Voice to Text di Indonesia: Melesat, tapi Campur Kode Bikin Akurasi Goyah

TranskripsiOleh Vokara Editorial Board± 7 menit baca

Meja studio podcast dengan mikrofon dan perangkat perekam — Kredit foto: Tim Wilson, CC BY 2.0, via Wikimedia Commons.

Transkripsi suara menjadi teks bukan lagi pekerjaan eksklusif juru tulis. Model pengenalan ucapan otomatis (automatic speech recognition, ASR) kini menyulap rekaman rapat, wawancara, dan percakapan konsultasi menjadi naskah terstruktur dalam hitungan menit. Di Indonesia, kemampuan itu beradu dengan kenyataan bahasa yang rumit: penutur berpindah antara Bahasa Indonesia, Inggris, dan bahasa daerah dalam satu percakapan. Tulisan ini memetakan sejauh mana teknologi voice to text dipakai di Indonesia, di mana akurasinya masih goyah, apa saja hambatan adopsinya, dan ke arah mana perkembangannya bergerak.

Apa yang Berubah Sejak Whisper dan AI Generatif

ASR generasi lama bekerja lewat rangkaian model terpisah untuk akustik, fonetik, dan bahasa. Rangkaian itu rapuh terhadap aksen dan kebisingan karena kesalahan di satu tahap merambat ke tahap berikutnya. Pergeseran ke arsitektur end-to-end berbasis transformer menyatukan seluruh proses, dan Whisper dari OpenAI menjadi rujukan yang paling sering dikutip. Model ini dilatih dengan audio multibahasa berdurasi sekitar 680.000 jam yang mencakup lebih dari 96 bahasa, dan karena itu tidak perlu dibangun ulang untuk setiap bahasa.

Bagi Bahasa Indonesia, efeknya terukur. Pada dataset uji IDSV yang menghimpun variasi gaya bicara penutur Indonesia, model bawaan whisper-small mencatat word error rate (WER) 30,87 persen, sedangkan mms-1b-all 29,30 persen. Setelah disetel ulang dengan data Indonesia, model Whisper yang sama turun ke 14,85 persen. Kualitas jadi soal kecocokan data, bukan semata ukuran model.

Gelombang AI generatif menambah kemampuan yang dulu tidak ada: transkripsi streaming, diarisasi pembicara otomatis, dan ketahanan terhadap halusinasi. Pembaruan model transkripsi OpenAI pada Desember 2025 disebut menekan halusinasi sekitar 90 persen pada audio bising dibandingkan Whisper v2, dengan Bahasa Indonesia termasuk bahasa berperforma terkuat. Kombinasi inilah yang memindahkan voice to text dari eksperimen laboratorium ke rutinitas kerja.

Karakteristik Pengguna Indonesia: Dwibahasa, Campur Kode, Dialek

Tantangan terbesar ASR di Indonesia bukan volume data, melainkan keragaman cara bicara. Satu kalimat bisa memuat istilah teknis Inggris, sapaan daerah, dan partikel sehari-hari. Sebuah studi end-to-end dengan model CTC memperlihatkan jurang itu: setelah pra-pelatihan pada data Indonesia, WER di data uji Indonesia tercatat 13,23 persen, tetapi pada data uji campur kode Indonesia-Inggris angka itu melompat ke 48,115 persen. Sistem dua model yang memisahkan ujaran murni Indonesia dan campur kode hanya sanggup menekan WER campur kode ke 53,852 persen.

Data latih pun belum mewakili kenyataan. Penelitian atas dataset IDSV menemukan bahwa gaya bicara, dibaca versus spontan, berpengaruh paling besar terhadap akurasi, melebihi pengaruh konteks formal atau informal. Segmen yang ujarannya saling menimpa membuat WER naik ke 29,64 persen bahkan pada model terbaik dalam studi tersebut. Model juga masih sering salah pada nama diri, homofon, dan istilah berdialek.

Bahasa daerah menggandakan kesulitan itu. Studi pertama yang menguji ketahanan Whisper pada Bahasa Jawa dan Sunda dengan lebih dari 60 jam data latih menemukan WER memburuk dua sampai tiga kali lipat ketika rasio sinyal terhadap bising rendah, kecuali model dilatih dengan augmentasi kebisingan. Implikasinya praktis: akurasi yang mengesankan di ruang hening tidak otomatis bertahan di kantor, kafe, atau ruang kelas.

Use Case yang Sudah Berjalan

Notulen rapat dan produktivitas kerja

Rapat daring jadi pintu masuk paling lazim. Layanan lokal seperti Widya Notulensi besutan Widya Wicara, perusahaan teknologi wicara asal Yogyakarta, mengklaim akurasi transkrip 97,2 persen berdasarkan dataset Mozilla Common Voice dan 97,37 persen pada benchmark internal rapatnya, lengkap dengan integrasi Zoom dan Google Meet. Pemain global seperti Otter.ai, Fireflies.ai, dan Notta menawarkan fitur sejenis dengan daftar bahasa yang berbeda-beda. Untuk rapat yang berpindah bahasa di tengah kalimat, deteksi bahasa otomatis jadi penentu, bukan jumlah bahasa pada halaman pemasaran.

Jurnalisme, media, dan subtitle

Di ruang redaksi, transkrip wawancara dan pembuatan takarir adalah dua pekerjaan yang paling terbantu. Alat ASR memangkas waktu mendengarkan ulang, menyisakan editor untuk memeriksa nama, angka, dan istilah teknis yang paling sering salah. Prinsip yang ditekankan lembaga pelatihan jurnalisme sederhana: transkrip mesin tidak dikutip tanpa dicocokkan ke rekaman, dan keputusan akhir tetap di tangan manusia. Alur kerja hibrida, yaitu mesin mentranskripsi lalu editor memverifikasi, paling realistis untuk deadline harian. Untuk subtitle, keuntungannya berlipat karena penandaan waktu dihasilkan sekaligus bersama teks.

Pendidikan

Kuliah, seminar, dan kelas daring menghasilkan audio dalam jumlah besar yang jarang terdokumentasi. Transkripsi otomatis membuka jalan untuk catatan yang bisa dicari, materi ulang bagi mahasiswa, dan akses bagi pelajar dengan gangguan pendengaran. Hambatannya bukan teknologi, melainkan kesiapan kampus menanggung biaya pemrosesan dan merancang tata kelola data mahasiswa yang jelas.

Layanan profesional: kesehatan dan hukum

Di layanan kesehatan, transkripsi mengubah percakapan dokter-pasien menjadi catatan terstruktur sehingga tenaga medis tidak lagi mengetik sambil mendengarkan. Sejumlah fasilitas di Indonesia sudah mengintegrasikan alur ini ke rekam medis elektronik lewat asisten transkripsi. Kesalahan pada konteks ini mahal: nama obat dan dosis yang salah eja bisa berbahaya, sehingga verifikasi tenaga medis tetap wajib sebelum catatan disimpan. Di ranah hukum, penerapannya lebih hati-hati; notaris dan advokat memakai transkripsi untuk riset dan penyusunan berita acara, bukan untuk menggantikan penilaian hukum.

Aksesibilitas

Fitur transkripsi waktu nyata pada ponsel menjadi jembatan komunikasi bagi penyandang tunarungu. Google menyediakan Transkripsi Instan di Android, sementara riset BRIN mengembangkan teknologi pengenalan suara dan ekspresi wajah untuk kebutuhan aksesibilitas. Catatan dari para penelitinya patut didengar: akurasi masih bergantung pada aksen, kebisingan, dan perangkat sederhana yang dipakai pengguna.

Lanskap Penyedia: Global, Open Source, Lokal

Peta penyedia voice to text di Indonesia terbagi tiga lapis. Layanan global mendominasi lewat API transkripsi dari OpenAI, Google, Microsoft, AWS, Deepgram, AssemblyAI, dan Speechmatics; keunggulannya ada pada infrastruktur, latensi, dan ekosistem integrasi. Lapisan kedua adalah model terbuka seperti keluarga Whisper dan model ASR NVIDIA yang bisa dijalankan sendiri, pilihan yang menarik bagi organisasi yang tidak ingin mengirim audio ke server pihak ketiga. Lapisan ketiga adalah pemain lokal, dari penyedia transkripsi berbahasa Indonesia sampai pengembang fitur notulen dan asisten klinis.

Belakangan tumbuh pula ekosistem model terbuka berbahasa Indonesia seperti Sahabat-AI. Kehadirannya menegaskan satu hal: konteks kebahasaan lokal dianggap cukup penting untuk dikerjakan sendiri, bukan sekadar diserahkan pada model global.

Hambatan Adopsi: Bising, Dialek, Privasi, Biaya

Audio realistis belum menjadi kekuatan ASR berbahasa Indonesia. Penurunan performa dua sampai tiga kali lipat di lingkungan bising dan jurang akurasi pada ujaran campur kode menunjukkan model masih dirancang untuk kondisi bersih. Gaya bicara spontan, ujaran tumpang tindih, dan istilah daerah memperparah keduanya.

Privasi menyusul tak lama kemudian. Rekaman suara dalam banyak kasus termasuk data biometrik, kategori data pribadi spesifik menurut UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. Konsekuensinya jelas: pemrosesan memerlukan dasar hukum dan persetujuan yang sah, tujuan harus diberitahukan lebih dulu, dan pengendali data memikul sanksi administratif maupun pidana bila lalai. Organisasi yang mentranskripsi rapat berisi data pelanggan atau pasien tidak bisa memperlakukan audio sebagai berkas biasa.

Biaya juga bukan persoalan sepele. Transkripsi manual per jam jauh lebih mahal daripada layanan otomatis, tetapi kesalahan mesin menciptakan biaya koreksi yang baru, terutama untuk istilah teknis dan nama diri. Ditambah kesenjangan keterampilan digital dan infrastruktur antardaerah, adopsi pun tumbuh tidak merata: ramai di kota besar dan sektor yang sudah terbiasa bekerja dengan dokumen digital, sementara daerah lain masih menimbang manfaat dan risikonya.

Tren ke Depan: Real-Time, On-Device, Multimodal

Tiga arah perkembangan paling terasa. Pertama, transkripsi waktu nyata yang mengalir lewat sambungan streaming, bukan berkas yang diunggah lalu ditunggu hasilnya. Kedua, pemrosesan di perangkat. Sebuah sistem inferensi on-device yang dibangun di atas model Whisper melaporkan latensi 0,46 detik dengan WER 2,2 persen, mengungguli layanan awan yang diuji dalam benchmark yang sama, dengan syarat model harus cukup ringkas untuk berjalan di dalam memori ponsel. Bagi Indonesia, artinya koneksi lambat dan kekhawatiran privasi tidak lagi otomatis menjadi penghalang.

Ketiga, akomodasi multimodal. Model suara kini menggabungkan transkripsi, diarisasi, ringkasan, dan penerjemahan dalam satu layanan, sehingga keluaran yang dijual bukan lagi teks mentah melainkan pemahaman atas percakapan. Untuk pasar Indonesia, nilai tambah terbesar justru ada pada model yang benar-benar menangani campur kode dan bahasa daerah, bukan sekadar menambahkan satu opsi bahasa pada menu.

Penutup

Voice to text di Indonesia sudah keluar dari fase eksperimen, tetapi belum merata. Adopsi paling cepat terjadi pada pekerjaan berbasis rapat dan audio bervolume besar, sementara akurasi tertinggi baru muncul pada percakapan bersih dan formal. Peluang terbesarnya justru di wilayah yang paling sulit: campur kode, dialek, dan audio lapangan. Siapa pun yang serius membangun untuk pasar Indonesia perlu memperlakukan kekayaan bahasa sebagai bahan baku utama, dengan tata kelola data yang sepadan.

Sumber

Coba Vokara

Ubah rekaman rapat menjadi transkrip dan notulen rapi dalam hitungan menit.

Mulai gratis