Transkrip Audio dan Subtitle

Cara Pengenalan Suara Membaca Rekaman

Alat Ubah Audio ke Teks memakai Whisper, model pengenalan suara yang dirilis OpenAI pada 2022 dengan lisensi MIT. Menurut kartu modelnya (model card), Whisper dilatih dengan 680.000 jam audio beserta transkripnya yang dikumpulkan dari internet, sekitar dua pertiganya berbahasa Inggris.

Whisper tidak mendengarkan seluruh file sekaligus. Ia membaca audio per 30 detik, yang diubah menjadi spektrogram (gambar frekuensi mana yang keras di setiap saat), lalu menulis teks yang paling mungkin untuk potongan itu, sepotong kata demi sepotong kata, bersama penanda waktu. Karena itu rekaman panjang dipotong menjadi beberapa jendela. Alat ini memotong setiap jendela di jeda terpanjang menjelang akhir jendela agar kalimat tidak terputus, dan melewati jendela yang hening.

Sebelum menulis apa pun, model juga bisa mengenali bahasa yang diucapkan: hal pertama yang diprediksinya adalah label bahasa. Jika Anda membiarkan "Deteksi otomatis", alat memakai prediksi ini pada 30 detik pertama ucapan, lalu memakai satu bahasa untuk seluruh file.

Memilih Model

Whisper tersedia dalam beberapa ukuran. Alat ini menawarkan tiga: base dan small berjalan di prosesor pada browser apa pun yang baru, dan large-v3-turbo berjalan di prosesor grafis jika browser mendukung WebGPU.

* Diukur di satu komputer desktop, di browser: base dan small dengan bobot 8-bit di prosesor, large-v3-turbo dengan bobot 4-bit di kartu grafis. Perangkat yang lebih lambat butuh waktu lebih lama. Setiap model diunduh sekali, lalu tersimpan di browser sampai Anda menghapusnya di alat ini.

Perbedaan kualitas paling besar untuk bahasa selain Inggris. Dalam uji kami dengan rekaman bahasa Korea berdurasi satu menit yang dibacakan suara sintetis, base menulis 후회 (penyesalan) alih-alih 회의 (rapat) dan 머료일 alih-alih 월요일 (Senin); small benar untuk keduanya tetapi menulis 무늬 (corak) alih-alih 문의 (pertanyaan), dan large-v3-turbo tidak salah sama sekali. Gunakan large-v3-turbo jika browser Anda menawarkannya; jika tidak, mulailah dengan base dan beralih ke small bila teksnya terlalu banyak salah.

Large-v3-turbo adalah versi large-v3, model Whisper terbesar, yang dioptimalkan untuk kecepatan. Model ini membutuhkan prosesor grafis: hanya dengan prosesor, waktunya sekitar 13 kali panjang rekaman, jadi alat ini hanya menampilkannya bila WebGPU tersedia, misalnya di Chrome dan Edge versi terbaru di komputer dan di Safari pada Mac terbaru. Model ini juga butuh memori jauh lebih banyak daripada base, yang tidak dimiliki banyak ponsel.

Cara Mendapatkan Transkrip yang Lebih Baik

• Rekam dekat mikrofon. Jarak, gema, dan bising latar paling banyak menurunkan akurasi.
• Hindari musik dan suara yang tumpang tindih. Whisper menulis satu aliran teks dan tidak membedakan pembicara.
• Pilih bahasa sendiri jika rekaman diawali musik, hening, atau sapaan dalam bahasa lain.
• Siap memperbaiki nama dan istilah. Model menebak ejaan dari bunyi dan lebih memilih kata yang umum.
• Waspadai teks karangan. Kartu model memperingatkan bahwa Whisper bisa menulis hal yang tidak diucapkan dan mengulang dirinya, terutama di bagian yang hening atau bising. Baca bagian itu sambil mendengarkan rekaman.
• Bagi file yang sangat panjang. Satu jam audio memakan sekitar 220 MB memori setelah didekode, dan semuanya berjalan di perangkat Anda sendiri.

File Subtitle: SRT dan VTT

File subtitle adalah teks biasa: daftar entri (cue), masing-masing dengan waktu mulai, waktu selesai, dan kata-kata yang ditampilkan. Dua format yang umum terlihat hampir sama.

SubRip (.srt) memberi nomor pada setiap entri dan menulis koma sebelum milidetik:

1
00:00:00,000 --> 00:00:02,400
Selamat pagi, semuanya.

2
00:00:02,400 --> 00:00:05,800
Saya akan merangkum poin utama rapat hari ini.

WebVTT (.vtt) adalah format W3C untuk subtitle di halaman web, yang dipakai elemen HTML <track>. File diawali kata WEBVTT, waktu memakai titik, dan nomor boleh tidak ada:

WEBVTT

00:00:00.000 --> 00:00:02.400
Selamat pagi, semuanya.

00:00:02.400 --> 00:00:05.800
Saya akan merangkum poin utama rapat hari ini.

Di WebVTT, teks sebuah entri tidak boleh berisi -->, dan karakter & serta < harus ditulis sebagai & dan <; alat ini melakukannya untuk Anda. SRT tidak punya spesifikasi resmi, tetapi aplikasi edit video dan pemutar membaca bentuk seperti di atas. Pilih format yang diminta pemutar atau platform Anda.

Subtitle yang Mudah Dibaca

Segmen Whisper mengikuti pengertiannya sendiri tentang kalimat, jadi ada yang panjang. Sebelum memublikasikan, putar subtitle bersama videonya, pecah segmen yang terlalu lama tampil atau lebih dari dua baris, dan pastikan setiap entri muncul saat kata-katanya diucapkan. Sebagian besar editor subtitle bisa membuka file SRT dan menggeser atau memecah entri.

Transkripsi di Perangkat dan di Cloud

Layanan transkripsi online biasanya mengunggah rekaman ke server mereka, tempat model besar memprosesnya dengan cepat. Alat di browser menyimpan rekaman di perangkat Anda: audio didekode dan ditranskripsi di dalam halaman, dan yang diunduh hanya file model. Sebagai gantinya, kecepatan bergantung pada prosesor Anda, dan ukuran model dibatasi oleh kemampuan browser.

Siapa pun yang memproses, rekaman orang lain perlu diperlakukan dengan hati-hati. Kartu model Whisper mengingatkan agar tidak mentranskripsi rekaman orang yang dibuat tanpa persetujuan mereka; mintalah izin sebelum merekam atau mentranskripsi percakapan.

Pertanyaan umum

Sumber

Sumber: OpenAI, Whisper (README) · Terakhir diperiksa: 13 Oktober 2026

Sumber: OpenAI, Model Card: Whisper · Terakhir diperiksa: 13 Oktober 2026

Sumber: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · Terakhir diperiksa: 13 Oktober 2026