Mengubah sepuluh menit rekaman suara menjadi teks dalam hitungan detik terdengar berguna. Tetapi sebelum bertepuk tangan, kami ingin membaca hasilnya dulu.

Tether, perusahaan di balik stablecoin USDT, merilis model transkripsi audio bernama QVAC TranscribePsy. Pengembang bisa memakainya untuk membuat aplikasi yang mengolah rekaman langsung di perangkat, tanpa mengirim audio ke server di tempat lain.

Singkirkan kacamata pintar, robot humanoid, dan janji besar soal privasi. Yang tersisa dari pengumuman itu: perangkat lunak yang mengubah rekaman menjadi teks di perangkat Anda. Mencegah percakapan Anda berakhir di server orang lain memang kelebihan nyata. Tetapi itu tidak menjawab seberapa akurat hasil transkripsinya.

Kecepatan baru separuh cerita

Yang penting adalah seberapa banyak yang harus Anda koreksi sesudahnya. Rapat sungguhan jarang mengikuti naskah yang rapi. Orang berbicara kurang jelas, saling menyela, dan menyebut nama yang tidak umum. Salah menuliskan satu angka bisa lebih fatal daripada melewatkan sepuluh koma.

Tether memang menerbitkan hasil pengujian akurasi. Dalam pengujian perusahaan, model 25 bahasa mencatat tingkat kesalahan kata sebesar 8,02% pada Open ASR dan 21,56% pada Common Voice. Angka tersebut berasal dari kumpulan data berbeda, jadi jangan diperlakukan sebagai ukuran akurasi yang setara.

Angka-angka ini layak diperhatikan. Namun, angka itu tidak menunjukkan berapa banyak koreksi yang akan Anda lakukan pada transkrip rapat berikutnya. Kami belum menguji model ini secara independen. Jika teksnya perlu banyak perbaikan, pemrosesan yang lebih cepat hanya membuat Anda mulai mengoreksi lebih awal.

Apa sebenarnya arti angka 1,65 detik?

Tether mengklaim modelnya mentranskripsikan sepuluh menit audio dalam 1,65 detik di iPhone 17 Pro Max. Dokumentasi teknisnya memuat detail penting: hitungan itu tidak mencakup 12,7 detik untuk menyiapkan model dari kondisi belum aktif, yang disebut cold start.

Waktu persiapan ini tidak berulang pada setiap rekaman. Angka 1,65 detik mengacu pada pemrosesan setelah model siap, bukan seluruh waktu tunggu ketika model masih harus disiapkan. Itu juga hasil dari satu jenis ponsel, bukan janji untuk semua perangkat.

Transkripsi langsung belum tersedia

Di tengah segala pembicaraan tentang interaksi langsung, bagian tanya jawab dalam dokumentasi teknis resmi menyebutkan bahwa versi ini memproses rekaman atau ucapan setelah selesai. Pengenalan suara secara terus-menerus masih dikembangkan.

Versi yang siap digunakan di ponsel mendukung delapan bahasa. Model 25 bahasa, yang mencakup bahasa Rusia, adalah edisi terpisah untuk komputer dan server. Daftar bahasa yang lebih panjang itu tidak berlaku untuk versi ponsel yang tersedia.

Sekarang coba percakapan sungguhan

Ada yang layak dicoba di sini: model yang dapat diunduh, pemrosesan lokal, hasil pengujian yang diterbitkan, dan lisensi Apache 2.0 yang tercantum pada halaman model. Pengembang mendapat perangkat lunak yang benar-benar bisa dipakai.

Sekarang tinggal mengujinya pada percakapan dengan suara latar dan orang-orang yang saling menyela. Tampilkan transkripnya, hitung koreksinya, lalu bandingkan dengan alat lain menggunakan rekaman yang sama. Program transkripsi berguna ketika benar-benar mengurangi pekerjaan. Robotnya bisa menunggu.