Mengubah audio dan video menjadi teks yang benar-benar bisa dipakai

Mutu rekaman menentukan mutu transkrip lebih besar daripada modelnya. Cara menyiapkan berkas, ketepatan yang wajar diharapkan, dan kenapa wawancara serta rapat sebaiknya tidak diunggah ke server orang asing.

Diperbarui 24 Agustus 2026Baca 7 menit

Pengenalan ucapan diam-diam sudah cukup baik sehingga modelnya jarang lagi menjadi faktor pembatas. Yang membatasi sebuah transkrip sekarang adalah rekamannya: seberapa jauh mikrofon dari orang yang berbicara, seberapa bergema ruangannya, apakah dua orang berbicara bersamaan. Beri pengenal modern sebuah rekaman bersih dan Anda mendapat sesuatu yang hampir layak terbit. Beri ia sebuah ponsel di atas meja ruang rapat, dan tidak ada perangkat lunak yang menyelamatkannya.

Apa yang sebenarnya menentukan ketepatan

Ketepatan transkripsi biasanya dinyatakan sebagai laju galat kata — proporsi kata yang disisipkan, dihilangkan, atau salah dikenali. Hasil yang baik pada ucapan bersih berada di bawah 5%, kira-kira satu galat tiap dua kalimat dan mudah diperbaiki sambil membaca. Di atas sekitar 20%, memperbaiki transkrip lebih lama daripada mengetik ulang, dan yang berguna diketahui adalah kondisi apa yang mendorong Anda melewati garis itu.

Kondisi	Dampak	Apa yang bisa dilakukan
Mikrofon dekat dengan pembicara	Kasus terbaik, di bawah 5%	Tidak ada — inilah sasarannya
Ponsel di atas meja, dua meter jauhnya	Terasa jelas lebih buruk	Dekatkan lain kali; ini pengungkit terbesarnya
Ruangan bergema, permukaan keras	Parah — dengung memburamkan batas antarkata	Perabot kain, atau merekam lebih dekat
Dengung latar yang tetap	Sedang	Pengurangan derau banyak membantu di sini
Dua orang bicara bersamaan	Keduanya hilang	Tak bisa diperbaiki setelah kejadian
Logat kuat atau bicara cepat	Agak lebih buruk	Bersiaplah menemukan lebih banyak galat nama dan istilah teknis
Musik di bawah suara orang	Buruk	Tak bisa diperbaiki pada rekaman yang sudah tercampur

Perhatikan berapa banyak baris di atas yang merupakan keputusan sebelum rekamannya ada. Transkripsi adalah salah satu dari sedikit pekerjaan di mana lima detik persiapan mengalahkan pemrosesan sebanyak apa pun sesudahnya, dan persiapannya hampir selalu sama: dekatkan mikrofonnya ke mulut.

Menyiapkan berkas agar mudah ditranskripsikan

Keluarkan audionya dari video

Kalau sumber Anda adalah rekaman layar atau wawancara yang difilmkan, ekstrak dulu trek audionya. Pilih format yang ditandai alat itu sebagai salinan tanpa kehilangan mutu — biasanya M4A untuk MP4 — dan treknya disalin tanpa dikodekan ulang; bekerja dengan berkas audio 30 MB alih-alih video 2 GB mempercepat semua yang berikutnya. Paket gratis menerima video hingga 300 MB dan mengekstrak hingga satu jam audio; Pro menghapus batas itu untuk MP4, MOV, WebM, dan MKV.

Bersihkan derau latar yang tetap

Pendingin udara, kipas komputer, dan gemuruh lalu lintas bersifat tetap, dan itu persis jenis derau yang bisa dibuang pengurangan derau dengan baik. Gunakan setelan ringan — pengurangan yang agresif memakan konsonan, dan konsonanlah yang diandalkan pengenal ucapan.

Pangkas bagian tanpa ucapan

Sepuluh menit obrolan persiapan sebelum wawancara dimulai adalah sepuluh menit pemrosesan yang tak Anda butuhkan. Penghapus senyap memampatkan jeda panjang, dan memotong awal serta akhirnya secara manual hanya butuh beberapa detik.

Pecah rekaman yang sangat panjang

Rekaman panjang bisa dikerjakan dengan Pro (paket gratis mencakup 10 menit per berkas), tetapi kegagalan pada dua pertiga perjalanan membuat Anda kehilangan semuanya. Memecah berkas panjang menjadi bagian lima belas atau dua puluh menit membuat pekerjaannya bisa dilanjutkan dan lebih mudah dicocokkan dengan audionya.

Transkripsikan, lalu baca sekali sambil mendengarkan

Jangan mengoreksi teksnya sendirian. Putar rekamannya pada 1,5× sambil membaca transkripnya: galat yang tampak masuk akal di atas kertas menjadi jelas begitu Anda mendengar apa yang sungguh diucapkan.

Apa yang akan disalahartikan modelnya

Galat pengenalan modern tidak acak — ia percaya diri, benar secara tata bahasa, dan masuk akal, sehingga lebih sulit dikenali daripada keluaran acak sistem lama. Mengetahui kategorinya memberi tahu Anda ke mana harus melihat.

Nama diri. Nama orang, perusahaan dan produk adalah galat paling sering dengan selisih jauh, karena itu kata langka yang tak punya alasan kuat untuk dipilih model. Susun daftar nama yang muncul dalam rekaman lalu carilah setelahnya.
Kata berbunyi mirip menurut konteks. *Masa* dan *massa*; *sanksi* dan *sanksi*; *rok* dan *rock*. Semuanya wajar secara tata bahasa, semuanya keliru tanpa suara.
Angka dan satuan. Bilangan yang diucapkan cepat sering ditranskripsikan sebagai kata, atau menjadi angka yang sama sekali lain. Apa pun yang menyangkut keuangan atau kesehatan perlu dicocokkan langsung dengan audionya.
Penetapan pembicara. Di mana transkrip memisahkan pembicara, batasnya melenceng setelah ada penyelaan dan bisa menukar dua orang sepanjang satu bagian penuh.
Kelancaran yang dikarang. Pengenal yang dilatih pada teks tertulis cenderung merapikan ucapan — membuang awalan yang gagal dan pembetulan di tengah kalimat. Biasanya disambut baik, sesekali menjadi masalah bila kata persisnya penting.
Kalimat khayalan di dalam kesenyapan. Bagian panjang yang senyap atau berisi musik bisa memunculkan kalimat masuk akal yang tidak pernah diucapkan. Pangkas dulu bagian itu.

Kenapa ini seharusnya bukan sebuah unggahan

Pikirkan apa yang biasanya ditranskripsikan. Wawancara dengan narasumber. Konsultasi medis. Panggilan hukum. Rapat direksi. Sesi terapi. Percakapan penelitian di bawah persetujuan etik yang menetapkan di mana datanya boleh disimpan. Kategori audio yang ingin ditranskripsikan orang hampir persis bertumpang tindih dengan kategori audio yang tidak boleh diserahkan kepada pihak ketiga.

Layanan transkripsi daring yang lazim mengunggah rekaman Anda, memprosesnya pada infrastruktur bersama, lalu mengembalikan teks. Rekaman itu berada di penyimpanan mereka di bawah kebijakan penyimpanan yang tidak Anda rundingkan, mungkin dipakai memperbaiki model mereka tergantung apa yang Anda setujui, dan tunduk pada proses hukum yang berlaku di tempat server mereka berada. Untuk banyak sekali rekaman profesional, hal itu saja membuat alatnya tak terpakai, seberapa pun tepatnya.

Saat Anda mentranskripsikan sebuah berkas, alat ucapan ke teks di sini menjalankan model pengenalannya di perangkat Anda sendiri: rekamannya diproses di perangkat Anda, bukan di server kami, dan transkripnya tetap ada pada Anda. Itu juga menghapus penantian unggahan sepenuhnya — rekaman dua jam langsung mulai diproses alih-alih setelah dua puluh menit pemindahan (gratis: hingga 10 menit dan 50 MB per berkas; Pro: sepanjang yang sanggup ditampung perangkat Anda) — dan setelah modelnya terunduh untuk pertama kali, transkripsi berkas tetap bekerja tanpa sambungan. Dikte langsung lewat mikrofon bekerja berbeda: ia memakai layanan ucapan perangkat Anda, yang bisa berjalan di cloud, dan alat ini menandai setiap sesi apakah berjalan di perangkat atau di cloud.

Transkripsi berkas yang berjalan di perangkat Anda, bukan di server kami — tanpa menunggu unggahan, tanpa salinan di server, tanpa kebijakan penyimpanan yang perlu dibaca.

Transkripsikan sebuah rekaman

Mengubah transkrip mentah menjadi sesuatu yang berguna

Keluaran transkripsi mentah adalah dinding teks: tanpa paragraf, tanda baca yang tidak taat asas, dan setiap *emm* terpelihara dengan setia. Apa yang Anda lakukan berikutnya bergantung pada tujuan transkrip itu, dan empat tujuan yang lazim menginginkan hal-hal yang cukup berbeda.

Tujuan	Yang dipertahankan	Yang dibuang
Takarir	Semuanya, lengkap dengan penandaan waktu	Tidak ada — kesetiaan pada kata yang diucapkan itu penting
Kutipan dalam sebuah artikel	Kata persisnya, dicocokkan dengan audio	Tidak ada, tetapi tandai setiap pemenggalan dengan jujur
Catatan rapat	Keputusan, tindak lanjut, angka	Hampir semuanya — ini pekerjaan meringkas
Tulisan blog dari sebuah ceramah	Kerangka dan alur argumennya	Kata pengisi, pengulangan, tata kalimat lisan
Arsip yang bisa dicari	Teks utuh apa adanya	Tidak ada; teks yang tak sempurna pun tetap bisa dicari

Untuk perapiannya sendiri, pemangkas teks membuang spasi berlebih dan baris kosong sekaligus, dan penghitung kata memberi tahu Anda sedang berhadapan dengan apa — satu jam percakapan biasanya delapan sampai sepuluh ribu kata, sesuatu yang berguna diketahui sebelum menjanjikan ringkasan dua halaman kepada seseorang.

Satu kebiasaan yang layak dicontek dari transkripsi profesional: simpan keluaran mentahnya sebagai berkas terpisah dan sunting salinannya. Begitu kata pengisi dan awalan yang gagal dibuang, semua itu tak bisa dipulihkan tanpa kembali ke audionya, dan saat Anda membutuhkan susunan kata aslinya yang persis selalu datang setelah Anda membersihkannya.

Pertanyaan umum

Seberapa tepat transkripsi otomatis?

Pada rekaman bersih dengan mikrofon dekat pembicara, pengenalan modern biasanya keliru pada kurang dari satu kata dari dua puluh, dan itu cepat diperbaiki sambil membaca. Jarak ke mikrofon, gema ruangan, serta pembicara yang saling menimpa masing-masing menurunkan angka itu tajam, dan tidak ada perangkat lunak yang memulihkan apa yang tidak pernah terekam jelas.

Bisakah saya menranskripsikan video secara langsung?

Bisa, meski lebih cepat kalau trek audionya diekstrak lebih dulu. Ekstraksi berjalan cepat — dan tanpa kehilangan mutu bila Anda mempertahankan format asli treknya — serta mengubah video besar menjadi berkas audio yang ringan, sehingga membersihkan, memecah, dan mentranskripsikannya jadi jauh lebih cepat sesudahnya.

Amankah menranskripsikan rekaman rahasia secara daring?

Hanya bila pemrosesannya berlangsung di perangkat Anda sendiri. Layanan yang mengunggah audionya memegang salinannya, tunduk pada kebijakan penyimpanan dan yurisdiksi mereka, dan itu menyingkirkan sebagian besar rekaman profesional — wawancara, konsultasi, panggilan hukum. Transkripsi yang berjalan secara lokal tidak pernah mengirimkan berkasnya ke mana pun, jadi tidak ada yang bisa disimpan.

Kenapa transkripnya salah menulis nama?

Nama diri adalah kategori tersulit bagi pengenal mana pun, karena ia langka dan modelnya tak punya alasan kontekstual untuk memilih ejaan tak lazim ketimbang kata umum yang bunyinya mirip. Perbaikan yang efisien adalah mendaftar nama yang muncul dalam rekaman lalu mencari yang hampir mirip sesudahnya, alih-alih memburunya sambil membaca.