Blog

Cara Mengubah MP3 ke Teks (Gratis, dengan Penutur)

Penulis: Hushscript | Diterbitkan: 20 April 2026 | Terakhir ditinjau: 6 Oktober 2026

Mengubah MP3 ke teks adalah salah satu pekerjaan transkripsi yang paling umum, dan langkahnya tidak berubah menurut sumbernya: episode podcast, wawancara yang direkam, kuliah, atau memo suara dari ponsel Anda semuanya melewati alur yang sama. Unggah file, tunggu transkripnya, lalu ekspor dalam format yang Anda perlukan.

Yang berubah adalah bagaimana MP3 itu sendiri memengaruhi hasilnya. Sebagian besar panduan melewatkannya. MP3 adalah file lossy yang terkompresi, dan bitrate saat file disimpan menentukan batas atas seberapa banyak detail yang bisa dikerjakan mesin pengenalan suara. Panduan ini membahas tiga langkahnya, lalu masuk lebih dalam: contoh praktis dengan keluaran berlabel penutur yang nyata, arti bitrate yang sebenarnya bagi akurasi, dan cara memperbaiki rekaman yang hasilnya kasar.

Yang Anda perlukan

• File MP3. Bitrate apa pun bisa dimuat. Untuk akurasi, 64 kbps adalah batas bawah yang realistis dan 128 kbps sudah jauh melewati titik di mana angkanya berpengaruh (selengkapnya di bawah).
• Akun Hushscript. Akun pribadi yang memenuhi syarat dapat menerima 30 menit gratis satu kali untuk mencoba, setelah verifikasi kartu atau bersama pembelian pertama; harga memuat ketentuannya. Gunakan metode pembayaran yang ditampilkan saat checkout untuk paket. Kartu tidak wajib.

Tidak ada yang perlu dipasang; tanpa aplikasi desktop, tanpa ekstensi browser. Hushscript berjalan di browser Anda: audio disiapkan di perangkat, lalu audio yang sudah disiapkan dikirim untuk transkripsi.

Selain menit gratis, transkripsi memakai sistem bayar sesuai pemakaian: Anda membeli menit hanya saat membutuhkannya, tanpa langganan. Biayanya ada di halaman harga.

Ubah MP3 ke teks dalam tiga langkah

1. Unggah file Anda. Buka halaman unggah, lalu seret MP3 ke area seret atau klik untuk menelusuri. File berdurasi hingga 10 jam diterima, tanpa batas ukuran file. 5 menit pertama dipratinjau langsung di browser sebelum Anda masuk, sehingga Anda bisa melihat gaya berlabel penutur sebelum berkomitmen.
2. Biarkan ditranskripsikan. Setelah Anda masuk dan file terunggah, mesin pengenalan suara memprosesnya dan mengembalikan transkrip dengan penutur yang sudah terpisah. Waktu pemrosesan bervariasi, dan pekerjaan berjalan di latar belakang, jadi Anda tidak perlu membiarkan tab tetap terbuka.
3. Ekspor. Unduh hasilnya dalam salah satu dari 21 format. Itu mencakup TXT biasa, SRT berpenanda waktu, DOCX Word, PDF, serta format subtitle dan linimasa editor, ditambah .husharchive yang dilindungi kata sandi. Setiap format disertakan, tanpa paywall pada ekspor dan tanpa tanda air pada semuanya.

Transkrip yang sudah selesai terbuka di dasbor Anda. Penutur muncul sebagai Speaker A, Speaker B, dan seterusnya, dan Anda bisa mengklik label mana pun untuk mengganti namanya menjadi nama sebenarnya, yang memperbarui setiap baris dari penutur itu.

Contoh kerja: wawancara dua orang

Katakanlah Anda punya founder-interview.mp3: rekaman 42 menit, 128 kbps, satu pewawancara dan satu tamu, direkam lewat panggilan. Setelah Anda mengunggahnya, transkrip kembali tersegmentasi per giliran bicara penutur, dengan penanda waktu pada masing-masing:

[00:00:04] Speaker A: Terima kasih sudah meluangkan waktu. Mari mulai dari awal:
           dari mana sebenarnya ide ini datang?
[00:00:11] Speaker B: Jujur, ini muncul dari masalah yang kami alami sendiri. Kami
           kewalahan dengan rekaman panggilan dan tak satu pun bisa dicari.
[00:00:23] Speaker A: Jadi Anda membuat apa yang Anda butuhkan.
[00:00:25] Speaker B: Kurang lebih begitu. Versi pertamanya dirakit seadanya.

Dari sini penyuntingannya ringan. Anda mengganti nama Speaker A menjadi pewawancara dan Speaker B menjadi tamu satu kali saja, dan setiap baris diperbarui. Anda menelusuri sejumlah kecil nama diri yang ditebak mesin, seperti nama produk atau nama belakang seseorang, lalu memperbaikinya dengan cari dan ganti, yang mengoreksi setiap kemunculan dalam satu putaran. Untuk wawancara 128 kbps yang bersih seperti ini, penelusuran itu biasanya satu-satunya pembersihan yang diperlukan sebelum transkrip layak dikutip.

Di sinilah transkripsi yang memberi label penutur secara gratis membuktikan gunanya. Teks panjang tanpa pemisahan dari sebuah wawancara nyaris tidak berguna sampai Anda menelusurinya kembali dan menandai siapa yang mengatakan apa; transkrip yang tiba sudah terpisah menjadi giliran bicara bisa langsung Anda kutip.

Arti bitrate bagi akurasi

MP3 adalah format lossy: proses encoding membuang bagian audio yang dinilai paling tidak terdengar agar file tetap kecil. Bitrate adalah jumlah kilobit per detik yang dipakai encoder untuk melakukannya. Makin rendah angkanya, makin banyak yang dibuang. Referensi codec MP3 terkini dari MDN mendokumentasikan bitrate dan laju sampel yang didukung format ini serta menyebut kompresinya lossy.

Pengenalan suara sangat bergantung pada detail frekuensi tinggi pada konsonan. Perbedaan antara “fifteen” dan “sixteen,” atau “can” dan “can’t,” ada di sana. Kompresi agresif adalah tempat detail itu hilang lebih dulu. Jadi bitrate tidak menurunkan mutu transkrip secara merata; ia memakan kata-kata yang paling sulit didengar di tepi ujaran.

Dalam praktik:

• 32 kbps ke bawah: terdengar terkompresi bahkan oleh telinga manusia, dan mesin bereaksi dengan cara yang sama. Kesalahan kata meningkat. Hindari ini untuk apa pun yang ingin Anda transkripsikan dengan serius.
• 64 kbps: batas bawah yang realistis untuk ujaran ke teks yang andal. Cukup baik untuk suara yang jelas dan dekat dengan mikrofon.
• 128 kbps ke atas: lebih dari cukup untuk transkripsi. Menaikkannya tidak akan memperbaiki transkrip. Mesin sudah memiliki semua detail yang bisa dipakainya dengan baik jauh sebelum itu.

Beberapa klarifikasi yang menghindarkan encoding ulang yang tidak perlu. Bitrate variabel (VBR) tidak masalah; tidak ada penalti akurasi dibandingkan bitrate konstan (CBR) untuk ujaran, jadi jangan mengonversi file VBR hanya untuk “memperbaikinya”. Dan mono sama baiknya dengan stereo untuk transkripsi, karena suara tidak memerlukan dua kanal. Jika ada yang perlu diperhatikan, lihat catatan tentang stereo double-ender di bawah.

MP3 vs lossless: kapan sebaiknya merekam ulang

Pertanyaan yang wajar adalah apakah mengonversi MP3 Anda ke format lossless seperti WAV lebih dulu akan membantu. Tidak. Setelah audio disimpan sebagai MP3 128 kbps, detail yang hilang sudah hilang; membungkus audio yang sama dalam kontainer WAV hanya menghasilkan file yang lebih besar tanpa informasi tambahan. Jika Anda merekam baru dan punya pilihan, sumber lossless atau berbitrate tinggi adalah titik awal yang lebih baik (lihat panduan WAV ke teks untuk kasus itu), tetapi mengonversi MP3 yang sudah ada ke format yang lebih tinggi tidak memberi apa-apa.

Aturan keputusan yang jujur: jika satu-satunya salinan Anda adalah MP3 dengan bitrate yang wajar, transkripsikan apa adanya. Jika rekaman itu benar-benar buruk (terpotong akibat clipping, tenggelam dalam derau, atau disimpan pada 32 kbps) dan Anda bisa merekamnya lagi, merekam ulang akan membantu jauh lebih banyak daripada konversi apa pun. Saat Anda merekam baru, dua kebiasaan lebih penting daripada bitrate: dekatkan mikrofon ke siapa pun yang berbicara, dan beri setiap orang mikrofon sendiri jika bisa, karena pemisahan yang bersih di sumber membuat kata-kata dan label penutur sama-sama keluar dengan benar.

Memperbaiki masalah umum

Sebagian besar transkrip yang kasar berakar pada rekamannya, bukan alatnya. Berikut yang bisa dilakukan untuk penyebab yang biasa.

Volume rendah. Jika bentuk gelombang tampak datar (rekaman yang sangat pelan), mesin memiliki sinyal yang lebih sedikit dan akurasi menurun. Normalkan atau perkeras audio di editor audio mana pun lebih dulu, lalu unggah versi yang lebih keras. Menaikkan level adalah salah satu perbaikan dengan hasil terbesar untuk rekaman yang lemah.

Derau latar. Derau yang stabil (pendingin udara, dengung jalan) ditangani cukup baik; derau tiba-tiba yang tumpang tindih dengan ujaran, seperti pintu, batuk, atau alat makan, itulah yang menyebabkan kata terlewat. Jika Anda bisa menjalankan pengurangan derau ringan sebelum mengunggah, lakukan, tetapi jangan berlebihan: peredaman derau yang berat menimbulkan artefak yang merugikan akurasi lebih besar daripada derau itu sendiri.

Aksen yang kental atau kosakata khusus. Mesin modern menangani beragam aksen bahasa Inggris dengan baik. Kesalahan yang pasti muncul adalah istilah bidang yang tidak diduga mesin, seperti nama obat, kutipan hukum, atau nama merek yang niche. Rencanakan satu kali penelusuran setelah ekspor untuk menangkapnya, dan andalkan cari dan ganti: jika nama perusahaan selalu salah dengan cara yang sama, satu koreksi menyapu seluruh file.

MP3 yang sangat panjang. Rekaman 6 jam tidak menjadi masalah. Batas 10 jam mencakup hampir semuanya, dan tidak ada batas ukuran file di atasnya, jadi tidak perlu memotong file panjang menjadi beberapa bagian lebih dulu. Yang benar-benar menurunkan mutu file panjang adalah pergeseran kualitas rekaman di sepanjang file: penutur yang menjauh dari mikrofon, level yang melemah setelah jam pertama, tempat yang makin penuh dan makin bising. Jika bisa, jaga sumbernya tetap stabil; jika tidak bisa, harapkan bagian yang lebih kasar memerlukan penyuntingan lebih banyak daripada yang bersih. Penanda waktu membuatnya mudah dikelola: Anda bisa langsung melompat ke bagian yang terbaca buruk alih-alih mendengarkan ulang seluruhnya.

Penutur yang tumpang tindih. Saat dua orang berbicara bersamaan, mesin menetapkan kata-katanya ke suara yang lebih keras, keterbatasan pemisahan penutur secara umum, bukan satu alat tertentu. Tidak ada perbaikan di sisi unggah; sediakan waktu penyuntingan untuk bagian saling potong pada rekaman grup yang ramai.

Menjaga penutur tetap terpisah dengan rapi

Pemisahan penutur (diarisasi penutur) berjalan pada setiap transkrip tanpa biaya tambahan, dan beberapa hal di tingkat MP3 memengaruhi seberapa bersih hasilnya. Jika Anda ingin penjelasan cara kerjanya di balik layar, lihat apa itu diarisasi penutur; poin praktisnya di sini:

• Stereo double-ender. Sebagian pengaturan podcast dan panggilan merekam setiap penutur pada kanal stereo terpisah. Berlawanan dengan intuisi, menggabungkannya menjadi satu trek mono sebelum mengunggah cenderung membantu: mesin mendengar satu percakapan yang menyatu alih-alih dua aliran terpisah. Sebagian besar editor mengekspor “mix-down” mono.
• Saling menyahut dengan cepat. Pertukaran yang sangat singkat (giliran bicara di bawah dua detik) kadang bisa bergabung menjadi satu ujaran berlabel. Ini jarang mengganggu keterbacaan, dan Anda bisa memisahkan giliran bicara secara manual jika kutipan tertentu memerlukannya.
• Giliran bicara yang bersih paling membantu. Makin bersih pergantian antarpenutur (lebih sedikit interupsi, lebih sedikit bicara saling tumpang), makin andal labelnya. Tidak ada yang perlu diatur; ini murni sifat dari rekamannya.

Mengekspor transkrip Anda

Format yang tepat bergantung pada apa yang Anda lakukan dengan teksnya. Tabel di bawah mencantumkan yang paling sering dipilih, dari 21 format yang tersedia; untuk perbandingan lengkapnya, lihat format transkrip mana yang sebenarnya Anda perlukan:

Setiap ekspor menyertakan label penutur dan penanda waktu, tanpa tanda air pada semuanya.

Penanda waktu dan penyuntingan

Editor menampilkan setiap ujaran dengan waktu mulai, label penutur, dan teksnya. Klik baris mana pun untuk memutar segmen audio itu bersama teksnya. Ini praktis untuk memeriksa bagian yang rumit tanpa menelusuri seluruh file secara manual.

Penanda waktu pada ekspor SRT berada di tingkat ujaran: satu entri per giliran bicara penutur, bukan per kata. Untuk teks keterangan, navigasi, dan mengutip dengan penanda waktu, itulah granularitas yang tepat. Jika Anda memerlukan struktur tingkat kata untuk diproses lewat kode, ekspor JSON: setiap entri memberi Anda label penutur, waktu mulai dan akhir dalam milidetik, dan teks untuk giliran bicara itu.

Unggah, transkripsikan, ekspor: itulah seluruh pekerjaannya, lengkap dengan rincian khusus MP3 yang menentukan seberapa bersih hasilnya. Halaman MP3 ke teks memuat gambaran fitur selengkapnya, dan jika Anda bekerja dengan rekaman dalam kontainer lain, halaman audio ke teks membahas setiap format dengan cara yang sama. Mengerjakan satu acara penuh? Panduan transkripsi podcast menguraikan cara mengubah transkrip menjadi catatan acara, dan jika file Anda berupa WAV, bukan MP3, panduan WAV ke teks memuat catatan tentang menangani file lossless yang besar.