Cara Mentranskripsi Audio Menjadi Teks Gratis

Jawaban singkatnya

Jika Anda punya satu rekaman dan membutuhkan kata-katanya sebagai teks sekarang juga, buka alat transkripsi peramban yang menjalankan modelnya di perangkat Anda. Izinkan mikrofon atau pilih file audionya, biarkan model terunduh pada pemakaian pertama, dan Anda menerima teks yang bisa disunting dalam blok-blok yang dipisahkan baris kosong, satu blok untuk setiap jendela 30 detik, lengkap dengan jumlah kata, durasi klip, dan lama pemrosesannya, plus tombol salin dan unduh. Tanpa akun, tanpa API key, tanpa kuota, tanpa unggahan, dan tanpa instalasi.

Jika Anda berbicara langsung dan ingin kata-kata muncul di posisi kursor Anda, misalnya di email, dokumen, atau pesan chat, itu pekerjaan lain yang bernama dikte. Sistem operasi Anda sudah punya fitur itu secara gratis dan tidak perlu mengunduh apa pun.

Jika transkripnya harus bisa dipertanggungjawabkan, misalnya sesuatu yang akan Anda terbitkan, Anda kutip di artikel, Anda ajukan ke pengadilan, atau Anda catat di rekam medis, transkripsi mesin gratis adalah alat yang salah. Halaman alatnya sendiri mengatakan begitu.

• Rekaman tersimpan menjadi file teks: alat di peramban yang jalan di perangkat Anda.
• Ucapan langsung ke sebuah kolom teks: dikte dari sistem operasi atau pengolah kata Anda.
• Apa pun yang punya konsekuensi hukum, klinis, atau publikasi: manusia.

Apa sebenarnya harga dari kata gratis di sini

Tidak ada tagihan di sini, tetapi tetap ada harganya. Harga itu sebaiknya disebut, bukan disamarkan oleh kata gratis.

Yang tidak Anda bayar: akun, API key, jatah menit bulanan, jebakan 15 menit pertama gratis, atau unggahan. Tidak ada server yang mengerjakan pekerjaan ini, jadi tidak ada tagihan server yang perlu ditutup dan tidak ada alasan bagi siapa pun untuk mengambil nilai dari audio Anda.

Yang Anda bayar. Pertama, bandwidth. Modelnya tidak tertanam di halaman, melainkan diambil saat pemakaian pertama, jadi jalannya yang pertama menarik bobot model sebelum apa pun terjadi. Peramban Anda menyimpan salinan itu dan memakainya lagi nanti, sehingga biayanya sekali saja, bukan setiap kali pakai. Di koneksi dengan kuota, itu tetap biaya.

Kedua, mesin Anda sendiri. Inferensinya berjalan di CPU Anda di dalam tab, jadi pekerjaannya memakan waktu nyata, baterai laptop turun terlihat pada rekaman yang panjang, dan Anda tidak bisa meninggalkannya di latar belakang seperti Anda meninggalkan satu unggahan. Tutup tabnya, pekerjaannya hilang.

Ketiga, memori, dan inilah plafon sebenarnya, bukan batas yang ditulis di halaman. Halaman menyimpan seluruh klip selama ia bekerja, jadi sepanjang apa rekaman yang mampu Anda coba bergantung pada berapa banyak memori yang bisa didapat tab itu. Wawancara pendek tidak istimewa. Rekaman dua jam di laptop murah itu semacam lemparan koin.

Apa yang model lakukan pada audio Anda

Model di balik transkripsi gratis di peramban adalah Whisper. Model mental yang berguna bukan mesin pengenal suara, melainkan penerjemah antara dua representasi. Gelombang suara Anda menjadi sebuah array yang mirip gambar, yaitu fitur audio: berapa besar energi pada tiap frekuensi di tiap potong waktu yang pendek. Satu jaringan membaca array itu seperti Anda membaca halaman teks, dan jaringan kedua menulis katanya satu per satu, dengan kondisi semua yang sudah ia tulis. Bentuk sequence to sequence inilah yang menggerakkan machine translation.

Arsitektur itu menjelaskan perilaku yang tidak akan ditebak oleh pemeriksa ejaan bunyi. Karena teksnya dihasilkan kata demi kata dengan sebuah prior tentang bagaimana bahasa biasanya bergerak, keluarannya cenderung lancar dan wajar. Ucapan yang jelas tetapi memuat satu kata asing sering keluar sebagai kata umum yang bunyinya mirip, karena kalimat itulah yang lebih mungkin. Itu juga berarti tanda baca dan huruf kapital ditulis oleh generator yang sama, bukan oleh buku aturan, jadi keduanya adalah kebiasaan, bukan jaminan.

Potongan 30 detik dan sisa-sambungnya

Fakta struktural yang lain adalah pemotongan. Modelnya dilatih pada jendela audio yang tetap, dan rekaman sepanjang apa pun harus dipotong-potong. Halaman ini memproses audio Anda dalam jendela 30 detik lalu menggabungkan hasilnya, dengan jendela yang saling tumpang tindih 5 detik. Satu jam bicara menjadi banyak panggilan model, satu untuk tiap jendela.

Konsekuensinya adalah keluhan paling umum pada transkrip panjang, dan itu sifat alat ini, bukan kesalahan yang Anda sebabkan. Tumpang tindih 5 detik itu ada justru untuk membawa konteks melewati sambungan, jadi ia mengurangi tetapi tidak menghilangkan kasus batas: kata yang jatuh tepat di tepi bisa tidak masuk ke jendela mana pun atau masuk ke dua-duanya. Itulah sebabnya sebuah paragraf yang selainnya bagus memuat satu frasa ganda dan satu suku kata hilang di tempat yang sama setiap kali Anda menjalankan file yang sama. Jika satu kata yang memuat artinya, misalnya dosis, nama, atau negasi, potong dulu file-nya pada jeda supaya sambungan jatuh di tempat yang aman.

Audio dan pemilih bahasa, dan mengapa itu sebuah pilihan

Halaman ini memuat checkpoint whisper-tiny yang multibahasa. Pemilih bahasanya menawarkan deteksi otomatis plus empat bahasa, yaitu Inggris, Spanyol, Portugis, dan Indonesia. Menyebutkan bahasanya ke model adalah setelan yang paling bisa diandalkan. Dugaan bahasa sudah ditentukan lebih dulu, jadi model hanya perlu memutuskan apa yang diucapkan.

Deteksi otomatis berarti model memutuskan dulu bahasa apa yang ia dengar, baru memutuskan apa yang diucapkan. Itu satu keputusan ekstra yang bisa salah pada klip pendek atau pada aksen yang kental. Keluasannya juga dibayar dengan kapasitas. Whisper punya dua varian, satu yang dilatih untuk satu bahasa saja dan satu yang dilatih untuk banyak bahasa, dan checkpoint multibahasa membagi sebagian kapasitasnya ke bahasa-bahasa yang ia cakup. Pada klip yang isinya satu bahasa, model khusus satu bahasa, yaitu yang dimuat halaman versi Inggris, adalah alat yang lebih tajam.

Satu konsekuensi untuk audio yang campur bahasa: bagian yang bahasanya tidak cocok dengan setelan Anda akan keluar jelek, dan bentuk kegagalan di sini memang begitu. Atur pemilih ke bahasa yang paling dominan, jalankan lagi, lalu kerjakan bagian sisanya secara terpisah. Jangan berharap satu kali jalan dengan deteksi otomatis membereskan pergantian bahasa.

Apa yang tidak dilakukan alat ini

Jangan berasumsi apa pun di bagian ini, karena tiga hal berikut adalah hal yang pembaca kira sedang mereka dapatkan.

Tidak ada label pembicara. Whisper tidak melakukan diarisasi pembicara, dan alat ini tidak menambahkannya. Jika tiga orang berbicara, Anda menerima satu aliran teks tanpa petunjuk siapa yang mengatakan apa, dan tanpa penanda Speaker 2 yang perlu dibersihkan. Untuk rekaman banyak suara, perbaikannya manual: biarkan jeda yang jelas antar pembicara dan beri label bagian-bagiannya saat Anda menyunting, atau transkripsikan tiap suara dari track terpisah jika rekaman Anda punya itu.

Tidak ada stempel waktu. Anda tidak akan mendapat baris timecode, waktu per kata, atau garis waktu yang bisa diklik untuk melompat ke audionya. Jadi Anda tidak bisa memotong video, mengutip satu momen dalam berita acara pemeriksaan, atau menyelaraskan subtitle dari keluaran ini tanpa mencari sendiri tiap posisinya. Jika timecode bagian dari hasil yang harus Anda serahkan, jalur ini memberi kata-katanya dan waktunya Anda yang isi.

Tidak ada janji soal tanda baca atau huruf kapital. Boleh jadi koma dan awal kalimat muncul, tetapi yang dijamin hanya teks biasa dalam blok yang dipisahkan baris kosong. Jadi paragraf, tanda tanya, dan nama dalam huruf kapital menjadi tanggung jawab Anda. Untuk satu paragraf monolog, itu beres dalam lima menit. Untuk delapan ribu kata dialog, itu pekerjaan penyuntingan sungguhan, dan paragraf yang tidak ada pemecahnya adalah bagian yang tidak pernah orang anggarkan.

Mendapat transkrip yang benar-benar bisa dipakai

Transkripsi gratis adalah undian, dan satu-satunya tiket yang menang adalah audio yang bagus. Semua di bawah ini bicara soal masukannya, karena modelnya tetap begitu.

Sebelum merekam

Dekatkan mikrofon dan biarkan di situ. Ponsel pada jarak dua puluh sentimeter dari mulut pembicara mengalahkan ponsel yang sama di ujung meja yang lain, karena kedekatanlah yang membeli sinyal bersih di atas semua hal lain di ruangan itu.

Pilih ruangannya, bukan hanya mikrofonnya. Ruangan berdinding keras, kosong, dan langit-langit tinggi adalah lingkungan terburuk yang ada. Setiap konsonan tiba di mikrofon dua atau tiga kali tambahan, terlambat dan melebar, dan model harus memilih satu interpretasi untuk bunyi yang memang ambigu. Ruangan berkarpet, dengan gorden dan furnitur, merekam lebih baik, dan lemari serta mobil hasilnya luar biasa bagus.

Bunuh dasar kebisingan sebelum ia dibutuhkan: kipas, AC, kompresor kulkas, jendela yang terbuka ke jalan, penyedot asap dapur yang masih jalan. Anda tidak akan mendengarnya saat Anda sibuk bicara. Model akan mendengarnya.

Satu pembicara pada satu waktu, dan ucapkan aturannya dengan keras. Ucapan yang tumpang tindih bukan dua aliran bagi mikrofon, melainkan satu gelombang suara, dan generator urutan hanya bisa menulis satu baris teks. Jadi ia memihak yang lebih keras dan kehilangan orang yang lain sepenuhnya.

Mengambil audio yang bukan rekaman Anda

Ambil salinan terbaik yang tersedia. File asli dari perekam, kamera, atau platform mengalahkan rekaman layar, dan rekaman layar mengalahkan encode ulang. Setiap generasi kompresi membuang detail konsonan halus yang dipakai model.

Hati-hati dengan audio kualitas telepon. Lebar pita telepon kira-kira 300 sampai 3400 hertz, yang menjaga vokal dengan nyaman tetapi membuang banyak hal yang membedakan f dari s, p dari b, dan k dari t. Transkrip panggilan keluar lancar dan salah, dan itu mode kegagalan terburuk karena teksnya enak dibaca.

Video dengan musik atau suara ruangan di bawah dialog lebih sulit daripada kelihatannya. Modelnya dilatih pada bicara, bukan pada bicara yang tercampur di bawah soundtrack, dan latar musik yang keras cenderung menghasilkan omong kosong yang percaya diri.

Untuk istilah khusus, sediakan glosarium pendek di samping Anda. Nama yang tidak biasa, nama kode produk, nama obat, nama tempat, dan akronim adalah token yang paling sedikit dilihat model, jadi ia menggantinya dengan kata umum yang bunyinya paling dekat. Anggap akan ada satu putaran khusus nama dan rencanakan itu.

Setelah transkrip muncul

Perlakukan itu sebagai draf pertama yang diketik dengan kecepatan tidak masuk akal. Tempel ke editor Anda, lalu lakukan tiga putaran, bukan sekali baca: angka dan tanggal, nama diri, dan semua yang berada dekat potongan 30 detik.

Periksa angka dan nama lebih dulu, dalam urutan itu. Keduanya rusak sebelum yang lain dan keduanya rusak tanpa suara. Satu angka yang salah dalam ringkasan yang Anda terbitkan adalah kesalahan Anda, bukan kesalahan model, dan tidak ada skor keyakinan pada kata itu yang memperingatkan Anda.

Rapikan strukturnya paling akhir: ubah blok-blok yang dipisahkan baris kosong menjadi paragraf saat topiknya benar-benar berganti, beri tanda tanya di tempat seseorang bertanya, dan buang frasa ganda yang sekarang sudah Anda cari.

Jalur gratis di Mac, di PC, dan online

Jawaban yang orang cari di sini, sengaja dipisahkan dari alat peramban di atas: di kedua platform desktop Anda sudah punya speech to text gratis yang terpasang, dan untuk sebagian pekerjaan itu pilihan yang lebih baik.

Di Mac

macOS mengirim Dictation sistem, yang diaktifkan di Keyboard settings dan bisa dipanggil di mana pun teks bisa diketik, misalnya Notes, Mail, kolom isian di peramban, dan kebanyakan editor. Klik di suatu tempat, tekan shortcut yang sudah diatur, bicara, lalu tekan lagi. Fitur yang sama ada di iPhone dan iPad di dalam keyboard-nya.

Jalur itu untuk ucapan langsung ke sebuah kolom teks dan itu bukan alat transkripsi. Ia mengetik sambil Anda bicara, ia tidak membaca file audio yang sudah ada, dan jika Anda diam ia bisa berhenti mendengarkan. Untuk rekaman yang sudah terlanjur ada, pakai alat peramban atau pengolah kata Anda.

Di PC

Windows punya Voice typing di kolom teks mana pun yang sedang fokus, dibuka dengan tombol Windows dan H. Fitur itu mendiktekan kata-kata Anda ke kolom tersebut dan menerima tanda baca lewat perintah suara, bukan menebaknya dari intonasi Anda.

Catatan yang sama seperti macOS, dengan alasan yang sama. Ini dikte, bukan transkripsi. Windows tidak membawa utilitas gratis yang mengubah file audio menjadi teks, dan itulah celah yang diisi alat peramban yang jalan di perangkat Anda.

Online

Jalur peramban jalan di mesin mana pun dengan peramban yang masih current, termasuk Chromebook dan desktop Linux. Itu jawaban praktis ketika sistem operasinya tidak punya dikte yang layak dipakai atau ketika mesinnya dikunci kebijakan kantor.

Luruskan dua hal tentang kata online. Ia berarti di tab peramban, bukan di server. Audionya didekode dan ditranskripsi secara lokal. Dan jalannya yang pertama butuh koneksi, karena saat itulah modelnya datang; jalan berikutnya memakai ulang apa yang peramban Anda simpan.

Di mesin kantor, perhatikan bahwa halaman ini meminta izin mikrofon dan kebijakan bisa menolaknya. Jalur file tidak pernah menyentuh mikrofon.

Dikte, pengolah kata, dan layanan cloud

Tiga jalur bersaing dengan alat yang jalan di perangkat, dan masing-masing punya satu tukar menukar yang jujur.

Dikte sistem operasi

Paling cepat untuk semburan pendek, gratis, sudah terpasang, dan menaruh kata tepat di tempat Anda bekerja. Tidak cocok untuk apa pun yang sudah Anda rekam atau tidak bisa Anda ulangi. Anda tidak bisa mendiktekan podcast yang Anda tangkap kemarin.

Mode dikte di pengolah kata

Pengolah kata dan aplikasi catatan arus utama membuka fitur dictate mereka sendiri, yang sama dengan ide ucapan langsung tetapi dilengkapi perintah format. Berguna untuk menyusun draf dengan suara, sama tidak bergunanya pada file yang sudah ada. Sebagian dari fitur itu berjalan lewat layanan online vendor, bukan lewat perangkat Anda, jadi jika isinya sensitif, cari tahu dulu apa yang fitur itu lakukan dengan mikrofon Anda sebelum memakainya.

Mengunggah ke layanan transkripsi pihak ketiga

Ini penawaran transkripsi online gratis yang klasik. Biasanya ada akun, biasanya ada jatah saat pendaftaran, dan sebagai ganti kenyamanan, rekaman Anda disalin ke infrastruktur orang lain, diproses di sana, dan disimpan di sana selama kebijakan mereka bilang, sebuah rentang yang biasanya tetap berlaku setelah Anda menghapus file lokalnya.

Untuk rekaman wawancara publik, itu sering bisa diterima. Untuk apa pun yang memuat nama pasien, komentar klien yang bersifat rahasia, atau narasumber yang setuju direkam tetapi tidak diterbitkan ulang, itu keputusan nyata dan bukan detail. Jalur di perangkat ada justru supaya pertanyaan itu tidak perlu ditanyakan. Audionya tidak pergi ke mana-mana, jadi tidak ada masa simpan yang perlu Anda baca.

Layanan cloud memang membeli hal-hal: label pembicara, timecode, file yang sangat panjang, dan pemrosesan yang tidak menyeret laptop Anda. Hanya saja jangan beli itu untuk file yang seharusnya tidak Anda kirim.

Langkah demi langkah dengan alat peramban

Seperti apa alur kerjanya dari awal sampai akhir, dengan aturan masukannya dinyatakan terang supaya tidak ada yang mengejutkan Anda.

1. Muat halaman dan biarkan model datang

Buka alatnya dan mulai satu pekerjaan. Pada pemakaian pertama halaman melaporkan unduhan model dan Anda menunggu sambil bobotnya diambil; kunjungan berikutnya memakai ulang yang sudah ada di peramban Anda. Tidak ada yang lain yang terpasang dan tidak ada yang perlu didaftarkan.

2. Memasukkan audio

Ada dua masukan. Rekam dengan mikrofon di halaman, yang menangkap secara lokal dan mengembalikan teks, yaitu jalur untuk latihan, wawancara yang Anda hadiri, atau catatan yang lebih enak diucapkan daripada diketik. Penangkapan mikrofon menghasilkan WebM.

Atau pilih file yang sudah ada. Tidak ada daftar format yang tetap, karena halaman tidak memegang daftar putih apa pun: apa pun yang mampu didekode peramban Anda sebagai audio atau video bisa diserahkan ke decoder, dan apa pun yang tidak mampu ia decode akan gagal begitu saja. File yang bisa diputar peramban Anda adalah perkiraan yang wajar untuk file yang bisa dibaca halaman ini. Coba satu klip pendek sebelum memasukkan yang panjang.

Pada dua-duanya, audio di-resample di dalam halaman menjadi 16 kHz mono, satu channel dengan 16,000 sampel per detik, yang berarti 960,000 sampel dalam satu menit, sebelum model melihatnya. Itulah resolusi kerja Whisper, jadi master stereo 48 kHz tidak memberi transkrip apa-apa.

3. Jalankan dan baca hasilnya

Mulai transkripsi dan halaman berjalan menyusuri audio dalam jendela 30 detik. Hasilnya adalah teks biasa yang bisa disunting, tersusun dalam blok-blok yang dipisahkan baris kosong, satu blok per jendela, dengan satu baris di bawahnya yang menghitung kata dan melaporkan lama klip dan lama pemrosesan. Ada dua cara mengeluarkannya dari halaman: tombol salin, dan tombol unduh yang menyimpan transkrip sebagai file .txt. Tidak ada ekspor subtitle, ekspor dengan timecode, atau ekspor dengan waktu per kata.

Tempel ke editor Anda begitu teksnya muncul, jangan ditinggal di tab: transkrip itu hanya hidup di halaman tersebut, dan tab yang tertutup berarti transkrip yang hilang.

4. Kenali plafon Anda sebelum berkomitmen

Batas yang mengikat pada panjang rekaman adalah memori, bukan batas yang dinyatakan, karena seluruh klip disimpan selama diproses, jadi apa yang jalan tergantung mesin Anda. Jika file itu penting, transkripsikan per bagian dan ambil satu bagian setiap kali, alih-alih berjudi pada seluruh pekerjaannya.

Kapan harus membayar manusia

Transkripsi mesin gratis adalah alat pembuat draf. Ada tiga kategori hasil yang tidak boleh berstatus draf.

Materi hukum dan regulasi: berita acara pemeriksaan, sidang, kontrak, apa pun yang kata-kata persisnya bisa dibacakan kembali kepada Anda. Alasannya struktural, bukan soal kualitas: tidak ada stempel waktu untuk menunjuk satu momen, tidak ada atribusi untuk menetapkan siapa yang bicara, dan tidak ada cara menunjukkan apa yang dikatakan rekaman lawan apa yang ditebak model.

Materi medis dan klinis: dosis, riwayat pasien, percakapan persetujuan tindakan. Penggantian satu kata yang masuk akal dengan kata lain yang bunyinya mirip adalah mode kegagalan normalnya, dan ini domain di mana kegagalan itu diukur dengan kerugian. Angka dan nama obat justru adalah token yang paling buruk ditangani transkripsi mesin.

Materi yang diterbitkan atau dikutip: jurnalistik, sebuah buku, apa pun yang memuat kata-kata seseorang dengan nama dan gelar. Mengutip perkiraan mesin atas kalimat seseorang di bawah nama orang itu adalah kesalahan faktual yang menunggu ditemukan, dan koreksinya yang kemudian jadi berita. Halaman alatnya sendiri mengatakan begitu: untuk akurasi tingkat produksi pada transkrip hukum atau pekerjaan setara, pakai model yang lebih besar atau layanan transkripsi profesional.

Satu kasus lagi: satu putaran penyuntingan manusia sering lebih murah daripada waktu sunting Anda sendiri. Jika satu transkrip gratis memakan empat puluh menit yang hati-hati per jam audio, dan jam Anda bernilai lebih dari itu, Anda tidak menghemat apa pun.

Masalah umum dan apa artinya

Tidak terjadi apa-apa dan modelnya tidak datang: pengambilan pada pemakaian pertama gagal, biasanya karena masalah jaringan atau extension yang memblokirnya. Muat ulang, matikan extension yang agresif, lalu coba lagi.

Transkripnya omong kosong yang lancar: audionya lebih pelan, lebih bising, atau lebih bergema daripada yang mampu dipakai model, dan ia melakukan apa yang arsitekturnya lakukan, yaitu menulis teks yang tampak masuk akal. Rekam ulang atau cari sumber yang lebih dekat. Tidak ada di halaman ini yang bisa menyelamatkan ruangan yang buruk.

Satu frasa muncul dua kali dan satu kata hilang pada jarak yang teratur: itu sambungan antar jendela 30 detik, persis seperti dijelaskan di atas. Potong file-nya pada jeda dan jalankan lagi bagian itu.

File panjang gagal di tengah jalan, atau tab-nya mati: memori. Klip harus muat di dalam tab, jadi potong dan jalankan bagian-bagiannya.

File-nya ditolak: peramban Anda tidak mampu men-decode-nya. Ekspor ulang dari aplikasi sumbernya dengan setelan standar.

Tanda baca yang Anda tidak ucapkan: itu wajar, karena generatornya menulis kebiasaannya sendiri. Perbaiki di putaran penyuntingan dan jangan membacanya sebagai bukti di mana kalimat berakhir.

Teks tidak masuk akal pada bagian yang bahasanya tidak cocok dengan pemilih: di sini penyebab biasanya adalah ketidakcocokan antara bahasa yang terdengar dan pengaturan Bahasa Anda. Atur pemilih ke bahasa yang benar-benar diucapkan, atau ke deteksi otomatis, lalu jalankan lagi.

Hening dari mikrofon: izin browser ditolak, atau perangkat input yang salah dipilih di pengaturan sistem. Periksa keduanya sebelum menyimpulkan halamannya yang rusak.

Pertanyaan yang sering diajukan