Blog

Apa itu diarisasi penutur? Cara kerjanya

Penulis: Hushscript | Diterbitkan: 13 Mei 2026 | Terakhir ditinjau: 14 Oktober 2026

Diarisasi penutur adalah proses otomatis yang memisahkan rekaman menjadi segmen menurut penutur, menjawab pertanyaan “siapa berbicara kapan?” sebelum ada orang yang membaca transkrip. Riset diarisasi penutur terkini di ACL Anthology menjelaskan tugas yang sama untuk percakapan multipihak. Inilah yang membedakan sederetan kata dari percakapan yang terstruktur, dan inilah sebabnya transkrip wawancara dua orang muncul sebagai dialog yang mudah dibaca, bukan satu paragraf panjang.

Sederhananya: Anda mengunggah rekaman, mesin diarisasi menemukan titik tempat suara berganti, mengelompokkan segmen yang terdengar seperti orang yang sama, lalu mengembalikan transkrip dengan satu baris per giliran bicara, dilabeli menurut suara. Artikel ini membahas arti diarisasi, cara kerjanya langkah demi langkah, perbedaannya dengan identifikasi penutur, alat yang dipakai pengembang, dan di mana diarisasi bisa keliru.

Apa itu diarisasi penutur? Artinya dalam bahasa sederhana

Bayangkan Anda mentranskripsikan wawancara 90 menit secara manual. Setelah ucapan diubah menjadi teks, hal berikutnya yang Anda lakukan adalah menambahkan atribusi: “Pewawancara:”, “Narasumber:”, bolak-balik setiap kali suara berganti. Menentukan siapa yang berbicara pada detik tertentu persis yang dikerjakan diarisasi untuk Anda. Anda juga akan menemukan istilah diarisasi ucapan. Definisinya sama: beri label pada setiap bagian audio dengan suara pemiliknya.

Hasilnya berupa transkrip berformat dialog:

Speaker A [00:00:12]: Hal pertama yang perlu dipahami adalah bahwa datanya hanya ada sesaat.
Speaker B [00:00:27]: Betul, dan itu bagian yang baru disadari kebanyakan orang saat sudah terlambat.
Speaker A [00:00:34]: Tepat. Jadi pertanyaan sebenarnya adalah apa yang Anda lakukan dalam jangka waktu itu.

Setiap ucapan terikat pada seorang penutur dan satu penanda waktu. Anda lalu bisa mengganti nama Speaker A dan Speaker B menjadi nama sungguhan, satu kali edit per penutur, dan labelnya diperbarui di semua tempat kemunculannya.

Alternatifnya, transkrip biasa tanpa diarisasi, berupa blok teks bersambung yang mengharuskan Anda memutar ulang audio untuk mengetahui siapa mengucapkan apa. Untuk rekaman yang lebih dari beberapa menit dengan dua suara atau lebih, itu pekerjaan manual yang nyata, dan itulah pekerjaan yang dihilangkan oleh proses diarisasi.

Yang Anda butuhkan sebelum mulai

Diarisasi berjalan pada rekaman itu sendiri, jadi satu-satunya prasyarat nyata adalah audio dengan penutur yang cukup berbeda:

• Satu rekaman berisi semua suara. Diarisasi bekerja di dalam satu file, jadi semua penutur harus ada di file itu. Meja bundar yang semua orangnya berbagi satu mikrofon ruangan bisa diproses; dua orang yang masing-masing direkam di perangkat sendiri dan disimpan sebagai dua file terpisah tidak bisa. Gabungkan keduanya menjadi satu mix terlebih dahulu.
• Audio yang cukup jelas. Tidak harus kualitas studio. Yang dibutuhkan, setiap orang terdengar tanpa harus memaksakan telinga, dengan suara bersahutan dan bising latar yang terbatas. Makin bersih pemisahan antarsuara, makin bersih labelnya.
• Gambaran kasar tentang jumlah orang yang berbicara. Anda tidak wajib menyebutkannya, tetapi mengetahuinya membantu memeriksa hasil: jika Anda merekam tiga orang dan transkrip menampilkan enam penutur, Anda tahu harus memeriksa bagian mana.

Tanpa pendataan suara di awal, tanpa sampel suara, tanpa pengaturan per penutur.

Cara kerja diarisasi penutur (speaker diarization)

Diarisasi terbagi menjadi beberapa tahap. Memahaminya membuat hasilnya lebih mudah dibaca, dan lebih mudah diperbaiki saat ada yang keliru. Diagram diarisasi penutur ini menunjukkan alurnya dari file audio sampai label, dibaca dari kiri ke kanan:

audio  ->  frame  ->  fitur suara  ->  titik pergantian  ->  kelompok  ->  label
 file     10-40 ms    nada, spektrum      A | B | A | C       A, B, C     Speaker A, B, C

Ekstraksi fitur. Audio dipecah menjadi bingkai-bingkai pendek, biasanya masing-masing 10 sampai 40 milidetik, dan mesin mengukur fitur akustik pada setiap bingkai. Fitur yang penting untuk membedakan penutur berada pada ranah frekuensi: tinggi nada, formant, dan pola spektral yang cenderung konsisten dalam suara satu orang dan berbeda antarorang.

Segmentasi. Mesin mencari titik pergantian penutur: saat karakteristik suara tadi bergeser. Inilah bagian yang sulit. Pergantian bisa jatuh di tengah kalimat ketika seseorang menyela, dan kebisingan atau ucapan yang tumpang tindih bisa menyembunyikan batas yang sebenarnya atau menciptakan batas palsu.

Pengelompokan. Segmen yang terdengar seperti suara yang sama dikelompokkan. Mesin tidak diberi tahu berapa orang ada di ruangan; jumlah penutur disimpulkan dari audionya. Jika Anda tahu jumlahnya sebelumnya, sebagian pengaturan memungkinkan Anda memasukkannya. Jika tidak, mesin memperkirakannya, dan di sinilah sebagian besar kesalahan “satu orang terpecah menjadi dua” dan “dua orang tergabung menjadi satu” berasal.

Pelabelan. Setiap kelompok mendapat label: Speaker A, Speaker B, Speaker C, atau Speaker 0, Speaker 1. Label itu hanyalah penanda sembarang. Tidak ada identitas di baliknya, hanya pegangan yang stabil untuk satu suara di seluruh rekaman.

Ini menggambarkan pipeline klasik. Sistem yang lebih baru sering melatih model saraf yang menangani beberapa tahap ini sekaligus. Tujuan dan hasilnya tetap sama: lini masa siapa berbicara kapan. Di Hushscript, seluruhnya berjalan sebagai proses otomatis bersama transkripsi, jadi Anda tidak menjalankan pekerjaan pelabelan penutur yang terpisah.

Model diarisasi penutur, alat Python, dan API

Pengembang yang ingin menjalankan diarisasi sendiri punya beberapa jalur. pyannote.audio adalah toolkit Python sumber terbuka untuk diarisasi penutur, dibangun di atas PyTorch, dengan pipeline diarisasi siap pakai. Proyek seperti WhisperX memasangkan model transkripsi dengan model diarisasi agar teks dan giliran bicara selaras. Menjalankan keduanya sendiri berarti menyiapkan model, menyediakan komputasi sendiri, dan menulis sedikit kode di sekitarnya.

API adalah jalur tengah: kirim audio, terima teks beserta giliran bicara. API publik Hushscript menerima opsi speaker_detection pada pekerjaan transkripsi. Lihat halaman Pengembang untuk cara kerjanya.

Jika Anda hanya menginginkan hasilnya, yaitu transkrip dengan penutur berlabel dari sebuah file, tidak ada yang perlu dipasang. Bagian berikut menjelaskan mengapa diarisasi saja tidak bisa menyebutkan nama siapa pun, dan bagian sesudahnya menunjukkan jalur tanpa kode.

Diarisasi penutur vs identifikasi penutur

Keduanya terus-menerus tertukar, padahal menjawab pertanyaan yang berbeda.

Diarisasi bertanya: siapa yang berbicara saat ini, dibandingkan suara lain di file ini? Diarisasi memisahkan suara tetapi tidak tahu siapa pemiliknya. Diarisasi tidak membutuhkan pengetahuan sebelumnya.

Identifikasi penutur, disebut juga pengenalan suara, bertanya: apakah ini orang yang sama dengan yang ada di rekaman referensi yang dikenal? Identifikasi penutur membutuhkan sampel suara terdaftar sebagai pembanding, dan inilah teknologi di balik sistem “verifikasi identitas Anda lewat suara”.

Hushscript memakai diarisasi, bukan pengenalan suara. Hushscript tidak mendaftarkan suara dan tidak mencocokkan rekaman Anda dengan rekaman orang lain. Label penutur diturunkan dari karakteristik suara di dalam satu file itu.

Perbedaan ini menjelaskan mengapa diarisasi tidak bisa menyebutkan nama orang untuk Anda. Diarisasi bisa mengatakan “orang yang sama berbicara dalam 200 giliran sepanjang satu jam”, tetapi tidak bisa mengatakan siapa orang itu. Langkah itu menjadi bagian Anda. Jika Anda mencari perangkat lunak yang melabeli penutur dalam transkrip, bukan penjelasan tentang metodenya, halaman identifikasi penutur membahas bagaimana Hushscript menangani rekaman multipenutur dari awal sampai akhir.

Contoh nyata: rapat tiga orang

Misalkan Anda merekam rapat proyek 40 menit dengan tiga orang di satu ruangan, berbagi satu mikrofon laptop, disimpan sebagai satu file .m4a. Anda menyeret file itu ke Hushscript, dan setelah transkripsi hasilnya terlihat seperti ini:

Speaker A [00:00:04]: Oke, kita mulai dari tanggal peluncuran. Sudah sampai mana kita?
Speaker B [00:00:09]: Desain sudah selesai. Layar finalnya kami serahkan hari Senin.
Speaker C [00:00:14]: Tim engineering butuh sekitar dua minggu lagi untuk alur pembayarannya.
Speaker A [00:00:21]: Dua minggu berarti melewati tanggal yang kita janjikan ke marketing.
Speaker B [00:00:27]: Bisa tidak kita rilis tanpa alur pembayaran baru, lalu menyusul belakangan?
Speaker C [00:00:33]: Tidak bisa mulus. Alur lama rusak dengan harga yang baru.

Tiga suara, terpisah dan berlabel, dengan penanda waktu di setiap giliran. Sekarang Anda mengganti label: Speaker A menjadi “Priya” (dialah yang memimpin rapat), Speaker B menjadi “Tom”, Speaker C menjadi “Dana”. Setelah tiga kali penggantian nama, setiap baris memuat nama sungguhan, dan transkrip siap ditempel ke notulen rapat dengan atribusi yang benar di seluruh bagian.

Pola yang sama berlaku untuk wawancara dua orang, podcast empat orang, atau panggilan telepon dua sisi: mesin memisahkan apa yang didengarnya, dan Anda yang memberi nama.

Coba diarisasi penutur online dengan Hushscript

Deteksi penutur adalah kotak centang di opsi unggah, dan labelnya tidak dikenai biaya tambahan. Alurnya: seret file Anda, tempel tautan audio yang didukung, atau rekam di browser, lalu pratinjau berlabel penutur hingga 5 menit tampil tanpa akun. Pratinjau menampilkan setiap giliran bicara dari audio Anda sendiri pada barisnya sendiri dengan label. Daftar untuk mentranskripsikan sisanya, lalu buka transkrip yang sudah jadi. Dari situ:

1. Klik label penutur mana pun di editor transkrip, misalnya Speaker B.
2. Pilih Edit speaker names dari menu yang terbuka.
3. Ketik nama sungguhan, seperti “Tom”, di dialog lalu simpan.
4. Setiap kemunculan penutur itu diperbarui sekaligus, dari baris pertama sampai terakhir.

Penggantian nama berlaku global, jadi Anda tidak pernah mengedit label yang sama dua kali. Jika mesin menempatkan satu giliran pada penutur yang salah, tetapkan ulang giliran itu ke label yang benar. Anda lalu bisa mengekspor transkrip, lengkap dengan nama, dalam salah satu dari 21 format seperti TXT, SRT, DOCX, PDF, dan JSON, ditambah .husharchive yang dilindungi kata sandi.

Tantangan diarisasi penutur dan cara mengatasinya

Diarisasi andal pada rekaman yang bersih dan makin sulit seiring audio makin berantakan. Masalah yang umum, dan cara mengatasinya:

Ucapan yang tumpang tindih. Ketika dua orang berbicara bersamaan, mesin harus memberikan audio yang tumpang tindih kepada satu penutur, sehingga bisa salah melabeli bagian yang beririsan atau melewatkan beberapa kata. Tidak ada perbaikan lewat perangkat lunak; audionya memang berisi dua suara pada saat yang sama. Pencegahan adalah kuncinya: rekaman yang penuturnya bergantian jauh lebih bersih hasil diarisasinya daripada yang penuh interupsi. Jika tumpang tindih tetap terjadi, pembacaan cepat sambil mendengarkan audio akan menangkap beberapa baris yang terdampak.

Suara yang mirip. Dua penutur dengan tinggi nada dan aksen yang berdekatan (misalnya dua pria seusia, atau kakak beradik) lebih sulit dipisahkan daripada pasangan yang kontras, karena karakteristik suara mereka memang tumpang tindih. Mesin kadang bisa menukar satu giliran di antara keduanya. Periksa transkrip untuk baris yang terbaca janggal bagi penutur yang ditetapkan, lalu tetapkan ulang baris itu secara manual.

Banyak penutur. Akurasi turun seiring bertambahnya jumlah orang, karena setiap suara tambahan berarti satu kelompok lagi yang harus dipisahkan dan lebih banyak peluang tumpang tindih. Hushscript tidak memasang batas berbayar pada jumlah penutur, tetapi panggilan sepuluh orang dengan satu mikrofon laptop memerlukan lebih banyak pemeriksaan daripada wawancara dua orang.

Satu orang terpecah menjadi dua label. Jika audio seseorang berubah di tengah rekaman (mendekat ke mikrofon, berpindah dari headset ke pengeras suara telepon, atau koneksi memburuk), mesin bisa menganggap paruh kedua sebagai suara baru dan membuat label tambahan. Tetapkan ulang giliran di bawah label tambahan itu ke penutur yang benar.

Dua orang tergabung dalam satu label. Kebalikannya terjadi ketika dua suara yang pelan atau jauh terdengar terlalu mirip bagi mesin untuk dipisahkan. Ini yang paling sulit diperbaiki setelah kejadian, jadi layak dicegah: dekatkan mikrofon ke penutur, dan hindari merekam dari seberang ruangan yang besar. Di editor, Anda bisa memecah giliran bicara lalu menetapkannya ulang.

Audio jarak jauh atau bising. Mikrofon laptop di ujung meja konferensi, ponsel di atas meja saat obrolan grup, atau gema ruangan yang kuat sama-sama mengaburkan batas antarsuara. Penempatan mikrofon yang lebih dekat membantu setiap penutur, dan mengurangi kebisingan latar (kipas, lalu lintas, musik) mempertajam pemisahan. Kualitas diarisasi mengikuti kualitas audio dengan sangat erat.

Panggilan telepon yang direkam sebagai dua file terpisah. Jika perekam Anda menyimpan setiap sisi panggilan sebagai file mono tersendiri, diarisasi pada salah satu file saja hanya melihat satu suara. Gabungkan keduanya menjadi satu rekaman campuran terlebih dahulu, sehingga kedua suara ada dalam satu file, lalu transkripsikan file itu.

Tips akurasi yang benar-benar berpengaruh

Beberapa kebiasaan membuat diarisasi jauh lebih baik, dan sebagian besarnya menyangkut rekamannya, bukan perangkat lunaknya:

• Biarkan orang bergantian bicara. Suara bersahutan adalah sumber kesalahan diarisasi terbesar. Diskusi yang dimoderasi mengalahkan diskusi bebas.
• Dekatkan mikrofon. Jarak dan gema ruangan mengaburkan suara satu sama lain. Satu mikrofon dekat per orang adalah yang ideal; satu mikrofon bersama di tengah meja lebih baik daripada yang di sudut.
• Kurangi kebisingan latar yang jelas. Musik, kipas yang menyala, atau kafe yang ramai semuanya bersaing dengan suara dan mengaburkan batasnya.
• Masukkan setiap suara ke dalam file yang Anda transkripsikan. Diarisasi membandingkan penutur di dalam satu rekaman. Jika perekam menghasilkan trek peserta terpisah, campur menjadi satu file terlebih dahulu agar proses diarisasi bisa mendengar seluruh percakapan.

Semua ini tidak perlu sempurna. Giliran bicara yang jelas dan posisi mikrofon yang wajar membuat sebagian besar rekaman berlabel bersih, dan editor menangani sisanya.

Mengapa diarisasi penting untuk wawancara dan rapat

Tanpa diarisasi, transkrip percakapan multipenutur nyaris tidak bisa dipakai untuk pekerjaan yang paling umum:

• Kutipan langsung. Anda tidak bisa mengutip seseorang jika tidak tahu baris mana yang miliknya.
• Atribusi ringkasan. Ringkasan rapat yang tidak menyebutkan siapa mengatakan apa hampir tidak lebih berguna daripada tanpa ringkasan.
• Pencarian menurut penutur. Jika Anda mencari sesuatu yang dikatakan satu orang, Anda tidak bisa menyaring satu blok teks yang tidak terbedakan.

Dengan diarisasi, semua itu menjadi mudah, dan transkrip menjadi dokumen, bukan teks mentah. Untuk apa pun yang akan dipublikasikan atau dikutip, baik jurnalisme, riset, maupun catatan acara podcast, atribusi yang akurat bukan pilihan. Untuk pekerjaan internal seperti notulen rapat, riset wawancara, atau catatan SDM, struktur berlabel sama berharganya: memindai dialog jauh lebih cepat daripada membaca dinding teks.

Untuk panduan lengkap dalam konteks, lihat cara mentranskripsikan wawancara, yang membahas perekaman, transkripsi, dan penggantian label untuk jurnalisme dan riset, serta cara mentranskripsikan podcast untuk melabeli pembawa acara dan tamu sepanjang satu episode.

Label penutur tidak dikenai biaya tambahan

Diarisasi penutur disertakan di setiap transkrip Hushscript tanpa biaya tambahan. Tidak ada add-on diarisasi, tidak ada tingkat paket terpisah untuknya, dan tidak ada batas berbayar pada jumlah penutur dalam satu rekaman. Hushscript sendiri berbasis bayar sesuai pemakaian, tanpa langganan. Akun pribadi yang memenuhi syarat dapat menerima 30 menit gratis satu kali setelah verifikasi kartu berhasil, atau dengan pembelian pertama jika belum diberikan. Setelah itu Anda hanya membayar menit yang dipakai; lihat halaman harga untuk rinciannya.

Label otomatis bisa keliru, jadi periksa setiap kali atribusi penting. Seret rekaman, dapatkan labelnya, ganti namanya, lalu ekspor hasilnya. Penjelasan lebih lanjut tentang bagaimana semuanya saling melengkapi ada di halaman audio ke teks.