 |
| Sumber Gambar : Talset |
Jogjaterkini.id - Meta memperkenalkan Muse Voice Transcribe, model kecerdasan buatan (AI) yang dirancang untuk mengubah percakapan suara menjadi teks secara real-time. Model ini menjadi bagian dari keluarga Muse Spark dan dikembangkan untuk menangani kebutuhan pemrosesan audio dengan latensi rendah.
Meta menyebut Muse Voice Transcribe sebagai model pertama perusahaan yang secara khusus dikembangkan untuk kemampuan “real-time audio perception”. Teknologi tersebut tidak hanya berfokus pada kecepatan transkripsi, tetapi juga dirancang untuk memahami percakapan dengan banyak pembicara dan penggunaan beberapa bahasa.
Muse Voice Transcribe Bisa Mengenali Lebih dari 20 Pembicara
Salah satu kemampuan yang ditonjolkan Meta adalah kapasitas Muse Voice Transcribe dalam mengenali lebih dari 20 pembicara dalam sebuah percakapan.
Model ini dilatih menggunakan data lebih dari 70 bahasa. Dari jumlah tersebut, sebanyak 25 bahasa telah melalui proses verifikasi secara ekstensif.
Kemampuan tersebut membuat Muse Voice Transcribe tidak hanya ditujukan untuk percakapan satu bahasa. Model ini juga dirancang untuk menangani situasi ketika pembicara menggunakan lebih dari satu bahasa dalam percakapan yang sama.
Misalnya, seseorang dapat berganti bahasa di tengah percakapan dan sistem tetap berupaya melakukan transkripsi tanpa harus menghentikan proses terlebih dahulu.
Selain itu, Muse Voice Transcribe dapat memproses percakapan dengan durasi lebih dari satu jam. Kemampuan ini menjadi penting untuk penggunaan yang membutuhkan transkripsi panjang, seperti rapat, diskusi, atau percakapan lainnya.
Hasil Pengujian Menunjukkan Tingkat Kesalahan Rendah
Meta juga mengklaim Muse Voice Transcribe memiliki performa kompetitif dibandingkan sejumlah model lain dalam pengujian transkripsi suara secara real-time.
Dalam benchmark AA-WER Streaming speech-to-text dari Artificial Analysis, Muse Voice Transcribe memperoleh word error rate (WER) sebesar 3,1 persen untuk percakapan berbahasa Inggris.
Angka tersebut lebih rendah dibandingkan beberapa model lain yang diuji, yakni Cartesia Ink-2 dengan WER 3,4 persen, ElevenLabs Scribe v2 Real-time sebesar 3,6 persen, GPT Live Transcribe sebesar 3,9 persen, serta Gemini 3.5 Transcribe Live sebesar 4 persen.
WER merupakan salah satu indikator untuk mengukur tingkat kesalahan ketika sistem mengubah ucapan menjadi teks. Semakin kecil nilainya, semakin sedikit kesalahan kata yang dihasilkan dalam proses transkripsi.
Namun, hasil tersebut perlu dilihat sesuai konteks pengujiannya. Benchmark yang disebutkan hanya mengukur kemampuan transkripsi dalam bahasa Inggris sehingga belum dapat digunakan untuk menggambarkan performa Muse Voice Transcribe pada seluruh bahasa yang didukung.
Dalam pengujian lain yang berkaitan dengan kemampuan mengenali pembicara, Muse Voice Transcribe mencatat tingkat kesalahan sebesar 17,5 persen pada sejumlah benchmark standar untuk penggunaan real-time.
Cara Kerja Muse Voice Transcribe
Muse Voice Transcribe menggunakan arsitektur multimodal autoregresif yang merupakan bagian dari keluarga model Muse Spark.
Sistem memproses audio dalam potongan berukuran 80 milidetik. Artinya, dalam satu detik terdapat sekitar 12,5 potongan audio yang diproses.
Setiap potongan kemudian dikompresi menjadi satu soft token. Pada setiap bagian audio tersebut, model menentukan apakah informasi yang diterima sudah cukup untuk menghasilkan token teks atau masih membutuhkan suara berikutnya sebagai konteks.
Jika informasi yang tersedia belum mencukupi, sistem menggunakan penanda khusus dan menunggu potongan audio berikutnya. Setelah audio berhenti, sistem akan menerima tanda bahwa tidak ada lagi masukan suara dan mengeluarkan teks yang sebelumnya masih ditahan.
Pendekatan ini memungkinkan model menyesuaikan jumlah konteks yang diperlukan sebelum menghasilkan sebuah kata.
Mengandalkan Konsep Adaptive Delay
Mekanisme tersebut disebut Meta sebagai “adaptive delay”. Konsep ini memungkinkan sistem mengatur waktu tunggu berdasarkan tingkat kesulitan informasi yang sedang diproses.
Kata atau bagian percakapan yang mudah dikenali dapat langsung ditranskripsikan dengan jeda yang sangat singkat. Sebaliknya, ketika sebuah kata membutuhkan konteks tambahan, model dapat menunggu potongan audio berikutnya sebelum menghasilkan teks.
Dengan cara ini, sistem tidak selalu dipaksa memilih antara transkripsi cepat atau akurat. Model mencoba menyesuaikan keduanya berdasarkan kondisi audio yang diterima.
Kemampuan tersebut dipelajari melalui reinforcement learning. Dalam proses pelatihannya, Meta memberikan penghargaan berdasarkan dua faktor utama, yakni akurasi transkripsi dan rendahnya latensi.
Kedua faktor tersebut kemudian dikombinasikan sehingga model memiliki dorongan untuk menghasilkan teks yang akurat sekaligus mempertahankan waktu respons yang rendah.
Pendekatan serupa juga diterapkan untuk membantu sistem menentukan serta membedakan pembicara dalam percakapan.
Muse Voice Transcribe Bisa Digunakan di Mac
Meta menyediakan Muse Voice Transcribe melalui Meta Model API, Meta AI untuk Mac, serta Muse Code.
Pada perangkat Mac, pengguna dapat menekan dan menahan tombol Fn untuk mendiktekan teks ke berbagai aplikasi. Fitur ini memungkinkan suara pengguna diubah menjadi teks tanpa harus mengetik secara manual.
Kemampuan tersebut juga ditampilkan melalui demonstrasi penggunaan Muse Code. Dalam demo tersebut, pengguna memberikan perintah menggunakan suara. Ucapan kemudian ditampilkan sebagai teks pada antarmuka Muse Code sebelum perintah tersebut diproses oleh AI.
Penggunaan seperti ini menunjukkan bahwa teknologi transkripsi real-time dapat menjadi bagian dari interaksi antara manusia dan sistem AI, bukan sekadar alat untuk membuat catatan dari percakapan.
Harga Penggunaan API Muse Voice Transcribe
Untuk pengguna yang mengakses Muse Voice Transcribe melalui API, Meta menetapkan tarif sebesar 3 dollar AS untuk setiap 1.000 menit audio.
Jika dikonversikan berdasarkan angka yang tercantum dalam sumber, biaya tersebut setara dengan sekitar Rp53.310 per 1.000 menit audio.
Dengan demikian, biaya penggunaannya berada di kisaran 0,18 dollar AS atau sekitar Rp3.199 untuk satu jam audio.
Model pembayaran berdasarkan durasi audio ini memungkinkan pengembang menghitung kebutuhan penggunaan berdasarkan jumlah menit suara yang akan diproses.
Meta Tidak Membuka Bobot Model ke Publik
Berbeda dengan Muse Glimmer, Meta tidak berencana menyediakan bobot atau open weights Muse Voice Transcribe kepada publik.
Keputusan tersebut membuat akses terhadap teknologi ini lebih bergantung pada layanan yang disediakan Meta, termasuk Meta Model API serta produk yang telah mendukung model tersebut.
Bagi pengembang, ketersediaan melalui API tetap membuka peluang untuk memanfaatkan kemampuan transkripsi real-time tanpa harus menjalankan model secara mandiri.
Muse Voice Transcribe Hadir untuk Transkripsi yang Lebih Responsif
Muse Voice Transcribe menunjukkan arah pengembangan AI Meta yang tidak hanya mengejar kemampuan memahami bahasa, tetapi juga kecepatan dalam memproses informasi audio.
Dukungan terhadap banyak pembicara, lebih dari 70 bahasa, percakapan multibahasa, serta audio berdurasi panjang menjadi sejumlah kemampuan yang ditawarkan model ini.
Di sisi lain, konsep adaptive delay menjadi bagian penting dari cara kerjanya. Sistem dapat menentukan kapan harus segera menghasilkan teks dan kapan perlu menunggu konteks tambahan.
Dengan kombinasi tersebut, Muse Voice Transcribe diarahkan untuk kebutuhan yang membutuhkan transkripsi cepat sekaligus akurat, termasuk dikte pada Mac dan interaksi berbasis suara dengan aplikasi AI.
