% i historietexter (där namnen sträcker sig över flera språk) och ungefär 22% i läroböcker i främmande språk (där namnen är innehållet). Åtgärden är en per-titel uttalslexikon — vanligtvis 50 till 300 poster för en 400-sidors lärobok — byggd under källförberedelse och tillhandahållen syntesizern som SSML-lexikonledtrådar.
Kodväxlingsspråk. En historielärobok som citerar Cicero på latin, en litteraturlärobok som citerar Pusjkin på ryska, en ekonomilärobok som citerar Piketty på franska — dessa är meningarna där en enspråkig TTS-röst misslyckas mest synligt. ElevenLabs v3 och OpenAIs 2025 TTS-uppdatering levererar båda flerspråkiga enröstmodeller som växlar språk mitt i ett yttrande, men kvaliteten på växlingen är ojämn. Det tillförlitliga produktionsmönstret 2026 är att explicit tagga det fremmedspråkiga spannet, dirigera det till en språkspecifik röst och sy ihop ljudet igen på SMIL-lagret.
DAISY 4.0: vad 2025 års specifikation förändrar
DAISY 4.0, publicerad i utkastform av DAISY-konsortiet i slutet av 2025, är den första formatrevisionen på ett decennium. Dess designstartpunkt är att det producerade objektet inte ska behöva välja mellan en ljudbok och en text-och-bildbok — det ska vara båda, samtidigt, med spelaren som väljer vad som visas för läsaren.
Fyra förändringar är viktigast för läroboksproduktion. För det första, EPUB 3-anpassning: DAISY 4.0 är strukturellt ett EPUB 3-paket med ljud tillagt, snarare än ett parallellformat med EPUB som exportmål. En producent som underhåller en EPUB 3-lärobok kan producera sin DAISY 4.0-ljudutgåva genom att lägga till spår, inte genom att konvertera filer. För det andra, inbyggt MathML: ekvationer färdas som MathML till spelaren, som vid körning bestämmer om de ska renderas visuellt, läsas högt eller bägge. För det tredje, flerröstigt härleddmetadata: ett DAISY 4.0-paket kan bära blandade mänskligt berättade, AI-berättade och matematikmotor-renderade span, med varje span tillskrivet i metadata till sin produktionsmetod — ett transparenskrav som ett framväxande uppsättning nationella upphandlingsregler börjar kräva. För det fjärde, navigeringsutvidgningar för de strukturella objekt läroböcker alltid burit men som DAISY 3 hanterade klumpigt: numrerade uppgifter, uppgiftssatser, ordlistabakåtreferenser och korsvolymreferenser.
Övergångstidslinjen som de flesta producenter citerar offentligt är konservativ. DAISY-konsortiet förväntar sig att majoriteten av nya pedagogiska titlar levereras som DAISY 4.0 till 2027–28, med den äldre DAISY 2.02-katalogen som kvarstår på spelarsidan på obestämd tid eftersom den installerade basen av dedikerade hårdvaruspelar inte kan fjärruppdateras.
De stora producenterna och vad de producerar
Learning Ally, den USA-baserade ideella organisationen grundad 1948 som Recording for the Blind, håller den största engelskspråkiga ljudlärobokskatalogen i världen — ungefär 80 000 titlar per 2026 — och är i stor utsträckning mänskligt berättad, med ett volontärberättarnätverk på ungefär 1 000 aktiva röster. Dess strategipapper från 2025 förbinder sig till ett AI-förstärkt flöde (AI-först berättarröst med mänsklig QA på symboltäta kapitel) för läroboks-matematik och naturvetenskap på skolnivå, samtidigt som mänsklig berättarröst bevaras för den litterära kanon.
Bookshare, drivs av Benetech, levererar en EPUB-första katalog — över 1,3 miljoner titlar 2026, i allmänläsar- och pedagogiska kategorier — som parar den underliggande texten med syntetiserat ljud renderat av användarens spelare snarare än förbakat vid produktion. Modellen är billigast i stor skala och den som bäst stämmer överens med DAISY 4.0:s spelare-bestämmer-arkitektur.
RNIB Talking Books i Storbritannien betjänar ungefär 25 000 aktiva medlemmar och producerar cirka 1 500 nya titlar per år, mestadels via mänsklig berättarröst med ett pilotprogram 2024–26 för AI-berättarröst för facklitteratur. Dess katalog är referensen för brittisk läroplansläroboksaudiens.
IFLA:s Libraries Serving Persons with Print Disabilities (LPD) Section koordinerar det globala producentnätverket och driver Accessible Books Consortium (ABC) gränsöverskridande katalog under Marrakesh-fördraget — mekanismen genom vilken en bok producerad i ett signatorland kan lånas ut över gränserna till auktoriserade läsare i ett annat. ABC:s katalogutbyte 2024 rapporterade över 850 000 gränsöverskridande titelöverföringar, en tiopotens upp från siffran för fem år sedan, med tillväxten koncentrerad i pedagogiska material.
Vad det innebär för studenten 2026
Den praktiska effekten av förändringarna 2024–26 är att katalogen tillgänglig för en blind eller svagsynt student i en stor engelskspråkig jurisdiktion är ungefär en tiopotens större än vad den var i början av decenniet, och eftersläpningen mellan en tryckt publikation och en tillgänglig ljudutgåva kollapsar från ett år eller mer till veckor. Eftersläpningen för läroböcker specifikt — historiskt sett den långsammaste kategorin på grund av matematisk och strukturell komplexitet — stängs långsammare, men den stängs.
Vad som inte har förändrats är golvet för acceptabel kvalitet. En lärobok måste fortfarande vara navigerbar, noggrann och synkroniserad med sin källtext. DAISY 4.0:s design och AI-berättarröst-flödets ekonomi gör det golvet billigare att klara än det någonsin har varit. De producenter som troligast klarar sig väl under resten av decenniet är de som har slutat formulera valet som människa eller AI och börjat formulera det som vilka meningar som behöver vilken metod — och de handikappservicekontor vid universitet och skolor som har slutat acceptera “vi har inte råd att producera detta” som ett slutsvar.
Läs mer från Disability World om läget för dövundervisningens tillgänglighet världen över, om nationella tillgänglighetsregelverk och om det bredare tillgänglighetsrapporteringsrekordet 2026.