Audio ke Teks — Gratis, Privat, di Browsermu

Saat kamu memuat halaman ini, belum ada model yang diunduh — halaman tetap ringan. Begitu kamu memilih file dan memulai, alat ini mengambil model pengenalan suara dan menjalankannya di dalam sebuah worker latar di browsermu, memakai GPU perangkatmu lewat WebGPU bila tersedia dan beralih ke jalur CPU (WASM) pada browser yang membutuhkannya, seperti Safari.

Audio didekode jadi sampel mentah, dipecah menjadi potongan yang mudah dikelola untuk rekaman panjang, lalu dilewatkan ke model untuk menghasilkan teks dengan waktu. Semua komputasi itu terjadi pada perangkat kerasmu. Percobaan pertama sebuah model mencakup unduhan satu kali; sesudah itu model tersimpan di cache, jadi transkripsi ulang mulai nyaris seketika bahkan offline.

Ada trade-off nyata antara seberapa cepat transkrip kembali dan seberapa akurat ia, jadi alat ini menawarkan tier alih-alih menebak untukmu:

• Cepat (~40MB): terunduh dalam hitungan detik, berjalan baik di ponsel dan laptop sederhana, dan cukup untuk ucapan jernih serta draf cepat.
• Seimbang: unduhan lebih besar dengan penanganan aksen, suara bersahutan, dan derau latar yang jelas lebih baik — default yang bagus untuk wawancara dan rapat.
• Kualitas (~530MB, opt-in): tier paling akurat, sepadan dengan unduhan satu kali yang lebih besar saat kualitas transkrip lebih penting ketimbang kecepatan. Ini opt-in justru karena setengah gigabyte bukan sesuatu yang diunduh diam-diam.

Karena semuanya berjalan secara lokal, mesin yang lebih cepat sekadar selesai lebih awal — tidak ada antrean dan tidak ada batas per menit.

Model ini mendukung sekitar 100 bahasa dan mendeteksi bahasa ucapan secara otomatis, jadi kamu bisa menjatuhkan audio dalam bahasa Prancis, Hindi, Spanyol, atau Arab tanpa mengubah pengaturan. Kalau deteksi sesekali salah tebak pada klip pendek atau berderau, kamu bisa menyetel bahasanya secara manual.

Setiap transkrip disertai timestamp, dan itulah yang membuat ekspor subtitle berguna. Simpan sebagai SRT atau VTT dan kamu mendapat cue takarir dengan waktu yang pas, siap untuk editor video, YouTube, atau pemutar. Simpan sebagai TXT saat kamu cuma mau kata-katanya — transkrip wawancara, notulen rapat, atau salinan kuliah yang bisa dicari. Format subtitle dan teks polos semuanya berasal dari hasil bertimestamp yang sama, jadi kamu bisa mengekspor lebih dari satu tanpa menjalankan ulang apa pun.

Ia dibuat untuk pekerjaan sehari-hari yang benar-benar perlu dituntaskan orang: mengubah wawancara dan podcast jadi teks yang bisa dicari, menyusun notulen rapat dari rekaman, memberi takarir pada video, mentranskrip voice note, atau membuat arsip audio lama bisa dibaca dan dikutip.

Ia bukan alat dikte langsung — kamu mentranskrip file yang sudah kamu miliki, bukan mikrofon secara real time. Dan karena model berjalan di perangkatmu, rekaman yang teramat panjang akan lebih lama pada mesin yang lebih lambat dan memakai lebih banyak memori. Untuk kebanyakan file itu bukan masalah; untuk audio berjam-jam, laptop menanganinya lebih nyaman ketimbang ponsel.