Blog

Cara Mentranskripsikan File Audio Apa Pun ke Teks

Penulis: Hushscript | Diterbitkan: 9 Mei 2026 | Terakhir ditinjau: 14 Oktober 2026

MP3 dari editor podcast, M4A dari iPhone Anda, WAV dari perekam lapangan, CAF yang jarang dikenal dari aplikasi perekam suara: untuk mentranskripsikan salah satunya, Anda melakukan hal yang sama. Seret file, dapatkan transkrip dengan penutur yang sudah terpisah, ekspor dalam format yang Anda perlukan. Kontainer tempat audio itu berasal tidak mengubah langkahnya.

Yang memang dipengaruhi format ada sedikit di bawah: seberapa besar filenya, seberapa bersih hasil transkripsinya, dan apa yang dilakukan pada kasus langka ketika file tidak mau dimuat. Panduan ini membahas format audio apa yang berfungsi, satu metode yang menangani semuanya, cara mentranskripsikan rekaman dengan durasi berapa pun hingga 10 jam, cara memilih format terbaik jika Anda punya pilihan, dan cara memperbaiki file yang hasilnya kasar.

Yang Anda perlukan

• File audio (atau video). Format umum apa pun di bawah ini. Tidak ada yang perlu dipasang: tanpa aplikasi desktop, tanpa ekstensi. Hushscript berjalan di browser Anda: audio disiapkan di perangkat, lalu audio yang sudah disiapkan dikirim untuk transkripsi.
• Akun Hushscript, untuk transkrip lengkap. Akun pribadi yang memenuhi syarat dapat menerima 30 menit gratis satu kali untuk mencoba, cukup untuk mentranskripsikan rekaman pendek secara gratis, setelah verifikasi kartu atau bersama pembelian pertama; harga memuat ketentuannya. Gunakan metode pembayaran yang ditampilkan saat checkout untuk paket.

Pratinjau 5 menit tidak memerlukan akun. Anda bisa menyeret file dan melihat gaya berlabel penutur sebelum mendaftar, cara yang jujur untuk memeriksa apakah hasilnya cocok sebelum berkomitmen pada apa pun. Selain menit gratis, transkripsi memakai sistem bayar sesuai pemakaian: Anda membeli menit hanya saat membutuhkannya, tanpa langganan. Biayanya ada di halaman harga.

Format audio yang berfungsi

Hushscript menerima semua format audio standar. Berikut asal masing-masing yang umum, agar Anda mengenali apa yang Anda punya:

Nama-nama itu bukan sekadar konvensi nama file. Registri IANA Media Types terkini mencatat tipe terstandar seperti audio/aac, audio/mp4, audio/mpeg, audio/ogg, dan audio/opus, itulah sebabnya kontainer dan encoding audio di dalamnya adalah dua pertanyaan yang terpisah.

File video bekerja dengan cara yang sama. Seret MP4, MOV, WebM, atau MKV dan trek audionya diekstrak di browser Anda sebelum apa pun diunggah, jadi videonya sendiri tidak pernah meninggalkan perangkat Anda; hanya audio yang sampai ke server.

Daftar di atas tidak membatasi apa pun. Janjinya lebih sederhana daripada tabel format yang didukung: seret saja file Anda dan file itu dikonversi lalu ditranskripsikan. Jika Anda punya sesuatu yang benar-benar tidak lazim (file AMR dari Nokia lama, .3gp dari Android satu dekade lalu, klip RealAudio), tetap coba unggah. Browser bisa membaca sebagian besar kontainer standar, dan jika tidak bisa, ada dua alternatif: konversikan ke MP3 atau WAV dengan konverter audio gratis lalu unggah hasilnya, atau kirim email ke support@hushscript.com dan kami akan menambahkan formatnya. Anda tidak perlu mencari tahu lebih dulu apakah file Anda memenuhi syarat.

Transkripsikan file audio dalam tiga langkah

Alurnya sama persis apa pun format awal Anda. Langkah pertama terjadi bahkan sebelum Anda punya akun.

1. Seret file untuk melihat pratinjau. Buka alat audio ke teks lalu seret file ke area seret, atau klik untuk menelusuri. 5 menit pertama langsung ditranskripsikan di halaman, berlabel penutur, tanpa akun. Ini pemeriksaan Anda bahwa hasilnya terbaca seperti yang Anda inginkan sebelum mendaftar untuk apa pun.
2. Daftar untuk mentranskripsikan sisanya. Masukkan email Anda untuk membuat akun. Akun pribadi yang memenuhi syarat dapat menerima 30 menit gratis satu kali setelah verifikasi kartu berhasil, atau bersama pembelian pertama jika belum pernah diberikan. File lengkap diunggah dari sini. Rekaman bisa berdurasi hingga 10 jam, tanpa batas ukuran file, dan bahkan file yang sangat besar disiapkan langsung di browser. Pengamanan layanan dan pekerjaan aktif juga berlaku.
3. Dapatkan dan ekspor transkrip. Mesin pengenalan suara memproses file dan mengembalikan transkrip dengan penutur yang sudah terpisah. Ganti nama penutur jika perlu, lalu unduh dalam salah satu dari 21 format (di antaranya TXT, SRT, DOCX, dan PDF, plus format subtitle dan linimasa editor) atau .husharchive yang dilindungi kata sandi. Setiap ekspor disertakan: tanpa paywall, tanpa tanda air.

Pemrosesan berjalan di latar belakang dan menyesuaikan panjang audio (kira-kira beberapa menit per jam rekaman), jadi Anda tidak perlu membiarkan tab tetap terbuka selama file panjang selesai.

Contoh kerja: satu rekaman, dua format

Katakanlah Anda merekam percakapan 38 menit dan perekam Anda menyimpannya dua kali: meeting.wav berkualitas penuh dan meeting.m4a yang dibuat ponsel Anda pada saat yang sama. Keduanya melewati tiga langkah yang identik, dan transkrip kembali tersegmentasi per giliran bicara, dengan penanda waktu pada masing-masing:

[00:00:06] Speaker A: Sebelum mulai, apakah semua sudah menerima angka yang saya kirim?
[00:00:10] Speaker B: Sudah, tadi pagi. Angka Q3 yang ingin saya
           dalami.
[00:00:17] Speaker A: Betul, itu baris yang bergeser. Saya tampilkan dulu.
[00:00:21] Speaker C: Sambil itu, bisa kita kembali ke soal perekrutan nanti?

Kedua file menghasilkan transkrip yang pada dasarnya sama. WAV adalah unggahan yang jauh lebih besar dan M4A yang kecil, tetapi kata-kata dan label penutur muncul dengan cara yang sama, karena keduanya membawa ujaran yang sama. Dari sini penyuntingannya ringan: Anda mengklik Speaker A sekali untuk menggantinya dan setiap baris penutur itu diperbarui; Anda menelusuri sejumlah kecil nama diri yang ditebak mesin (nama belakang, nama produk) dan memperbaikinya dengan cari dan ganti, yang mengoreksi setiap kemunculan dalam satu putaran.

Itulah hasil praktis dari satu metode untuk semua format. Anda tidak perlu alat atau daftar periksa mental yang berbeda untuk WAV versus M4A versus MP3. Apa pun yang diberikan perekam, ponsel, atau ekspor orang lain, semuanya melewati area seret yang sama dan keluar sebagai jenis transkrip yang sama.

Manual atau otomatis

Transkripsi manual berarti mendengarkan dan mengetik setiap kata. Satu putaran teliti untuk audio jernih sepanjang satu jam memakan beberapa jam jika dihitung dengan pemutaran, pengetikan ulang, dan pemeriksaan, jadi jika Anda mencari cara mentranskripsikan audio secara manual, cara itu hanya masuk akal untuk klip pendek atau bahasa yang kurang dikuasai alat otomatis. Transkripsi otomatis, jalur AI, mengembalikan draf dengan tanda baca dan label penutur dalam hitungan menit, bukan jam.

Apa pun caranya, rencanakan satu putaran tinjauan. Kutipan untuk artikel, catatan hukum, atau apa pun yang Anda terbitkan memerlukan pemeriksaan nama, angka, dan istilah teknis terhadap audio. Catatan rapat kasar untuk rujukan Anda sendiri jarang memerlukannya.

Memilih format terbaik untuk akurasi

Sering kali Anda tidak bisa memilih. Anda mentranskripsikan file yang diberikan, dan itu tidak apa-apa. Tetapi jika Anda mengendalikan cara audio direkam atau diekspor, beberapa pilihan menentukan batas atas seberapa bersih hasilnya.

Kualitas rekaman nomor satu, dengan selisih jauh. MP3 128 kbps dari mikrofon dekat yang bagus akan mengalahkan WAV lossless yang direkam dari seberang ruangan dengan mikrofon bawaan laptop, setiap kali. Sebelum memikirkan format, pikirkan cara mendekatkan mikrofon ke siapa pun yang berbicara, dan hindari dua mikrofon yang menangkap suara yang sama, yang bisa menambah gema dan masalah fase. Kontainer ada jauh di urutan kedua.

Hindari MP3 berbitrate sangat rendah. MP3 bersifat lossy: encoding membuang bagian audio agar file tetap kecil, dan makin rendah bitrate, makin banyak yang dibuang. Pengenalan suara bergantung pada detail frekuensi tinggi pada konsonan, tempat perbedaan antara “fifteen” dan “sixteen,” atau “can” dan “can’t,” berada. Kompresi agresif memakan detail itu lebih dulu. Di bawah sekitar 64 kbps, kesalahan kata meningkat. Pada 128 kbps ke atas Anda sudah melewati titik di mana angkanya berpengaruh; bitrate yang lebih tinggi tidak akan membuat transkrip lebih baik.

Lossless menghilangkan format sebagai variabel. WAV, FLAC, dan AIFF memberi mesin audio tanpa kompresi. Untuk rekaman yang bersih, peningkatan akurasi dibanding MP3 yang bagus tidak besar, tetapi kompresi tidak lagi menjadi faktor sama sekali. Panduan audio digital MDN menjelaskan pertukaran yang mendasarinya: lossless mempertahankan detail dengan ukuran lebih besar, sedangkan encoding lossy bisa memperkecil audio jauh lebih jauh dengan membuang informasi. Itu konteks yang berguna ketika rekamannya berharga dan Anda tidak ingin bertanya-tanya kemudian apakah formatnya merugikan Anda.

Mono sudah cukup; Anda tidak memerlukan stereo. Mesin menurunkan stereo ke mono secara internal untuk ujaran, jadi file mono ditranskripsikan sama baiknya dan diunggah lebih cepat pada koneksi lambat. Satu nuansa: jika pengaturan Anda merekam setiap orang pada kanal stereo terpisah (“double-ender”), menggabungkannya menjadi satu trek mono sebelum diunggah cenderung membantu label penutur, karena mesin mendengar satu percakapan yang menyatu alih-alih dua aliran yang terisolasi.

Laju sampel di atas 16 kHz tidak memberi apa-apa untuk ujaran. Apa pun dari 16 kHz sampai 48 kHz berfungsi, dan WAV 48 kHz dari editor video ditranskripsikan sama seperti file mono 16 kHz dari aplikasi ponsel, dengan ujaran dasar yang sama. Modelnya dilatih pada suara, bukan musik, jadi tidak ada peningkatan akurasi dari laju yang lebih tinggi.

Lossless vs lossy, dan kapan konversi membantu

Pertanyaan yang umum: apakah mengonversi MP3 Anda ke WAV lebih dulu akan meningkatkan akurasi? Tidak. Begitu audio disimpan sebagai MP3 128 kbps, detail yang dibuang hilang selamanya. Membungkus audio yang sama dalam WAV hanya menghasilkan file yang lebih besar tanpa informasi tambahan. Konversi ke arah atas hanya berguna sebagai solusi untuk format yang tidak mau dimuat, tidak pernah sebagai pendorong akurasi.

Konversi ke arah bawah adalah kasus yang benar-benar berguna. WAV berjam-jam bisa menjadi file yang sangat besar; meng-encode ulang ke MP3 128 kbps sebelum mengunggah memperkecilnya secara drastis tanpa biaya akurasi yang berarti, yang mempercepat unggahan pada koneksi lambat. Konverter di browser yang gratis melakukannya tanpa audio pernah meninggalkan perangkat Anda. Aturan yang jujur: jika file Anda sudah bisa dimuat dan bitratenya tidak sangat rendah, transkripsikan apa adanya. Konversi hanya untuk menyelesaikan masalah nyata, seperti file yang tidak mau terbuka atau terlalu besar untuk diunggah dengan nyaman.

Label penutur, gratis

Setiap transkrip Hushscript disertai pemisahan penutur otomatis (diarisasi) tanpa biaya tambahan. Mesin mengenali suara-suara yang berbeda dan melabelinya Speaker A, Speaker B, dan seterusnya, dan Anda mengganti namanya dengan nama sebenarnya di editor dengan satu klik per penutur. Fitur ini aktif secara default apa pun format sumbernya, tanpa tingkatan label penutur yang terpisah.

Seberapa bersih labelnya bergantung pada rekaman, bukan jenis file:

• Giliran bicara yang jelas paling membantu. Saat orang bergantian bicara dan tidak saling menimpa, labelnya andal. Wawancara dua orang biasanya terpisah dengan bersih.
• Tumpang tindih adalah kasus tersulit. Saat dua suara muncul bersamaan, mesin menetapkan kata-katanya ke suara yang lebih keras. Itu keterbatasan pemisahan penutur secara umum, bukan satu alat tertentu. Sediakan sedikit waktu penyuntingan untuk crosstalk pada panggilan grup yang ramai.
• Suara yang mirip bisa kabur. Dua orang dengan register yang sangat mirip (misalnya saudara sekandung berjenis kelamin sama) akan menantang mesin diarisasi mana pun. Rasio sinyal terhadap derau yang wajar membantu pemisahan secara keseluruhan.

Untuk sebagian besar wawancara, podcast, dan rapat, label bisa dipakai dengan paling banyak segelintir penetapan ulang. Jika Anda ingin tahu cara diarisasi bekerja di balik layar, lihat apa itu diarisasi penutur, atau halaman identifikasi penutur untuk gambaran fiturnya.

Rekaman panjang: hingga 10 jam, tanpa batas ukuran file

Untuk mentranskripsikan audio panjang, seperti wawancara 3 jam atau lokakarya setengah hari, periksa batasnya sebelum mengunggah. Hushscript menerima unggahan hingga 10 jam per file, tanpa batas ukuran file, dan file besar disiapkan langsung di browser Anda. Tidak ada jatah harian berdasarkan paket, meskipun pengamanan layanan tetap berlaku. Rekaman panjang bukan kasus khusus: tidak ada mode rekaman panjang, langkahnya sama dengan tiga langkah di atas, dan pekerjaannya berjalan sendiri lebih lama.

Empat pemeriksaan mencegah sebagian besar kejutan:

• Durasi. Rekaman bisa berdurasi hingga 10 jam. Sumber yang lebih panjang perlu dipecah pada jeda yang wajar.
• Kapasitas perangkat. Produk ini tidak memiliki batas ukuran file, tetapi browser tetap harus membaca dan menyiapkan sumber lokalnya. File yang sangat besar memerlukan memori, ruang penyimpanan cadangan, dan waktu yang cukup di perangkat yang melakukan unggahan.
• Saldo menit. Tagihan mengikuti durasi audio, jadi wawancara 150 menit memakai 150 menit.
• Pengamanan layanan. Kumpulan file yang besar bisa masuk antrean, bukan langsung memulai semua file sekaligus.

Unggah utuh

Bagi hampir semua orang jawabannya adalah mengunggah rekaman sebagai satu file, selama durasinya 10 jam atau kurang. Satu file berarti satu set penanda waktu yang berkesinambungan dan satu putaran pelabelan. Memecah merusak keduanya: setiap bagian memulai jamnya dari nol, dan orang yang sama bisa mendapat label berbeda di bagian kedua dibanding bagian pertama.

Pecah hanya jika rekamannya benar-benar lebih dari 10 jam, seperti konferensi berhari-hari. Potong pada keheningan yang wajar, bukan di tengah kalimat, catat offset tiap bagian agar Anda bisa menomori ulang penanda waktu sesudahnya, dan jika Anda memotong MP3, pilih constant bitrate daripada variable bitrate, karena variable bitrate bisa kehilangan sinkronisasi di beberapa editor.

Jaga penutur dan level tetap stabil selama berjam-jam

Pemisahan penutur lebih sulit pada tiga jam daripada sepuluh menit: suara bergeser, jeda memanjang, dan derau latar datang dan pergi. Hushscript menjalankan pelabelan dalam satu putaran atas seluruh transkrip, bukan per bagian, sehingga label konsisten kecuali audio mengaburkan dua suara; perbaiki kekeliruan dengan mengganti nama atau menetapkan ulang giliran bicara. Rekamannya bisa membantu atau merugikan. Mikrofon terarah, atau penutur yang duduk lebih berjauhan, mengurangi crosstalk yang membuat dua suara terbaca sebagai satu.

Selama tiga jam, perubahan level bisa membuat ucapan yang pelan lebih sulit ditangkap. Kompresor di sisi perekaman (kompresor audio, bukan kompresi file) menyamakan pewawancara yang keras dan narasumber yang pelan. Normalisasi ringan membantu; pengurangan derau yang berat tidak.

Jika transkrip panjang tampak keliru

Akurasi menurun di separuh akhir. Ini hampir selalu karena level audio yang turun atau derau ruangan yang naik di akhir sesi, bukan batas panjang. Periksa rekaman asli di sekitar penanda waktu tempat kesalahan menumpuk, dan normalkan sebelum Anda menghabiskan menit lagi.

Transkrip tampak berakhir lebih awal. Transkrip mencakup seluruh file. Bandingkan penanda waktu terakhir dengan panjang rekaman sebenarnya; bagian panjang berisi keheningan atau musik hanya menghasilkan sedikit kata, yang bisa terbaca seperti “hilang” padahal tidak.

Memperbaiki file yang hasilnya kasar

Sebagian besar transkrip yang kasar berakar pada rekaman, bukan format atau alatnya. Penyebab yang biasa dan yang bisa dilakukan:

File yang tidak mau dimuat. Jarang, tetapi bisa terjadi pada kontainer yang tidak lazim atau rusak. Coba konverter di browser gratis untuk membungkus ulang sebagai MP3 atau WAV lebih dulu, yang memperbaiki sebagian besar file yang bandel. Jika tetap tidak bisa, kirim email ke support@hushscript.com. Menambahkan dukungan format adalah hal yang kami lakukan.

Volume rendah. Jika rekamannya sangat pelan, mesin punya lebih sedikit sinyal untuk dikerjakan dan akurasi menurun. Normalkan atau perkeras audio di editor mana pun sebelum mengunggah. Menaikkan level rekaman yang lemah adalah salah satu perbaikan dengan hasil terbesar yang ada.

Derau latar. Derau stabil (pendingin udara, dengung jalan) ditangani cukup baik. Derau tiba-tiba yang tumpang tindih dengan ujaran (pintu, batuk, alat makan) adalah yang membuat kata terlewat. Pengurangan derau ringan sebelum mengunggah bisa membantu, tetapi jangan berlebihan: peredaman derau yang berat menimbulkan artefak yang merugikan akurasi lebih besar daripada derau itu sendiri.

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

File yang sangat besar. Jika file lossless terlalu besar untuk disiapkan dengan nyaman di browser, encode ulang ke MP3 128 kbps lebih dulu (tanpa biaya akurasi yang berarti) agar lebih lancar.

Apa yang terjadi pada file Anda

Hushscript menghapus salinan audio transkripsinya setelah pemrosesan dan tidak pernah menggunakan rekaman Anda untuk melatih model. Jika Anda menyeret file video, hanya audio yang diekstrak yang pernah sampai ke server (videonya tetap di perangkat Anda), dan Anda bisa menghapus transkripnya sendiri dari dasbor dengan satu klik kapan pun Anda mau.

Jika rekaman tidak perlu disimpan sama sekali, transkripsi privat tidak menyimpan transkrip ke akun Anda dan mengembalikan arsip yang dilindungi kata sandi. Hasilnya kedaluwarsa jika tidak diunduh dan dikonfirmasi.

Mengekspor transkrip Anda

Setelah transkripsi, pilih format yang sesuai dengan apa yang Anda lakukan pada teksnya. Jika Anda tidak yakin format transkrip mana yang sebenarnya Anda perlukan, mulailah dengan pilihan umum di bawah:

Setiap ekspor membawa label penutur, tanpa tanda air pada satu pun, dan semua format ekspor disertakan pada setiap paket, termasuk 30 menit gratis. Penanda waktu pada SRT berada di tingkat ujaran (satu entri per giliran bicara penutur), yang merupakan granularitas tepat untuk pembuatan teks keterangan dan kutipan; jika Anda memerlukan struktur tingkat kata untuk diproses lewat kode, JSON memberi waktu mulai dan akhir dalam milidetik untuk setiap giliran bicara.

Bahasa

Hushscript mentranskripsikan sekitar 99 bahasa, dideteksi otomatis, bukan diatur manual. Akurasi paling kuat pada 18 bahasa, termasuk empat varian bahasa Inggris (Global, Inggris, Australia, AS), Spanyol, Prancis, Jerman, Jepang, Mandarin, Hindi, dan Arab. Daftar lengkapnya ada di halaman bahasa.

Jika Anda menimbang antara transkrip satu bahasa dan transkrip terjemahan, panduan tentang “translate audio to text” menjelaskan perbedaannya.

Itulah seluruh pekerjaannya (seret, transkripsikan, ekspor), dan terbacanya sama apa pun format awal Anda. Untuk catatan khusus format, panduan pendamping mencakup kasus yang paling umum: MP3, WAV, dan M4A / Apple Voice Memo. Halaman audio ke teks memuat gambaran fitur lengkap, dan setiap format berakhir di sana dengan cara yang sama: seret saja file Anda. Jika materi Anda berupa setumpuk file terpisah, bukan satu rekaman panjang, mentranskripsikan satu folder rekaman membahas cara menjalankannya sebagai satu batch.