Kalian pasti pernah berada di posisi ini: mencoba fitur *speech-to-text* saat terburu-buru, lalu hasilnya malah berantakan hanya karena kalian sempat mengucapkan kata "anu", tersedak hening, atau merevisi kalimat di tengah jalan. Kebanyakan alat konversi suara ke teks konvensional memang gampang tersedak saat dihadapkan pada *background noise*, jargun teknis yang rumit, hingga kebiasaan bicara manusia yang sering tidak teratur. Melihat masalah kronis ini, Google meluncurkan **Gemini 3.5 Transcribe: Speech-to-Text AI Baru dari Google** yang diklaim siap mengubah total cara kita berinteraksi dengan audio lewat kecerdasan kontekstual dan pembersihan teks secara *real-time*.

Ini bukan sekadar model pemroses suara yang menelan audio lalu menumpahkan string kata mentah. Google merancang model ini agar paham niat (*intent*) pengguna, mampu membersihkan *filler words*, hingga menjalankan perintah kompleks ke model AI lainnya.

## Bukan Sekadar Dikte Biasa: Mengeliminasi "Um", "Ah", dan Koreksi Otomatis

Masalah terbesar dari model *speech-to-text* generasi lama adalah kepolosannya. Jika kalian mengucapkan "kita ketemu hari Selasa, eh bukan, Rabu", model lama akan mengetik seluruh kalimat salah tersebut secara harfiah. 

Di sinilah letak lompatan dari model baru ini. Melalui fitur seperti **Rambler** yang disematkan di Android, model ini secara cerdas melakukan koreksi mandiri (*self-correction*). Jika pembicara meralat ucapannya, sistem langsung menyesuaikan output teks menjadi rapi tanpa menyisakan potongan draf yang salah. Kata-kata pengisi seperti "um" atau "ah" otomatis dibuang, sementara format teks langsung dirapikan di tempat.

Lebih jauh lagi, model ini dibekali fitur *custom vocabulary*. Bagi pengembang atau profesional yang berurusan dengan *alphanumeric entities* yang rewel seperti kode pos, ID pesanan, hingga istilah jargon industri medis dan teknologi, model ini mampu beradaptasi agar tidak salah mengeja kata-kata unik tersebut.

## Performa Spesifikasi: Lompatan Jauh dari Chirp 3

Jika bicara soal angka, klaim performa yang dibawakan model ini tidak main-main. Berdasarkan pengujian **Artificial Analysis**, model ini mampu menembus angka **Word Error Rate (WER)** hingga 4.0% untuk skenario *streaming* dan 2.6% untuk skenario *non-streaming*.

Jika dibandingkan dengan model generasi sebelumnya dari Google, yaitu **Chirp 3**, ada peningkatan dramatis dari sisi *latency*. Waktu yang dibutuhkan hingga hasil transkripsi final keluar (*time to final transcription*) dipangkas hingga 70%. Sementara pada pengujian *benchmark* **FLEURS** di berbagai bahasa utama, model ini berhasil mencetak WER 5.50% pada mode *streaming* dan 5.04% pada mode *non-streaming*.

Berikut adalah perbandingan ringkas spesifikasi teknis dan mode operasional yang ditawarkan:

| Parameter / Fitur | Mode Streaming Live | Mode Pemrosesan Rekaman |
| :--- | :--- | :--- |
| **Endpoint API** | `gemini-3.5-transcribe-live` | `gemini-3.5-transcribe` |
| **Karakteristik Latency** | *Sub-second latency* (interaktif) | Berfokus pada presisi dan konteks mendalam |
| **WER (Artificial Analysis)** | 4.0% | 2.6% |
| **WER (FLEURS Benchmark)** | 5.50% | 5.04% |
| **Atribusi Pembicara** | Fokus pada streaming satu/dua arah | Hingga 3 pembicara (3+ eksperimental) |
| **Fitur Detail Teks** | Pembersihan disfluensi *real-time* | *Word-level timestamps* & log panggilan |

Model ini juga membawa dukungan bahasa global yang luas, mencakup lebih dari 85 bahasa secara otomatis, lengkap dengan pemahaman terhadap aksen regional maupun perpindahan bahasa secara langsung (*live language switches*).

## Dua Varian API untuk Workflow Developer

Bagi para *developer* yang ingin mengintegrasikan kemampuan ini ke dalam aplikasi mereka, Google menyediakan dua pintu masuk utama melalui **Gemini API** di **Google AI Studio** dan **Gemini Enterprise Agent Platform**.

Pertama, ada API `gemini-3.5-transcribe-live`. Pintu ini dirancang untuk aplikasi interaktif yang membutuhkan komunikasi dua arah tanpa jeda. Dengannya, pembuatan *voice agent*, alat kation otomatis secara *real-time*, hingga platform perpesanan suara bisa berjalan mulus. Platform seperti **Livekit** bahkan sudah memanfaatkan infrastruktur ini untuk mempermudah pengembang membangun antarmuka berbasis suara.

Kedua, ada API `gemini-3.5-transcribe` untuk pemrosesan file audio rekaman. Pintu ini sangat cocok untuk pipeline analisis pasca-panggilan, riset, hingga rekap rapat. Kelebihannya terletak pada *word-level timestamps* dan pengenalan atribusi pembicara (*speaker attribution*) yang presisi.

## Ekosistem Google: Dari Vibe Coding sampai Antigravity

Integrasi model ini tidak berhenti di tataran API untuk pengembang saja. Google langsung menyuntikkannya ke dalam berbagai lini produk harian mereka.

Di platform **Google Antigravity**, model ini memanfaatkan konteks layar (*screen context*) dan riwayat *chat* untuk menangkap nama file, ide agen, hingga dokumen aktif. Ini memungkinkan developer melakukan *vibe coding* atau menyusun draf aplikasi secara langsung cukup dengan perintah suara.

Di lingkungan **macOS** melalui aplikasi Gemini, model ini bahkan mampu melakukan delegasi tugas (*function calls*) ke model AI Gemini lainnya. Jadi, sewaktu kalian berbicara, sistem tidak cuma mengetik, tapi bisa diperintah untuk merangkum file lokal, memindahkan teks antar aplikasi, hingga membuat gambar secara instan di area kursor.

Umpan balik dari pemain industri seperti **Vivo**, **Intellitek Health**, dan **Lingopal** juga mengonfirmasi bahwa keunggulan *latency*, akurasi jargon, dan dukungan multi-bahasa dari model ini memberikan dorongan performa yang signifikan untuk produk mereka.

Langkah Google merilis model ini menegaskan satu hal: interaksi suara tidak boleh lagi terasa canggung. Dengan pemangkasan *latency* yang agresif serta kemampuan memahami konteks pembicaraan manusia yang berantakan, dikte suara kini berpotensi menjadi opsi utama navigasi digital, bukan sekadar fitur pelengkap yang dihindari.

## Referensi
- https://arstechnica.com/ai/2026-08/google-announces-gemini-3-5-transcribe-for-ai-powered-speech-to-text/
- https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/

Google meluncurkan Gemini 3.5 Transcribe dengan Latency Sub-Second dan Word Error Rate super rendah. Simak analisis mendalam fitur dan kinerjanya di sini.

Google Rilis Gemini 3.5 Transcribe: Bye-Bye Mengetik Manual dan Transkripsi Belepotan?

Reggi

Di dunia teknologi suara yang terus berkembang, muncullah pemain baru yang mengubah cara kita berinteraksi dengan AI suara. Perkenalkan **Voicebox: A Multi-lingual Text-to-Speech Model**, sebuah studio suara AI sumber terbuka yang beroperasi secara lokal di mesin Anda. Aplikasi ini menawarkan alternatif gratis untuk layanan seperti ElevenLabs dan WisprFlow, menggabungkan kemampuan input dan output suara dalam satu paket.

## Apa itu Voicebox?

Voicebox adalah studio suara AI **lokal-first** yang berarti semua model, data suara, dan rekaman tetap berada di mesin Anda. Ini memastikan privasi lengkap. Anda dapat mengkloning suara hanya dari beberapa detik audio, lalu menghasilkan ucapan dalam 23 bahasa menggunakan tujuh mesin Text-to-Speech (TTS) berbeda. Aplikasi ini juga memungkinkan Anda mendikte ke bidang teks mana pun dengan hotkey global, serta memberikan suara pilihan Anda kepada agen AI yang kompatibel.

Voicebox mengambil peran yang biasanya dipegang oleh dua layanan cloud terpisah. ElevenLabs fokus pada output suara, sementara WisprFlow mengelola input. Voicebox menggabungkan keduanya, menjembataninya dengan LLM lokal untuk penyempurnaan dan persona per-profil, semuanya berjalan di komputer Anda.

## Fitur Unggulan Voicebox

Voicebox menghadirkan berbagai fitur canggih yang meningkatkan kemampuan Anda dalam mengelola suara digital:

### Kloning Suara Multi-Mesin dan Banyak Bahasa

Voicebox menyediakan tujuh mesin TTS, masing-masing dengan keunggulan tersendiri, yang dapat Anda gunakan sesuai kebutuhan. Aplikasi ini mendukung kloning suara zero-shot dari sampel referensi, dan menawarkan lebih dari 50 suara preset yang dikurasi melalui Kokoro serta Qwen CustomVoice. Anda juga dapat menghasilkan ucapan dalam 23 bahasa, mulai dari Inggris hingga Arab, Jepang, Hindi, dan Swahili.

Berikut adalah detail dari beberapa mesin TTS yang tersedia:

| Mesin                  | Bahasa      | Keunggulan                                                                                                                                              |
| :--------------------- | :---------- | :------------------------------------------------------------------------------------------------------------------------------------------------------ |
| Qwen3-TTS              | 10          | Kloning multibahasa berkualitas tinggi, instruksi pengiriman ("speak slowly", "whisper")                                                                |
| Qwen CustomVoice       | 10          | 9 suara preset yang dikurasi dengan kontrol pengiriman bahasa alami, tidak memerlukan audio referensi                                                   |
| LuxTTS                 | Inggris     | Ringan (~1GB VRAM), output 48kHz, 150x realtime di CPU                                                                                                  |
| Chatterbox Multilingual| 23          | Cakupan bahasa terluas, termasuk Arab, Denmark, Finlandia, Yunani, Ibrani, Hindi, Melayu, Norwegia, Polandia, Swahili, Swedia, Turki, dan lainnya          |
| Chatterbox Turbo       | Inggris     | Model 350M cepat dengan tag emosi/suara paralinguistik                                                                                                  |
| TADA                   | 10          | Model bahasa ucapan HumeAI, audio koheren lebih dari 700 detik, penjajaran ganda teks-akustik                                                           |
| Kokoro                 | 8           | 50 suara preset yang dikurasi, model 82M kecil, inferensi CPU cepat                                                                                   |

Perlu diingat, hanya **Chatterbox Turbo** yang menginterpretasikan tag paralinguistik seperti `[laugh]` atau `[sigh]`. Mesin lain akan membacanya secara harfiah sebagai teks. Anda dapat menggunakan tanda `/` di input teks untuk menyisipkan tag ekspresif seperti `[chuckle]`, `[gasp]`, atau `[clear throat]`.

### Efek Suara Post-Processing

Voicebox dilengkapi dengan delapan efek audio yang ditenagai oleh pustaka `pedalboard` dari Spotify. Anda dapat menerapkan efek ini setelah generasi suara, mempratinjaunya secara real-time, dan membuat preset yang dapat digunakan kembali. Efek-efek ini juga dapat ditetapkan sebagai default per-profil.

Berikut adalah daftar efek yang tersedia:

| Efek                 | Deskripsi                                                        |
| :------------------- | :--------------------------------------------------------------- |
| Pitch Shift          | Mengubah nada naik atau turun hingga 12 semitone                 |
| Reverb               | Ukuran ruangan, redaman, campuran basah/kering yang dapat dikonfigurasi |
| Delay                | Gema dengan waktu, umpan balik, dan campuran yang dapat disesuaikan |
| Chorus / Flanger     | Penundaan yang dimodulasi untuk tekstur metalik atau mewah       |
| Compressor           | Kompresi rentang dinamis                                         |
| Gain                 | Penyesuaian volume (-40 hingga +40 dB)                           |
| High-Pass Filter     | Menghilangkan frekuensi rendah                                   |
| Low-Pass Filter      | Menghilangkan frekuensi tinggi                                   |

Aplikasi ini hadir dengan empat preset bawaan seperti Robotic, Radio, Echo Chamber, dan Deep Voice.

### Input & Output Suara Agen AI

Voicebox mengelola kedua sisi loop I/O suara. Anda dapat menggunakan **hotkey diktasi global** untuk berbicara, dan transkrip akan langsung ditempelkan ke bidang teks yang aktif (didukung di macOS). Fitur ini juga menyertakan LLM opsional untuk membersihkan "ums", gagap, dan permulaan yang salah sebelum ditempel.

Untuk **output suara agen AI**, agen yang mendukung Model Context Protocol (MCP) seperti Claude Code atau Cursor dapat berbicara kepada Anda menggunakan suara yang telah Anda kloning, cukup dengan satu panggilan `voicebox.speak`. Voicebox menampilkan "pill" di layar untuk menunjukkan status perekaman, transkripsi, penyempurnaan, atau berbicara, baik untuk diktasi maupun saat agen berbicara.

```jsx
// Dalam agen yang kompatibel dengan MCP:
await voicebox.speak({
  text: "Penyebaran telah selesai.",
  profile: "Morgan",
});
```

### Manajemen Suara dan Cerita

Voicebox memungkinkan Anda membuat profil suara dari file audio atau merekam langsung di aplikasi. Anda dapat mengelola profil dengan deskripsi dan tag bahasa, serta mengimpor atau mengekspornya. Fitur **Stories editor** menyediakan lini masa multi-track untuk menyusun percakapan, podcast, atau narasi, dengan kemampuan drag-and-drop, pemotongan, dan pembagian audio.

Setiap generasi suara mendukung beberapa versi: `Original` (output TTS bersih), `Effects versions` (rantai efek berbeda), `Takes` (regenerasi dengan seed baru untuk variasi), `Source tracking`, dan `Favorites`.

### Dukungan LLM Lokal & Privasi Penuh

Voicebox menawarkan **privasi lengkap**. Semua model, data suara, dan rekaman tetap berada di mesin Anda. Ini sangat penting untuk menjaga kerahasiaan. Voicebox menyertakan LLM Qwen3 lokal (0.6B / 1.7B / 4B) yang berbagi runtime dengan TTS dan STT. LLM ini mendukung fitur **Persona Suara**, di mana Anda dapat melampirkan kepribadian bebas ke profil suara mana pun. Ini memungkinkan Anda untuk `Compose` (menghasilkan baris dalam karakter) atau `Speak in character` (menulis ulang teks masukan melalui LLM persona sebelum TTS).

### Performa dan Kompatibilitas Lintas Platform

Voicebox dibangun dengan Tauri (Rust) untuk **performa asli**, bukan Electron. Ini memastikan pengalaman pengguna yang lebih cepat dan responsif. Aplikasi ini berjalan di berbagai platform dengan dukungan GPU yang luas:

| Platform               | Backend                | Catatan                                                              |
| :--------------------- | :--------------------- | :------------------------------------------------------------------- |
| macOS (Apple Silicon)  | MLX (Metal)            | 4-5x lebih cepat melalui Neural Engine                               |
| Windows / Linux (NVIDIA) | PyTorch (CUDA)         | Mengunduh biner CUDA secara otomatis dari dalam aplikasi               |
| Linux (AMD)            | PyTorch (ROCm)         | Mengonfigurasi HSA_OVERRIDE_GFX_VERSION secara otomatis               |
| Windows (GPU apa pun)  | DirectML               | Dukungan GPU Windows universal                                       |
| Intel Arc              | IPEX/XPU               | Akselerasi GPU diskrit Intel                                         |
| Apa pun                | CPU                    | Berfungsi di mana saja, tetapi lebih lambat                         |

Untuk fitur Speech-to-Text (STT), Voicebox menggunakan **OpenAI Whisper** (Base / Small / Medium / Large, serta Turbo yang sekitar 8x lebih cepat dari Whisper Large). STT ini berjalan di MLX (Apple Silicon) atau PyTorch (CUDA / ROCm / DirectML / CPU) tergantung platform Anda.

## Integrasi API dan MCP

Voicebox menyediakan **REST API** untuk mengintegrasikan I/O suara ke dalam aplikasi dan agen Anda sendiri. Ini memungkinkan pengembang untuk memanfaatkan fungsionalitas Voicebox secara terprogram.

```bash
# Menghasilkan ucapan
curl -X POST http://127.0.0.1:17493/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "Halo dunia", "profile_id": "abc123", "language": "en"}'

# Output suara agen ,  aplikasi atau skrip apa pun dapat berbicara dengan suara yang dikloning
curl -X POST http://127.0.0.1:17493/speak \
  -H "Content-Type: application/json" \
  -H "X-Voicebox-Client-Id: skrip-saya" \
  -d '{"text": "Penyebaran telah selesai.", "profile": "Morgan"}'

# Mentranskripsikan file audio
curl -X POST http://127.0.0.1:17493/transcribe \
  -F "audio=@rekaman.wav" \
  -F "model=whisper-turbo"
```

Voicebox juga dilengkapi server **Model Context Protocol (MCP)** bawaan. Ini memungkinkan agen yang kompatibel dengan MCP (seperti Claude Code, Cursor, Windsurf, Cline, atau ekstensi VS Code MCP) untuk berbicara, mentranskripsi, dan menjelajahi rekaman serta profil suara. Pengikatan suara per-klien dapat dikelola di pengaturan Voicebox.

## Melihat ke Masa Depan: Roadmap Voicebox

Pengembang Voicebox memiliki rencana ambisius untuk masa depan. Beberapa fitur yang ada di **roadmap** meliputi:

*   **Windows / Linux auto-paste**: Untuk paritas penempelan diktasi.
*   **Perluasan mesin STT**: Menambahkan Parakeet v3 dan Qwen3-ASR untuk cakupan bahasa yang lebih luas dan kualitas non-Inggris yang lebih baik.
*   **Routing pipeline**: Rantai sumber → transformasi → sink yang dapat dikonfigurasi.
*   **Transkripsi streaming**: `WebSocket /transcribe/stream` untuk transkripsi parsial saat Anda berbicara.
*   **LLM pidato ujung-ke-ujung**: Model seperti Moshi, GLM-4-Voice, Qwen2.5 Omni untuk suara-ke-suara tanpa teks perantara.
*   **Desain suara**: Membuat suara baru dari deskripsi teks.
*   **Perekaman jangka panjang**: Perekam dual-stream (mikrofon + audio sistem) dengan transformasi LLM ringkasan.
*   **Sinks platform**: Integrasi opt-in dengan Apple Notes, Obsidian, dan lainnya.
*   **Arsitektur plugin**: Memperluas dengan model, transformasi, dan sink kustom.
*   **Pendamping seluler**: Mengontrol Voicebox dari ponsel Anda.

## Memulai dengan Voicebox

Anda bisa mengunduh Voicebox untuk macOS, Windows, atau Docker langsung dari situs web mereka. Pengguna Linux saat ini perlu membangun dari sumber. Jika Anda seorang pengembang, Voicebox menawarkan alur kerja yang mudah untuk memulai:

```bash
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
just setup # membuat Python venv, menginstal semua dependensi
just dev   # memulai backend + aplikasi desktop
```

Pastikan Anda memiliki Bun, Rust, Python 3.11+, dan Xcode (di macOS) sebagai prasyarat.

Voicebox bukan hanya alat. Ini adalah ekosistem suara yang berjalan di mesin Anda, memberikan kekuatan kloning suara, sintesis multibahasa, diktasi, dan integrasi agen AI, semua dengan privasi penuh.

## Referensi
https://github.com/jamiepine/voicebox

Voicebox adalah studio suara AI lokal dan open-source yang memungkinkan Anda mengkloning suara, menghasilkan ucapan dalam 23 bahasa, mendikte teks, dan memberikan suara pada agen AI, semuanya berjalan di mesin Anda.

Voicebox: Studio Suara AI Lokal yang Multifungsi dan Multi-bahasa

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#speech-to-text

Getting Lastest Post..

Populer Bulan Ini