Mesin

Audiotext mentranskripsi dengan salah satu dari tiga mesin, yang dipilih di kartu Mesin pada pengaturan transkripsi.

	WhisperX	Whisper API	Google API
Berjalan di	Komputer Anda	Server OpenAI	Server Google
Internet	Hanya untuk mengunduh model	Diperlukan	Diperlukan
Biaya	Gratis, tanpa batas	Berbayar	Tingkat gratis (60 menit/bulan), atau berbayar dengan kunci API
Mendeteksi bahasa	✓	✓	✗
Menerjemahkan	✓	✓	✗
Stempel waktu	✓	Tergantung model	✗
Mengidentifikasi pembicara	✓ (token Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Waktu per kata	✓	`whisper-1`	✗
Teks langsung	✓	✗	✗
Kata dengan keyakinan rendah	✓ (waktu per kata)	`whisper-1` (segmen)	✗

WhisperX

WhisperX adalah implementasi cepat Whisper dari OpenAI yang berjalan di komputer Anda, sehingga audio Anda tidak pernah meninggalkannya. Ia berjalan di CPU atau, jauh lebih cepat, di GPU NVIDIA dengan CUDA atau di GPU Mac dengan Apple Silicon.

Model

Model yang lebih besar lebih akurat, tetapi lebih lambat dan menggunakan lebih banyak memori. Model diunduh saat pertama kali digunakan.

Model	Parameter	VRAM yang diperlukan
`tiny`, `tiny.en`	39 M	~1 GB
`base`, `base.en`	74 M	~1 GB
`small`, `small.en`	244 M	~2 GB
`distil-small.en`	166 M	~2 GB
`medium`, `medium.en`	769 M	~5 GB
`distil-medium.en`	394 M	~3 GB
`large-v1`, `large-v2`, `large-v3`	1550 M	<8 GB
`large-v3-turbo`	809 M	~6 GB
`distil-large-v2`, `distil-large-v3`, `distil-large-v3.5`	756 M	~5 GB

large-v2 adalah bawaan, karena large-v3 lebih sering berhalusinasi dan mengulang teks, terutama dalam beberapa bahasa seperti bahasa Jepang, dan lebih banyak melewatkan tanda baca.
large-v3-turbo adalah versi ringkas dari large-v3, jauh lebih cepat dan hampir sama akuratnya.
Model yang berakhiran .en (tiny.en, base.en, small.en, medium.en) dan model distilasi (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) hanya mentranskripsi bahasa Inggris. Model ini lebih cepat daripada model multibahasa dengan ukuran yang sama.

Di Mac

Di Mac dengan Apple Silicon, MLX Whisper mentranskripsi di GPU, jauh lebih cepat daripada di CPU. Setelah itu WhisperX menyelaraskan kata dan mengidentifikasi pembicara di CPU, seperti biasa, sehingga transkripsi tetap memiliki waktu per kata, nilai, dan pembicaranya.

Versi MLX dari model diunduh saat pertama kali digunakan.
distil-small.en, distil-large-v2, dan distil-large-v3.5 tidak memiliki versi MLX, sehingga berjalan di CPU.
Teks langsung selalu berjalan di CPU.
Jenis komputasi dan Ukuran batch tidak berlaku di GPU, karena MLX selalu menghitung dengan presisi setengah dan tanpa batch.
Untuk mentranskripsi di CPU, aktifkan Gunakan CPU di Preferensi → Transkripsi.

Opsi lanjutan

Opsi ini ada di Preferensi → Transkripsi → WhisperX. Ubah hanya jika Anda mengalami masalah atau tahu apa yang Anda lakukan: GPU yang kehabisan memori dapat membuat sistem Anda macet.

Jenis komputasi: presisi angka model. float16 lebih cepat di GPU NVIDIA (bawaan dengan CUDA). int8 menggunakan lebih sedikit memori dan menjadi bawaan di CPU, karena banyak CPU tidak mendukung float16 secara efisien. float32 paling presisi, untuk GPU dengan VRAM lebih dari 8 GB.
Ukuran batch: berapa banyak bagian audio yang diproses sekaligus (8 secara bawaan). Tidak memengaruhi kualitas, hanya kecepatan. Turunkan jika memori habis; disarankan maksimal 16.
Gunakan CPU: menjalankan WhisperX di CPU. Selalu aktif jika tidak ditemukan GPU (GPU NVIDIA dengan CUDA, atau GPU Mac dengan Apple Silicon).

Whisper API

Menggunakan API ucapan-ke-teks OpenAI. Ditujukan untuk komputer yang tidak dapat menjalankan WhisperX dengan lancar, dan memerlukan kunci API OpenAI (lihat Kunci API).

Model	Stempel waktu	Pembicara	Catatan
`whisper-1` (bawaan)	✓	✗	Dapat diputar per segmen dan dibuatkan subtitle. Menerjemahkan ke bahasa Inggris. Menilai setiap segmen, untuk meninjau yang keyakinannya rendah.
`gpt-transcribe`	✗	✗	Lebih akurat, tetapi tanpa stempel waktu.
`gpt-4o-transcribe-diarize`	✓	✓	Mengidentifikasi pembicara. Tidak menggunakan kata kunci maupun deskripsi.

Terjemahan ke bahasa Inggris selalu dibuat oleh whisper-1, karena hanya model itu yang menerjemahkan.

Audio yang panjang dibagi menjadi potongan hingga 10 menit, dipotong pada jeda hening agar tidak ada kata yang terpotong, karena API menolak file yang lebih besar dari 25 MB. Dengan whisper-1, akhir setiap potongan diberikan sebagai konteks ke potongan berikutnya; dengan gpt-4o-transcribe-diarize, sampel suara setiap pembicara dikirim bersama potongan berikutnya agar labelnya tetap sama.

Opsi

Format respons (kartu Keluaran, untuk folder): text (bawaan), json, verbose_json, srt, atau vtt. Subtitle dan verbose_json memerlukan model dengan stempel waktu.
Temperatur (Preferensi → Transkripsi): antara 0 dan 1. Nilai tinggi seperti 0,8 membuat hasil lebih acak, dan nilai rendah seperti 0,2 lebih terfokus. Dengan 0 (bawaan), model menaikkannya secara otomatis bila diperlukan.
Stempel waktu kata (Preferensi → Transkripsi): apakah whisper-1 juga mengembalikan stempel waktu setiap kata, untuk menyorotnya saat diputar. Memerlukan waktu lebih lama. Aktif secara bawaan.

Google API

Menggunakan Google Speech-to-Text API. API ini tidak memberi tanda baca (Audiotext yang menambahkannya), dan kualitasnya lebih rendah daripada Whisper, sehingga transkripsi sering kali perlu dikoreksi. API ini tidak dapat mendeteksi bahasa maupun menerjemahkan, dan mengembalikan teks biasa tanpa stempel waktu.

Tanpa kunci API, tingkat gratis digunakan, dibatasi 60 menit per bulan. Untuk memperluasnya, atur kunci Google API. Google mengenakan biaya atas penggunaannya, dan Audiotext tidak bertanggung jawab atas hal itu.