Cara Kerja Speech Recognition di Artikulasi: Suara ke Teks

Speech to text adalah proses mengubah ucapan jadi tulisan

Speech recognition (pengenalan ucapan) adalah kemampuan komputer mengenali kata di dalam rekaman suara. Speech to text adalah hasil praktisnya: kamu bicara, lalu yang keluar berupa tulisan. Secara garis besar, prosesnya punya tiga tahap.

Mendengar

Suara diubah jadi pola bunyi

Mikrofon merekam gelombang suara. Model memotongnya jadi bagian pendek dan membaca pola bunyinya, bukan hurufnya.

Menebak kata

Pola bunyi ditebak jadi kata

Model yang sudah belajar dari banyak rekaman beserta teksnya memilih urutan kata yang paling mungkin. Karena menebak, model bisa salah dengar, terutama pada nama dan istilah.

Merapikan

Teks mentah dirapikan

Hasil mentah sering masih berisi kata pengisi, ralat, dan tanda baca yang kurang. Tahap ini yang membuat hasil dikte suara ke teks enak dibaca.

Dikte langsung, bukan transkrip file

Artikulasi mendengar saat kamu bicara

Artikulasi dibuat untuk dikte langsung: kamu bicara, teksnya masuk ke aplikasi yang sedang kamu pakai. Artikulasi tidak dibuat untuk mentranskrip file rekaman rapat atau wawancara.

Beda dikte langsung dan transkrip rekaman

Kenapa Bahasa Indonesia lebih sulit

Data latihnya lebih rapi dari cara kita bicara

Di makalah Whisper dari OpenAI, model large-v2 salah sekitar 7,1% kata untuk Bahasa Indonesia pada tolok ukur FLEURS, dibanding 4,2% untuk bahasa Inggris (tanda baca tidak ikut dinilai). Peneliti ASR Indonesia juga mencatat data suara kita didominasi ucapan yang dibacakan, formal, dan bersih, sementara nama, homofon, istilah, dan campur kode dengan bahasa Inggris tetap sering keliru. Semuanya ada di daftar sumber.

Kenapa campur kode sering bikin alat dikte keliru

Dari tombol ditahan sampai teks di kursor

Begini urutannya di versi yang sedang kami uji. Setelah tombol dilepas, tiga langkah terakhir selesai dalam sekitar satu detik (angkanya ada di bagian seberapa cepat).

Tahan tombol dan bicara

Taruh kursor di kolom teks mana pun, tahan Ctrl + Alt (bisa diubah), lalu bicara seperti biasa. Kamu tidak perlu mengucapkan "titik" atau "koma". Tekan Esc kalau mau batal. Rekaman yang hampir senyap tidak dikirim, karena di uji kami Whisper mengarang kalimat seperti "Terima kasih telah menonton!" dari keheningan.
Audio terkirim terenkripsi ke server Artikulasi

Begitu tombol dilepas, rekaman dikompres lalu dikirim lewat koneksi terenkripsi (HTTPS) ke server Artikulasi, bersama istilah dari Kamus-mu dan gaya tulisan untuk jenis aplikasi yang sedang aktif. Server Artikulasi meneruskan audio ke Groq, perusahaan Amerika Serikat, di pusat data AS atau negara lain tempat Groq beroperasi. Server Artikulasi tidak menyimpan audio maupun teksnya.
Whisper mendengar, model bahasa merapikan

Whisper large-v3 mengubah suara jadi teks mentah dengan Bahasa Indonesia sebagai bahasa dasar dan istilah Kamus sebagai petunjuk ejaan. Lalu model bahasa membuang kata pengisi, menambah tanda baca, dan membereskan ralat, dengan instruksi untuk tidak mengganti gaya bahasamu. "Nonton" tetap "nonton", "deadline-nya" tetap "deadline-nya".
Teks ditempel di posisi kursor

Artikulasi menaruh teksnya di clipboard, menekan Ctrl + V untukmu, lalu mengembalikan isi clipboard sebelumnya. Teksnya dirancang masuk ke aplikasi apa pun yang punya kursor, seperti Gmail, WhatsApp, Word, atau VS Code, seperti hasil ketikan. Kalau penempelan gagal, teksnya tetap ada di clipboard dan kamu diberi tahu.

Yang dikerjakan model perapi, dan yang tidak

Ini contoh nyata dari uji internal kami. Teks mentah berikut kami masukkan ke tahap perapian, lalu keluarannya kami tampilkan apa adanya.

Teks mentah yang masuk

eh jadi gini pak, besok ~~itu~~ meeting-nya kita majuin jam sembilan aja ya soalnya ~~anu~~ klien-nya minta deadline-nya ~~dipercepat, eh maksudnya~~ dipercepat dua hari

Keluaran model perapi (qwen3.8-27b, 236 ms)

Jadi gini, Pak, besok meeting-nya kita majuin jam sembilan aja ya, soalnya klien-nya minta deadline-nya dipercepat dua hari

eh, itu, anu
Kata pengisi dan ralat dibuang
"Dipercepat, eh maksudnya dipercepat dua hari" jadi "dipercepat dua hari". Yang tersisa adalah maksud akhirmu.
pak → Pak
Tanda baca dan huruf kapital ditambah
Koma dan kapital ditambahkan. Gaya formal pun hanya mengatur tanda baca, bukan pilihan kata.
majuin, aja, deadline-nya
Gaya santai dan bahasa campuran tetap
Kata santai tidak diganti kata baku, dan istilah Inggris berakhiran -nya tidak diterjemahkan paksa.

Uji internal, 30 September 2026: kalimat uji tertulis dimasukkan langsung ke tahap perapian dengan instruksi perapi versi 2. Di uji yang sama, "cek aja", "nonton", "gue", dan "googling aja" tetap utuh di 6 dari 6 percobaan gaya formal. Model perapi hanya melihat teks, jadi salah dengar dari tahap sebelumnya tidak bisa ia perbaiki. Untuk itu ada Kamus.

Kenapa nama dan istilah kadang salah dengar, dan bagaimana Kamus membantu

Whisper menebak dari bunyi. Nama klub, merek lokal, atau nama produkmu mungkin jarang muncul di data latihnya, jadi tebakannya meleset ke kata yang bunyinya mirip. Di uji internal kami, whisper-large-v3 menulis "Siti VS Emu" untuk "Man City vs MU", dan whisper-large-v3-turbo menulis "KASIRNISIA" untuk nama produk "Kasirnesia".

Kamus memberi petunjuk di dua tempat: istilahmu dikirim ke Whisper sebagai petunjuk ejaan, lalu ke model perapi sebagai daftar kata yang ejaannya harus diikuti. Setelah kedua nama tadi masuk Kamus, keduanya tertulis benar.

Uji internal, 30 September 2026: 6 klip rekaman layar (7 sampai 40 detik), satu penutur. Masih kecil, dan kami menyebutnya begitu.

Fitur Kamus dan Snippet di Artikulasi

Apa yang terjadi pada suaramu

Diproses untuk jadi teks, tidak disimpan di server kami

Suara dan teksmu diproses oleh Groq, perusahaan Amerika Serikat, di pusat data AS atau negara lain tempat Groq beroperasi, supaya bisa diubah jadi teks. Artinya, suaramu memang diproses di luar Indonesia.

Server Artikulasi tidak menyimpan audio maupun teks. Yang dicatat hanya jenis permintaan, kode status, durasi, dan ukuran.
Riwayat diktean dirancang tersimpan di laptopmu sendiri, dan bisa kamu matikan atau hapus.
Kunci akses ke Groq hanya ada di server kami, tidak pernah ditaruh di laptop pengguna.

Apa saja yang dikirim, diproses, dan disimpan

Kenapa butuh internet

Model pengenal suara dan model perapi yang kami pakai berjalan di server Groq, perusahaan Amerika Serikat, di pusat data AS atau negara lain tempat Groq beroperasi, bukan di laptopmu. Tanpa internet, tidak ada yang bisa mengubah suaramu jadi teks.

Kalau koneksi putus

Diktean tidak boleh hilang

Aplikasinya dirancang memberi pesan yang jelas dan menyimpan rekamanmu di laptop supaya bisa dicoba ulang begitu koneksi kembali. Mode offline belum ada dalam rencana peluncuran.

Kenapa lewat server kami dulu

Supaya semua pengguna bisa tersambung

Di uji kami, Groq menolak koneksi dari sebuah penyedia internet rumahan di Yogyakarta, sementara server kami tersambung normal. Jadi aplikasi tidak pernah memanggil Groq langsung. Semua lewat server Artikulasi, yang juga menjaga kunci akses tetap di satu tempat.

Model yang dipakai

Artikulasi dibuat di Indonesia di atas model pihak ketiga. Kami tidak melatih model pengenal suara sendiri. Yang kami bangun adalah alurnya: tombol, pengiriman, Kamus, instruksi perapian yang menjaga gaya bahasamu, dan penempelan di kursor.

Model yang dipakai Artikulasi per tahap, per 30 September 2026
Tahap	Kualitas penuh	Cadangan otomatis	Mode hemat (rencana paket Gratis)
Suara ke teks	whisper-large-v3	whisper-large-v3-turbo	whisper-large-v3-turbo
Perapian	qwen/qwen3.8-27b	openai/gpt-oss-120b	openai/gpt-oss-20b

Geser tabel ke samping untuk melihat semua kolom.

Nama model per 30 September 2026, semuanya dijalankan lewat Groq. Nama bisa berubah karena penyedia bisa mengganti atau menghentikan model. Menurut kartu modelnya di Hugging Face, whisper-large-v3 mengurangi kesalahan 10 sampai 20% dibanding large-v2 di banyak bahasa, tanpa angka khusus Bahasa Indonesia. Mode hemat lebih ringan: di uji kami, model turbo lebih sering melewatkan tanda baca dan salah mengeja nama. Rencana harga paket Gratis dan Pro masih bisa berubah sebelum peluncuran.

Seberapa cepat

Kami mengukur waktu dari tombol dilepas sampai teks tertempel. Target kami: 9 dari 10 dikte (p90) selesai di bawah 1,5 detik.

Median (p50), kualitas penuh

0,9 detik

Separuh dikte tertempel dalam waktu ini atau lebih cepat.

p90, kualitas penuh

1,1 detik

9 dari 10 dikte tertempel dalam waktu ini, dengan whisper-large-v3 dan qwen/qwen3.8-27b.

p90, saat perapi cadangan dipakai

1,6 detik

Setelah jatah harian model perapi utama habis, perapian pindah ke openai/gpt-oss-120b dan waktunya naik melewati target.

Uji internal, 30 September 2026: 20 dikte per putaran, klip rekaman 7 sampai 14 detik, ditempel ke Notepad di laptop Windows. Angka dari putaran sebelum dan sesudah jatah harian perapi utama habis di hari yang sama. Kecepatan di laptop dan koneksimu bisa berbeda.

Batasan yang perlu kamu tahu

Lebih baik kamu tahu sekarang daripada kecewa saat mencoba.

Perangkat

Windows dulu

Artikulasi sedang disiapkan untuk Windows. Versi Mac belum direncanakan.

Koneksi

Selalu butuh internet

Setiap dikte diproses di server. Tanpa koneksi, suaramu belum bisa jadi teks.

Jenis tugas

Dikte langsung saja

Bukan untuk mentranskrip file rekaman rapat, wawancara, atau video.

Penempelan

Aplikasi mode Administrator

Teks belum bisa ditempel ke aplikasi yang dijalankan sebagai Administrator, kecuali Artikulasi juga dijalankan begitu.

Bukti kualitas

Ujinya masih kecil

Angka di halaman ini dari uji internal dengan satu penutur. Kami belum punya perbandingan akurasi dengan alat lain yang layak dipublikasikan.

Salah dengar

Tetap baca sebelum kirim

Kamus mengurangi salah dengar pada nama dan istilah, tapi tidak menghapusnya. Kata yang bunyinya mirip masih bisa tertukar.

Bacaan lanjutan

Code switching dan kenapa alat dikte sering keliru

Contoh campur kode sehari-hari dan kenapa kalimat seperti "deadline-nya dipercepat" sulit untuk mesin.

Alternatif Wispr Flow untuk Bahasa Indonesia

Perbandingan jujur soal harga, paket gratis, dan aturan satu bahasa per dikte. Artikulasi juga membaca satu dikte sebagai Bahasa Indonesia; bedanya di cara teksnya dirapikan.

Cara mengetik dengan suara di laptop Windows

Pilihan yang sudah ada hari ini, lengkap dengan kelebihan dan batasannya.

Vibe coding dengan suara

Mendikte prompt campur Indonesia dan Inggris ke Claude, Cursor, atau VS Code.

Fitur aplikasi mengetik dengan suara

Kamus, Snippet, gaya per aplikasi, dan fitur lain yang disiapkan untuk peluncuran.

Pertanyaan yang sering muncul

Jawaban singkat soal harga, privasi, dan kapan Artikulasi bisa dipakai.

Sumber

Alec Radford dkk. (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision, arXiv 2212.04356, 6 Desember 2022. Tabel 13 (WER pada FLEURS) dan Lampiran C (normalisasi teks). Dibuka 30 September 2026.
OpenAI, kartu model whisper-large-v3 di Hugging Face. Dibuka 30 September 2026.
Aulia Adila dkk., Enhancing Indonesian Automatic Speech Recognition: Evaluating Multilingual Models with Diverse Speech Variabilities, arXiv 2410.08828v2, 14 Oktober 2024. Dibuka 30 September 2026.
Groq, Privacy Policy: "Groq is located in the United States, and maintains processing operations in various global jurisdictions". Dibuka 30 September 2026.
Uji internal Artikulasi, 30 September 2026: perbandingan model, uji instruksi perapian, dan uji latensi aplikasi desktop. Data mentah tidak dipublikasikan.

Cara kerja speech recognition di Artikulasi