Cara Mengubah Suara ke Teks Gratis dan Tips Agar Akurat

Mesin transkripsi tidak pernah mendengar kata seperti Anda mendengarnya. Mesin memotong gelombang suara menjadi bingkai-bingkai yang saling tumpang tindih sepanjang sekitar 25 milidetik, lalu mengubah setiap potongan menjadi spektrogram, yaitu peta frekuensi mana yang keras pada saat itu. Model akustik membaca peta tersebut dan memperkirakan bunyi ujaran apa yang ada: desis s, letupan t, bentuk vokal yang membedakan ship dari sheep. Hasilnya baru berupa deretan bunyi yang mungkin, belum teks yang bisa dibaca.

Model bahasa membereskan sebagian besar masalah itu. Model ini tahu urutan kata mana yang lazim dalam kalimat nyata, sehingga ketika bunyinya bisa berarti recognize speech atau wreck a nice beach, konteks yang menentukan. Sistem lama memisahkan kedua bagian ini dan melatihnya dengan materi terbatas yang dibacakan dengan hati-hati, itulah sebabnya perangkat lunak dikte tahun 2010-an kerap tersandung pada logat dan percakapan santai.

Pada September 2022 OpenAI merilis Whisper, model terbuka yang dilatih dengan sekitar 680.000 jam audio multibahasa yang dikumpulkan dari web. Model ini menyatukan bagian akustik dan bahasa dalam satu jaringan yang membaca jendela 30 detik dan langsung menulis teks lengkap dengan tanda baca. Model dari keluarga ini membuat ucapan berlogat, kosakata campuran, dan rekaman dunia nyata yang berantakan jauh lebih bisa dipakai, dan sebagian besar layanan transkripsi gratis saat ini, termasuk alat browser, menjalankan model serupa. Meski begitu, model ini tetap menebak, dan ketika audionya tidak jelas, tebakannya terdengar lancar, sehingga kesalahannya lebih sulit dikenali.

Akurasi biasanya diukur dengan word error rate (tingkat kesalahan kata): persentase kata yang tertukar, hilang, atau muncul tanpa diucapkan dibandingkan dengan transkrip manusia yang teliti. Tingkat kesalahan 5% berarti satu kesalahan setiap dua puluh kata. Kedengarannya kecil, sampai Anda sadar bahwa kesalahan cenderung menumpuk pada kata-kata penting, seperti nama keluarga, kode produk, atau angka dalam pembahasan anggaran.

Faktor-faktor di bawah ini diurutkan kurang lebih dari yang paling merugikan. Perhatikan bahwa hampir semuanya ditentukan saat rekaman dibuat, bukan saat ditranskripsikan. Memindahkan ponsel dari tengah meja ke jarak sejangkauan lengan dari pembicara sering kali lebih berpengaruh daripada pengaturan apa pun yang bisa Anda ubah sesudahnya.

Sebagian besar rekaman bisa diunggah apa adanya. Persiapan baru terasa manfaatnya dalam tiga situasi: file terlalu panjang atau terlalu besar, ucapan tenggelam di antara keheningan atau musik, atau volumenya begitu pelan sehingga Anda harus memutar volume sampai penuh untuk mendengarnya. Bagian hening yang panjang di awal bukan sekadar membuang waktu, karena deteksi otomatis menentukan bahasa dari 30 detik pertama dan bisa menebak dari suara ruangan atau jingle pembuka. Memotong rekaman hingga tersisa bagian yang berisi ucapan, atau mengatur Mulai pada untuk melewatinya, mencegah hal itu.

Konversi format jarang diperlukan. Memo Suara iPhone berformat M4A (audio AAC), aplikasi perekam Android menghasilkan M4A, AAC, atau 3GP, dan perekam panggilan sering menghasilkan AMR; semuanya bisa langsung diunggah. Mengubah file terkompresi menjadi WAV tidak memulihkan detail yang sudah dibuang saat perekaman, seperti dijelaskan dalam panduan kami tentang MP3, WAV, FLAC, dan AAC, jadi konversikan hanya jika sebuah alat menolak formatnya. Untuk rekaman berdurasi berjam-jam, bagi file di jeda alami seperti rehat kopi atau pergantian topik, agar setiap bagian tetap di bawah batas unggah dan lebih mudah diperiksa.

Pilih keluaran berdasarkan apa yang akan Anda lakukan sesudahnya. Jika transkrip akan dibaca, dikutip, atau dicari, teks biasa atau Word sudah tepat; Word menjaga paragraf, stempel waktu, dan label pembicara tetap tertata untuk diedit, sedangkan PDF dipakai untuk mengirim salinan tetap yang tidak boleh diubah. Jika kata-katanya akan tampil di layar di atas video, Anda memerlukan file subtitle: SRT atau VTT memecah ucapan menjadi cue pendek, masing-masing dengan waktu mulai dan selesai, dan panjang baris menentukan berapa banyak teks yang muat di layar. Empat puluh dua karakter per baris adalah standar siaran yang umum.

SRT dan VTT membawa informasi yang sama dengan sedikit perbedaan. SRT, yang berasal dari program lama SubRip, memberi nomor pada setiap cue dan menulis waktu dengan koma (00:01:15,000). WebVTT adalah format W3C untuk video HTML5; formatnya diawali header WEBVTT, memakai titik dalam penulisan waktu, serta mendukung gaya dan pengaturan posisi. YouTube, Vimeo, Premiere Pro, dan DaVinci Resolve menerima keduanya. JSON dengan waktu per kata ditujukan bagi pengembang yang membangun fitur pencarian, sorotan ala karaoke, atau tata letak subtitle sendiri.

Sebelum mengunggah apa pun, periksa dulu kemampuan perangkat Anda sendiri. Apple menambahkan transkrip ke aplikasi Memo Suara di iOS 18, sehingga rekaman yang dibuat di iPhone terbaru bisa langsung menampilkan teksnya di aplikasi. Aplikasi Recorder dari Google di ponsel Pixel sudah mentranskripsikan sambil merekam sejak 2019, sepenuhnya di perangkat, dan dapat membedakan pembicara. Di Microsoft 365, Word untuk web memiliki perintah Transkripsikan di samping Dikte yang menerima unggahan file MP3, M4A, WAV, dan MP4 dengan jatah menit unggahan bulanan. Ketik dengan suara di Google Dokumen (di menu Alat, di Chrome) hanya mendengarkan mikrofon secara langsung; fitur ini tidak bisa membaca file yang sudah ada.

Platform rapat adalah sumber lain. Zoom, Microsoft Teams, dan Google Meet dapat menghasilkan transkrip panggilan jika fitur transkripsi diaktifkan dan paket atau organisasi Anda mengizinkannya, sementara asisten seperti Otter.ai bergabung ke rapat untuk mencatat. Semua ini praktis untuk panggilan yang Anda selenggarakan, tetapi masing-masing hanya bekerja di dalam aplikasinya sendiri, memerlukan persetujuan semua peserta untuk direkam, dan mengekspor dalam formatnya sendiri. Untuk file yang sudah Anda miliki, seperti wawancara lama, rekaman kuliah, atau pesan suara yang diteruskan orang lain, alat transkripsi berbasis file biasanya jalan yang lebih sederhana.

Alat browser menutup celah yang ditinggalkan fitur bawaan: file apa pun dari perangkat apa pun, keluaran subtitle, dan bahasa yang tidak didukung ponsel Anda. Di alat ubah suara ke teks, tambahkan file, biarkan Bahasa lisan pada Deteksi otomatis atau pilih bahasanya sendiri, tentukan Keluaran, lalu aktifkan Stempel waktu atau Label pembicara jika diperlukan. Memo suara dari iPhone punya halaman tersendiri, M4A ke teks, dan file podcast atau perekam punya MP3 ke teks; keduanya memakai mesin yang sama. Setiap file boleh hingga 95 MB, kira-kira satu setengah jam MP3 128 kbps. Untuk yang lebih panjang, gunakan Mulai pada dan Selesai pada untuk mentranskripsikan per bagian, atau potong rekamannya terlebih dahulu.

Pasang harapan yang realistis. Satu pembicara dengan mikrofon yang layak di ruangan tenang biasanya menghasilkan 90–95% benar atau lebih, sering kali cukup untuk diterbitkan setelah sedikit penyuntingan. Ponsel yang diletakkan di meja restoran yang ramai, panggilan konferensi yang putus-putus, atau diskusi panel dengan peserta yang saling menyela bisa jauh lebih rendah, dengan kalimat utuh yang hilang. Label pembicara bisa diandalkan jika suara-suaranya jelas berbeda dan orang berbicara bergantian, dan label ini lebih sering tertukar pada dua suara yang mirip daripada yang Anda kira.

Periksa hasilnya sambil memutar audio, jangan hanya membaca teksnya, karena model modern menulis kalimat yang gramatikal bahkan saat isinya salah. Periksa setiap nama diri, karena model tidak mungkin tahu bahwa rekan Anda menulis namanya Yuni atau Yunie. Periksa setiap angka: lima belas dan lima puluh, tanggal, harga, dan persentase mudah salah dengar. Waspadai kata yang bunyinya mirip, seperti masa dan massa, bank dan bang, atau sangsi dan sanksi, serta kalimat pengisi yang terdengar yakin di bagian audio yang tidak jelas. Stempel waktu mempercepat pekerjaan ini, karena Anda bisa langsung melompat ke momen ketika baris yang meragukan diucapkan.

Sebuah rekaman sering membawa lebih banyak informasi pribadi daripada dokumen: suara, nama, detail kesehatan, angka gaji. Sebelum mengunggah, ketahui ke mana file itu pergi dan berapa lama disimpan. Di UltKit, unggahan diproses di server dan dihapus otomatis 30 menit setelah diproses; tidak ada akun, jadi tidak ada yang terhubung dengan nama Anda. Recorder di Pixel bekerja tanpa internet, sehingga audionya tidak pernah meninggalkan ponsel. Untuk apa pun yang terikat perjanjian kerahasiaan atau kerahasiaan medis maupun hukum, periksa dulu kebijakan organisasi Anda; sebagian mewajibkan layanan yang sudah disetujui dan dikontrak.

Dukungan bahasa luas tetapi tidak merata. Alat transkripsi ini mencakup 33 bahasa, di antaranya Inggris, Spanyol, Prancis, Jerman, Portugis, Arab, Hindi, Jepang, Korea, Tionghoa, dan Ukraina, dan hasil terbaik muncul pada bahasa dengan data pelatihan terbanyak. Deteksi otomatis memilih satu bahasa per file. Jika sebuah rapat berpindah-pindah di antara dua bahasa, transkripsikan setiap bagian secara terpisah dengan bahasa yang diatur manual. Transkrip selalu ditulis dalam bahasa yang diucapkan; penerjemahan adalah langkah terpisah yang Anda lakukan sesudahnya pada teksnya.

Sebagian besar transkrip yang gagal bermuara pada segelintir penyebab, dan perbaikannya biasanya ada di file atau satu pengaturan, bukan dengan mencoba layanan lain. Jika audionya sendiri terlalu buruk untuk Anda ikuti dengan nyaman, mesin pun akan sama kesulitannya, dan mentranskripsikan bagian-bagian penting secara manual mungkin lebih cepat daripada mengoreksi transkrip otomatis yang panjang.