DevToolPal
ID

Ucapan ke Teks

Transkripsikan file audio dan video menjadi teks atau subtitle SRT dan VTT di browser dengan OpenAI Whisper, dalam 90+ bahasa, atau terjemahkan ucapan ke bahasa Inggris. Tidak ada yang diunggah.

Berjalan lokal, tidak pernah diunggah

Opsi

Model

Tiny paling cepat, Small paling akurat. Base seimbang.

Tugas
Format keluaran

File audio atau video

Letakkan file audio atau video (MP3, WAV, M4A, OGG, WebM, MP4…) di sini, atau pilih file. Maksimal 500 MB.

Model diunduh sekali dari Hugging Face lalu disimpan di cache browser. Audio tidak pernah keluar dari perangkat Anda.

Transkrip

Apa fungsinya

Alat ucapan ke teks ini mengubah file audio atau video menjadi transkrip tertulis, atau subtitle SRT maupun VTT, tanpa mengunggah apa pun. Alat ini menjalankan model pengenalan suara Whisper dari OpenAI langsung di browser, sehingga Anda bisa mentranskripsi wawancara, rapat, kuliah, catatan suara, dan podcast secara privat dan gratis. Whisper juga bisa langsung menerjemahkan ucapan dalam bahasa lain menjadi teks bahasa Inggris.

Setelah Anda memilih file, halaman mendekode trek audionya dengan Web Audio API browser, mengubahnya ke 16 kHz mono (format yang diharapkan Whisper), lalu mentranskripsinya di worker latar belakang dalam jendela 30 detik yang sedikit tumpang tindih, sehingga rekaman panjang pun bisa. Hasilnya muncul di kotak keluaran, siap disalin atau diunduh sebagai .txt, .srt, atau .vtt.

Cara memakai

  1. Pilih model: Tiny paling cepat, Small paling akurat, dan Base (bawaan) seimbang.
  2. Tekan Unduh model dan mulai. Pertama kali, model diunduh dengan bilah kemajuan; setelahnya browser memuatnya dari cache dalam sekejap.
  3. Letakkan file audio atau video di halaman atau tekan Pilih file. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM, dan MP4 berfungsi di sebagian besar browser, hingga 500 MB. Nama file, durasi, dan ukurannya ditampilkan.
  4. Transkripsi dimulai otomatis dan menampilkan jumlah segmen yang selesai. Tekan Transkripsikan lagi setelah mengubah bahasa atau tugas.
  5. Ganti format keluaran antara teks, SRT, dan VTT kapan saja tanpa mengulang transkripsi. Lalu salin atau unduh.

Bahasa ucapan dideteksi otomatis dari 30 detik pertama. Mengaturnya sendiri lebih cepat dan menghindari kesalahan pada klip pendek. Pilih Terjemahkan ke bahasa Inggris untuk mendapatkan teks bahasa Inggris dari ucapan bahasa lain. Model, bahasa, tugas, dan format disimpan di alamat halaman, jadi tombol Bagikan menautkan ke pengaturan yang sama; file Anda tidak pernah menjadi bagian dari tautan.

Contoh

Klip dua kalimat yang diekspor sebagai SRT terlihat seperti ini:

1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.

2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.

VTT memakai blok yang sama dengan header WEBVTT dan titik sebelum milidetik, format yang dibaca pemutar video HTML5.

Privasi, akurasi, dan persyaratan

Setelah model diunduh, semuanya berlangsung di perangkat Anda, sehingga alat ini cocok untuk rekaman rahasia. Diperlukan Chrome, Edge, Firefox, atau Safari terbaru dengan WebAssembly. Jika WebGPU tersedia (Chrome dan Edge di sebagian besar komputer), alat ini memakainya otomatis dan jauh lebih cepat; jika tidak, beralih ke WebAssembly. File panjang butuh memori: satu jam audio memakai beberapa ratus megabyte setelah didekode, dan Small butuh lebih banyak daripada Tiny atau Base; di ponsel tutup tab berat lainnya. Biarkan tab tetap terbuka sampai selesai.

Whisper bagus untuk ucapan yang jelas dan cukup tahan terhadap aksen serta kebisingan latar, tetapi bisa salah dengar nama dan istilah teknis, dan pada bagian hening atau musik kadang mengulang atau mengarang kalimat. Periksa transkrip sebelum dipublikasikan. Alat ini tidak mengenali pembicara, dan video hanya ditranskripsi jika browser dapat mendekode codec audionya.

FAQ

› Apakah audio saya diunggah ke server?

Tidak. File didekode dan ditranskripsi di dalam browser. Satu-satunya permintaan jaringan adalah unduhan sekali file model Whisper dari Hugging Face; audio, video, dan transkrip Anda tidak pernah keluar dari perangkat.

› Model apa yang dipakai dan apa lisensinya?

OpenAI Whisper (tiny, base, atau small), versi ONNX yang diterbitkan onnx-community di Hugging Face, dijalankan dengan pustaka transformers.js (Apache-2.0). OpenAI merilis kode dan bobot Whisper dengan lisensi MIT.

› Berapa besar unduhannya dan berapa lama?

Sekitar 40 MB untuk Tiny, 80 MB untuk Base, dan 250 MB untuk Small (sedikit lebih besar di WebGPU karena encoder memakai presisi penuh). Diunduh sekali lalu disimpan di cache browser. Kecepatan tergantung perangkat: dengan WebGPU, Base biasanya beberapa kali lebih cepat dari waktu nyata; dengan WebAssembly bisa mendekati waktu nyata.

› Bahasa apa saja yang didukung?

Whisper mengenali sekitar 99 bahasa, dan daftar pilihan berisi yang paling umum, termasuk Indonesia, Inggris, Melayu, Mandarin, Jepang, Korea, dan Spanyol. Akurasi terbaik untuk bahasa Inggris dan bahasa yang banyak penuturnya, lalu menurun untuk bahasa yang lebih jarang, terutama pada Tiny dan Base. Deteksi otomatis mendengarkan 30 detik pertama; pilih bahasanya sendiri jika rekaman diawali musik atau bahasa lain.

› Bisakah membuat subtitle atau membedakan pembicara?

Bisa membuat subtitle SRT dan WebVTT dengan stempel waktu per segmen yang dapat dimuat ke YouTube, VLC, atau editor video. Alat ini tidak membedakan pembicara, dan stempel waktunya per frasa, bukan per kata.