Blog

Speech to text: cara kerja pengenalan suara

Penulis: Hushscript | Diterbitkan: 28 Juni 2026 | Terakhir ditinjau: 14 Oktober 2026

Speech to text mengubah audio ucapan menjadi tulisan. Teknologi ini juga disebut pengenalan suara otomatis (ASR) atau suara ke teks. Istilah ini mencakup dua pekerjaan yang terasa mirip tetapi cara kerjanya berbeda: dikte langsung, ketika Anda berbicara dan teks muncul seiring waktu, dan transkripsi, ketika Anda menyerahkan rekaman dan mendapat transkrip jadi sebagai gantinya. Gagasan intinya sama pada keduanya. Alur kerja, akurasi, dan apa yang bisa Anda lakukan dengan hasilnya tidak sama.

Panduan ini menjelaskan arti ASR, cara kerja suara ke teks dari bunyi hingga kata, dan perbedaan kedua modenya. Lalu panduan ini menguraikan cara mengubah rekaman menjadi teks di Hushscript, dengan contoh kerja dan masalah yang sering menjegal orang. Jika Anda ingin langsung mencobanya, mulailah dari halaman suara ke teks.

Apa itu ASR? Arti pengenalan suara otomatis

Arti ASR sederhana: singkatan dari automatic speech recognition, atau pengenalan suara otomatis. Jika Anda bertanya-tanya apa arti ASR dalam teks atau pada sebuah produk, inilah jawabannya. Kata “otomatis” berarti tidak ada orang yang mengetik kata-katanya: perangkat lunak mengambil gelombang suara dan menghasilkan urutan kata. Mikrofon menangkap ucapan sebagai bentuk gelombang yang kontinu, garis bergelombang yang mewakili tekanan udara yang berubah seiring waktu. Gelombang itu membawa segalanya: kata-kata, suara penutur, ruangan, dengung pendingin udara. Tugas mesin adalah mengambil kata-kata dari campuran itu dan menuliskannya.

“ASR”, “pengenalan suara”, dan “suara ke teks” dipakai untuk hal yang sama. Yang perlu diwaspadai adalah “voice recognition”, atau pengenalan penutur. Dalam arti yang ketat, istilah itu berarti mengenali siapa yang berbicara, seperti pada kunci suara, bukan apa yang dikatakannya. Dalam pemakaian sehari-hari, kedua istilah itu sering bercampur.

Bagaimana cara kerja speech to text?

Yang Anda lihat adalah rekaman masuk dan transkrip keluar. Di dalamnya, mesin bekerja dalam beberapa tahap:

1. Mengiris audio. Mesin memotong bunyi menjadi irisan-irisan kecil, biasanya masing-masing 10 sampai 30 milidetik, dan mengukur bunyi di setiap irisan.
2. Mencocokkan bunyi dengan kata. Model terlatih memetakan hasil pengukuran itu ke satuan bunyi ucapan suatu bahasa, lalu ke kata-kata yang mungkin.
3. Memakai konteks untuk memilih. Sistem juga menimbang urutan kata mana yang masuk akal bersama. Inilah sebabnya mesin yang baik menulis “their car broke down” dan bukan “there car broke down”, padahal keduanya terdengar identik. Mesin memakai konteks untuk memilih ejaan yang akan dipilih manusia.
4. Merapikan hasil. Kata-kata mentah diberi tanda baca dan huruf kapital. Layanan transkripsi juga dapat memisahkan penutur dan menambahkan penanda waktu.

Pada dasarnya, dua jenis pengetahuan bekerja bersama. Yang pertama bersifat akustik: seperti apa bunyi suatu bahasa dan bagaimana berbagai suara dan aksen melafalkannya. Yang kedua bersifat linguistik: kata apa yang cenderung mengikuti kata apa. Sistem lama menyimpan keduanya dalam model terpisah; sistem modern mempelajari keduanya dalam satu jaringan.

Teknologi suara ke teks: bagaimana perubahannya

Sistem lama dirakit dari bagian-bagian terpisah, seperti kamus pelafalan, model akustik, dan model bahasa, yang masing-masing disetel dengan sekumpulan rekaman yang terbatas. Sistem itu rapuh menghadapi suara baru dan ruangan yang bising. Mesin modern adalah model AI besar yang dilatih dengan ribuan jam ucapan rekaman dari banyak penutur, aksen, dan kondisi perekaman. Keluasan itulah alasan transkrip masa kini bisa dipakai. Pada ucapan yang jelas dalam rekaman yang layak, model saat ini cukup akurat sehingga Anda menyunting draf, bukan mengetik ulang. Kesalahan yang tersisa adalah tempat pemecahan masalah di bagian akhir panduan ini berguna.

ASR dijual dalam beberapa bentuk: sebagai aplikasi, sebagai model yang dijalankan sendiri oleh sebuah tim, dan sebagai API tempat pengembang mengirim audio. Hushscript adalah aplikasi transkripsi, dan juga punya API publik untuk pengembang. Semuanya mengerjakan hal yang sama, yaitu mengubah bunyi menjadi kata; bedanya ada pada apa yang dibangun di sekeliling mesinnya.

Ucapan rekaman vs dikte langsung

Pembeda yang paling penting dalam praktik adalah apakah audio diproses secara langsung atau setelah kejadian.

Dikte langsung berjalan secara real time. Anda berbicara ke ponsel, asisten suara, atau fitur pengetikan suara di pengolah kata, dan kata muncul nyaris secepat Anda mengucapkannya. Asisten suara dan agen suara juga bekerja dengan cara ini. Agar bisa mengikuti, mesin harus menetapkan setiap kata dengan sangat sedikit bagian kalimat yang bisa dijadikan sandaran. Itu keterbatasan yang berat, dan itulah sebabnya dikte kadang menebak sebuah kata, lalu diam-diam menulis ulang begitu beberapa kata berikutnya tiba. Dikte langsung adalah alat yang tepat ketika tujuannya menangkap ucapan Anda sendiri saat itu juga: mencatat sambil bebas tangan, menyusun email dengan suara, mengendalikan perangkat. Voice typing Google Docs adalah salah satu contohnya.

Transkripsi bekerja pada rekaman yang lengkap. Anda memberi mesin file audio atau video yang sudah jadi, mesin memproses seluruhnya, dan Anda mendapat transkrip penuh sebagai gantinya. Karena tidak ada yang harus terjadi secara real time, mesin bisa membaca ke depan dan melihat seluruh kalimat sebelum memutuskan kata apa pun, yang meningkatkan akurasi. Mesin juga bisa mengerjakan hal yang tidak bisa dilakukan dikte langsung. Mesin bisa memisahkan penutur, mengaitkan tiap baris dengan siapa yang mengucapkannya, dan bisa menambahkan penanda waktu sehingga Anda bisa melompat dari sebaris teks langsung ke momen itu di audio.

Jika Anda berurusan dengan rapat, wawancara, kuliah, episode podcast, atau panggilan telepon yang Anda rekam, Anda sedang melakukan transkripsi dari file tersimpan, bukan dikte langsung. Keduanya sering tertukar karena sama-sama dipasarkan sebagai “suara ke teks”, padahal rekaman yang sudah Anda miliki bentuknya salah untuk alat dikte dan tepat untuk alat transkripsi. Hushscript dibuat untuk rekaman. Tidak ada mode dikte langsung, dan fokus itu disengaja: bekerja dari file lengkap itulah yang memungkinkannya membaca ke depan demi akurasi dan melabeli penutur dalam satu proses yang sama.

Seberapa akurat pengenalan suara?

Akurasi biasanya diukur sebagai word error rate (tingkat kesalahan kata): persentase kata yang salah ditulis mesin dibandingkan dengan transkrip manusia yang teliti. Transkrip dengan 95 persen kata benar tetap memiliki sekitar satu kata salah dari dua puluh, jadi apa pun yang akan Anda kutip atau terbitkan perlu dibaca ulang.

Akurasi lebih bergantung pada rekaman daripada pada pengaturan apa pun. Cakupan aksen bergantung pada model dan bahasanya. Untuk bahasa Inggris, model yang dilatih dengan dataset luas menangani bahasa Inggris AS, Inggris, Australia, dan India dengan baik, dan Hushscript menawarkan empat aksen bahasa Inggris yang berbeda. Dialek daerah yang kental atau aksen yang kurang terwakili akan memerlukan sedikit lebih banyak koreksi, tetapi Anda tetap menyunting draf, bukan mengetik dari nol.

Beberapa kebiasaan meningkatkan akurasi pada rekaman apa pun, apa pun aksennya. Rekam dengan mikrofon yang dekat. Biarkan setiap orang selesai sebelum yang berikutnya mulai. Hindari ruangan besar yang menggema. Kecepatan bicara yang sedang menghasilkan transkrip lebih baik daripada berlari melewati 200 kata per menit. Dan bitrate yang wajar penting: MP3 128 kbps tidak masalah, sedangkan audio pesan suara yang dikompresi berat dalam narrowband kehilangan detail yang dibutuhkan mesin. Untuk penjelasan lebih lengkap tentang format dan keunikan masing-masing, lihat cara mentranskripsikan file audio apa pun.

Hushscript mendeteksi bahasa secara otomatis dan mentranskripsikan sekitar 99 bahasa, dengan akurasi kelas atas pada 18 di antaranya. Rekaman yang tetap dalam satu bahasa bertranskripsi paling bersih; berganti bahasa di tengah kalimat sulit bagi mesin mana pun. Untuk pembahasan lebih dalam tentang apa yang menentukan akurasi, biaya, dan seluruh alur kerja dari awal sampai akhir, lihat mentranskripsikan audio ke teks.

Cara mengubah ucapan rekaman menjadi teks

Berikut alur sebenarnya di Hushscript, sesuai urutan yang Anda temui. Anda memerlukan rekaman sebagai file di perangkat Anda, yaitu file audio atau video dalam format umum apa pun, dan alamat email untuk mendaftar. Hanya itu daftarnya. Cukup buka di browser, tanpa perlu memasang apa pun.

1. Seret file dan lihat pratinjaunya. Buka halaman audio ke teks dan seret file Anda ke sana. Hushscript langsung mentranskripsikan 5 menit pertama dan menampilkan hasilnya dengan penutur yang sudah terpisah. Langkah ini tidak memerlukan akun. Pratinjau ada agar Anda bisa menilai akurasinya pada rekaman Anda sendiri sebelum berkomitmen apa pun.
2. Daftar untuk mentranskripsikan sisanya. Jika pratinjaunya terlihat tepat, daftar dengan email Anda. Transkripsi file penuh hanya tersedia dengan akun, jadi di langkah inilah akun diperlukan. Akun pribadi yang memenuhi syarat dapat menerima 30 menit gratis untuk mencoba layanan ini dengan sungguh-sungguh.
3. Unggah file lengkap. Setelah masuk, unggah seluruh rekaman. Jika berupa video, audionya diekstrak lebih dulu di browser Anda dan hanya audionya yang dikirim, jadi videonya tetap di perangkat Anda.
4. Baca, ganti label, dan ekspor. Transkrip kembali dengan setiap giliran bicara dikaitkan dengan seorang penutur (Speaker A, Speaker B, dan seterusnya) dan diberi penanda waktu. Klik label penutur mana pun untuk mengganti namanya, dan nama baru itu diperbarui di mana pun orang tersebut berbicara. Saat sudah terbaca sesuai keinginan Anda, ekspor ke TXT untuk teks biasa, SRT atau VTT untuk subtitle, CSV atau JSON untuk data terstruktur, Markdown untuk catatan publikasi, DOCX untuk penyuntingan, atau PDF untuk dibagikan.

Tiga puluh menit cukup untuk mentranskripsikan wawancara singkat, klip kuliah 10 menit, atau bagian awal rekaman yang lebih panjang jika Anda ingin memeriksa akurasi sebelum melangkah lebih jauh. Akun pribadi yang memenuhi syarat menerima menit gratis setelah verifikasi kartu atau dengan pembelian pertama; gunakan metode pembayaran yang ditampilkan saat checkout untuk paket. Kartu tidak diperlukan untuk memulai. Setelah menit gratis, Anda hanya membayar menit yang Anda transkripsikan, tanpa langganan. Halaman harga memuat tarif terkini.

Contoh kerja

Misalkan Anda merekam wawancara pelanggan berdurasi 38 menit di ponsel. Tersimpan sebagai M4A, dua suara, sesekali denting cangkir kopi, direkam di ruang rapat biasa.

Anda menyeret M4A itu ke halaman audio ke teks. Pratinjau 5 menit muncul sebagai percakapan singkat:

Speaker A   00:00   Terima kasih sudah meluangkan waktu. Bisakah Anda mulai dengan menceritakan
                    apa yang pertama kali membuat Anda mencari alat seperti ini?
Speaker B   00:11   Tentu. Kami kewalahan dengan tiket dukungan dan sistem
                    lama tidak sanggup mengimbangi, jadi saya mulai mencari-cari.

Itulah pratinjau yang belum disunting. Kedua suara terpisah, setiap baris diberi penanda waktu, dan susunan katanya bersih. Anda mendaftar, mengunggah file penuh 38 menit, dan beberapa menit kemudian transkrip lengkapnya siap dalam bentuk yang sama. Speaker A adalah Anda dan Speaker B adalah narasumber Anda, jadi Anda mengklik label “Speaker A”, mengetik nama Anda, lalu mengklik “Speaker B” untuk mengetik nama mereka. Keduanya berganti nama di seluruh dokumen dalam satu putaran. Anda mengekspor ke DOCX, membukanya di pengolah kata, memperbaiki dua atau tiga tempat ketika nama produk keluar dengan ejaan menurut bunyinya, dan jadilah transkrip wawancara yang rampung. Ke-38 menit itu keluar dari saldo Anda, itulah sebabnya 30 menit gratis berguna untuk pekerjaan nyata pertama, bukan hanya klip uji.

Masalah umum, dan cara memperbaikinya

Sebagian besar transkrip yang mengecewakan berakar pada rekamannya, bukan mesinnya. Berikut masalah yang paling sering muncul, dan apa yang perlu dilakukan untuk masing-masing.

Rekaman pelan atau keruh. Jika suara samar atau ruangan terdengar menggema berat, mesin punya lebih sedikit bahan untuk dikerjakan dan akurasi turun. Mikrofon yang dekat dengan penutur, mikrofon jepit atau headset dalam jarak 10 sampai 20 sentimeter dari mulut, membuat perbedaan yang lebih besar daripada pengaturan apa pun. Ruangan besar yang kosong menambah gema yang mengaburkan batas antarbunyi; ruang yang lebih kecil atau berperabot lunak merekam lebih baik. Anda tidak bisa memperbaikinya setelah kejadian, jadi layak dibenahi sebelum menekan rekam lain kali.

Dua orang berbicara bersamaan. Ketika suara saling menimpa, baik susunan kata maupun siapa mengatakan apa menjadi lebih sulit, karena dua kumpulan bunyi bersaing di irisan audio yang sama. Tidak ada perbaikan perangkat lunak yang bersih untuk tumpang tindih yang sungguhan. Pada rekaman yang bisa Anda kendalikan, memberi jeda sejenak antar giliran akan terbayar nanti. Pada rekaman yang tidak bisa diulang, bersiaplah menemui beberapa baris yang bersilangan di sekitar interupsi dan rapikan dengan tangan.

Istilah khusus keluar salah. Model serbaguna mengenal bahasa sehari-hari dengan baik tetapi belum tentu pernah melihat jargon industri Anda, nama keluarga yang tidak lazim, atau nama produk. Hal-hal itu cenderung ditranskripsikan menurut bunyinya, bukan ejaannya. Cari dan ganti di DOCX hasil ekspor menyelesaikan istilah yang berulang dalam hitungan detik, dan itu salah satu alasan DOCX adalah ekspor yang paling mudah dikoreksi.

File tidak mau dimuat. Sebagian besar file audio dan video standar langsung berfungsi. Jika ada yang ditolak, biasanya penyebabnya kontainer yang tidak lazim atau sangat tua. Mengonversinya ke MP3 atau WAV biasa dengan alat di browser yang gratis, yang berjalan di perangkat Anda dan tidak mengunggah apa pun, hampir selalu menyelesaikannya. Jika sebuah format tetap tidak bisa diproses, kirim email ke support@hushscript.com dan tim akan menambahkannya.

Satu penutur terpecah menjadi dua. Sesekali orang yang sama dilabeli sebagai dua penutur, biasanya karena suaranya berubah di tengah rekaman: mereka bergeser mendekati mikrofon, berpindah dari headset ke pengeras suara telepon, atau kualitas saluran berubah. Mesin mengelompokkan menurut bagaimana suara terdengar, sehingga perubahan besar bisa terbaca sebagai orang baru. Menggabungkan kedua label di editor memperbaikinya dalam satu langkah. Cara kerjanya dibahas dalam panduan cara kerja diarisasi penutur.

Label penutur, dalam proses yang sama

Memisahkan penutur, yang secara formal disebut diarisasi penutur, berjalan bersamaan dengan pengenalan suara, bukan sebagai pekerjaan kedua yang Anda bayar tambahan. Anda mendapat kata-kata dan atribusinya sekaligus, gratis di setiap transkrip. Untuk wawancara dua orang atau rapat kecil, pemisahan itu biasanya akurat dan menghemat kerja membosankan melabeli setiap baris dengan tangan. Tidak ada batas berapa penutur yang bisa ada dalam satu file, meski akurasi tertinggi tercapai ketika suara berbeda jelas, tidak saling menimpa, dan tidak terdengar mirip.

Jika Anda ingin menangkap ucapan saat Anda berbicara, pakai alat langsung yang sudah ada di perangkat atau pengolah kata Anda. Jika Anda sudah punya rekaman yang Anda butuhkan sebagai teks, transkripsikan dari halaman suara ke teks atau halaman audio ke teks dan Anda mendapat label penutur serta keluaran yang bisa diekspor dalam satu langkah.