Langsung ke konten

Ubah audio dan video ke teks (transkripsi)

Ubah ucapan dalam file audio dan video, atau rekaman mikrofon baru, menjadi teks yang bisa dicari lengkap dengan stempel waktu per kata. Memakai model Whisper yang berjalan di perangkat Anda, bukan di server.

Letakkan file audio atau videoMP3, WAV, M4A, MP4, MOV, WebM… · gratis hingga 10 menit
Pilih fileDiproses di perangkat Anda — tidak diunggah
Berjalan di browser Anda · tanpa unggahCara kerja

Cara menggunakan Transkripsi audio & video

  1. 1

    Tambahkan rekaman

    Seret file MP3, M4A, WAV, MP4, atau MOV, atau beralih ke Rekam audio lalu bicara ke mikrofon Anda.

  2. 2

    Mulai transkripsi

    Base cocok untuk sebagian besar rekaman; Small lebih baik menangani aksen dan suara bising. Biarkan bahasa terdeteksi otomatis atau atur sendiri.

  3. 3

    Baca, putar, dan cari

    Ikuti kata yang disorot saat pemutaran, klik sebuah kata untuk melompat ke sana, dan cari nama atau topik.

  4. 4

    Simpan hasilnya

    Salin teks atau unduh TXT, DOCX, SRT, VTT, atau JSON dengan waktu per kata.

Batas dan Pro

Hingga 10 menit audio per file atau rekaman (file yang lebih panjang hanya ditranskripsikan 10 menit pertamanya), file hingga 500 MB. Model suara diunduh sekali: 43 MB (Tiny), 80 MB (Base), atau 252 MB (Small).

Hingga 600 menit per file dan file hingga 4 GB. Lihat Pro

Tentang Transkripsi audio & video

Transcribe adalah alat speech-to-text untuk wawancara, kuliah, rapat, podcast, khotbah, dan catatan suara. Anda memilih rekaman atau merekam langsung dengan mikrofon, lalu model Whisper open source menuliskan apa yang diucapkan, lengkap dengan tanda baca dan huruf kapital, dalam salah satu dari 99 bahasa. Rekaman panjang diproses per jendela 30 detik, sehingga teks sudah muncul selagi bagian lainnya masih dikerjakan, dan kata yang terpotong di tepi jendela dibaca ulang dari jendela berikutnya, bukan hilang begitu saja.

Hasilnya berupa tampilan baca, bukan tembok teks: kalimat dikelompokkan menjadi paragraf setiap kali pembicara berhenti sejenak, setiap paragraf dapat menampilkan waktu mulainya, dan setiap kata memiliki stempel waktunya sendiri. Tekan putar dan kata yang sedang diucapkan akan disorot; klik kata mana pun untuk mendengarnya dalam konteks. Pencarian menemukan sebuah frasa di seluruh transkrip dan berpindah dari satu kecocokan ke kecocokan berikutnya.

Pilihan unduhan mencakup langkah-langkah lanjutan yang umum: teks biasa (dengan atau tanpa stempel waktu) untuk catatan, dokumen Word untuk mengedit dan berbagi, SRT atau VTT jika rekaman akan dipublikasikan sebagai video, dan JSON dengan waktu mulai dan selesai per kata untuk pengembang. Transkrip tidak menandai siapa yang berbicara, dan ini bukan alat teks langsung (live caption) — merekam dulu, baru mentranskripsikan.

Privasi

Rekaman tetap berada di komputer atau ponsel Anda: file dibuka secara lokal, audio mikrofon direkam ke memori di halaman ini, dan Whisper berjalan di worker latar belakang tanpa mengirim audio ke mana pun. Tutup tab, maka rekaman dan transkrip akan hilang. Hanya model suara yang diambil sekali dari Hugging Face dan disimpan di cache browser Anda.

Fitur

Tidak ada yang diunggah

Dekode dan pengenalan suara sama-sama berjalan di tab browser ini, sehingga panggilan dan wawancara rahasia tetap bersama Anda.

99 bahasa

Deteksi bahasa otomatis, plus terjemahan dari bahasa yang didukung mana pun ke bahasa Inggris.

Stempel waktu per kata

Setiap kata memiliki waktu, jadi Anda dapat mengeklik untuk memutar dan mengikuti dengan sorotan langsung.

Rekam dari mikrofon

Rekam catatan suara, wawancara, atau dikte lalu langsung transkripsikan.

TXT, Word, SRT, VTT, JSON

Ekspor format yang Anda butuhkan — dokumen, subtitel, atau data terstruktur untuk alat Anda sendiri.

Cari di transkrip

Temukan setiap penyebutan nama atau frasa dan berpindah antar kecocokan.

Transkripsi audio & video: pertanyaan yang sering diajukan

Seberapa akurat transkripsi Whisper?
Pada rekaman jernih satu orang berbicara bahasa Inggris, Whisper Base biasanya benar pada jauh lebih dari 90% kata dan menambahkan tanda baca yang wajar. Musik, suara bertumpuk, audio saluran telepon, dan aksen yang kental menurunkan hasilnya. Model Small adalah pilihan paling akurat di sini, dengan konsekuensi unduhan lebih besar dan pemrosesan beberapa kali lebih lama.
Apakah transkrip menunjukkan siapa yang berbicara?
Tidak. Identifikasi pembicara (diarization) memerlukan model terpisah yang tidak disertakan, sehingga transkrip berupa satu teks berkelanjutan yang dibagi menjadi paragraf pada jeda bicara. Pada wawancara dua orang, pemisah paragraf biasanya jatuh saat pembicara berganti, dan Anda dapat menambahkan nama di hasil ekspor Word.
Bisakah saya mentranskripsikan memo suara langsung dari mikrofon?
Bisa. Pilih Rekam audio, izinkan akses mikrofon, lalu tekan tombol merah; Anda dapat menjeda dan melanjutkan saat merekam. Setelah Anda menekan Berhenti, rekaman muncul dan siap ditranskripsikan serta diputar ulang. Rekaman hanya ada di tab ini, jadi unduh transkripnya sebelum menutup halaman.
Apa isi ekspor JSON?
Isinya mencakup bahasa yang terdeteksi, durasi, model yang digunakan, teks lengkap, dan daftar segmen dengan waktu mulai dan selesai dalam detik. Setiap segmen memuat kata-katanya beserta waktu mulai dan selesai masing-masing, berguna untuk membuat pencarian, pemotongan klip, atau teks gaya karaoke di perangkat lunak Anda sendiri.
Berapa lama mentranskripsikan audio satu jam?
Itu tergantung perangkat. Dengan WebGPU di laptop terbaru, model Base menangani satu jam dalam kira-kira sepuluh hingga dua puluh menit; hanya dengan CPU, perkirakan waktunya sekitar sama dengan durasi rekaman atau lebih lama. Transkrip di atas 10 menit memerlukan Pro. Anda dapat melihat teks muncul dan membatalkan kapan saja.

Alat terkait

Semua alat video & audio

Generator subtitle

Subtitle SRT dan VTT otomatis dengan AI di perangkat

Perekam suara

Rekam audio dari mikrofon lalu simpan

Konverter audio

Ubah MP3, WAV, M4A, OGG, FLAC, dan lainnya

Penghitung kata

Hitung kata, karakter, kalimat, dan waktu baca