W3C membuat pembedaan yang dikaburkan oleh kebanyakan halaman produk: pengenalan ucapan mengidentifikasi kata-kata yang diucapkan seseorang, sedangkan pengenalan suara mengidentifikasi orang yang berbicara.
Perbedaan itu terdengar teknis sampai Anda memilih alat yang salah. Aplikasi pengetikan suara dapat mengubah kalimat Anda menjadi teks, tetapi belum tentu dapat memverifikasi bahwa kalimat tersebut berasal dari Anda. Sistem verifikasi penutur dapat membuka akun berdasarkan cetak suara, tetapi mungkin tidak pernah menghasilkan transkrip yang dapat dibaca. Keduanya mendengarkan audio. Keduanya memecahkan masalah yang berbeda.
Panduan ini memisahkan enam istilah yang sering dianggap bersinonim: pengenalan ucapan, pengenalan suara, ucapan-ke-teks, dikte, transkripsi, dan kontrol suara. Gunakan tabel perbandingan sebagai jawaban singkat, lalu baca bagian yang sesuai dengan hal yang ingin Anda lakukan.
Poin-poin utama
- Pengenalan ucapan mengidentifikasi apa yang dikatakan. Pengenalan suara atau penutur mengidentifikasi siapa yang mengatakannya.
- Ucapan-ke-teks adalah keluaran tertulis yang dihasilkan oleh banyak sistem pengenalan ucapan.
- Dikte memasukkan kata-kata yang Anda ucapkan ke bidang teks tempat Anda bekerja. Transkripsi sering memproses rekaman atau percakapan.
- Kontrol suara melampaui pemasukan teks dan memungkinkan Anda mengoperasikan tombol, menu, jendela, serta elemen antarmuka lainnya.
- Untuk menulis sehari-hari, carilah dikte atau pengetikan suara, bukan pengenalan suara.
Sekilas tentang keenam istilah
Istilah seputar antarmuka suara berkembang dari beberapa bidang: aksesibilitas, telepon, biometrik, linguistik, dan perangkat lunak konsumen. Setiap bidang mengembangkan sebutannya sendiri. Materi pemasaran kemudian mencampuradukkannya. Tabel ini memberi setiap istilah satu tugas praktis.
| Istilah | Pertanyaan yang dijawab | Hasil umum | Penggunaan umum |
|---|---|---|---|
| Pengenalan ucapan | Apa yang dikatakan? | Kata-kata atau perintah | Dikte, teks layar, asisten |
| Pengenalan suara | Siapa yang berbicara? | Identitas atau skor keyakinan | Autentikasi, pencocokan penutur |
| Ucapan-ke-teks | Teks tertulis apa yang sesuai dengan audio? | Sebuah transkrip | Teks layar, catatan, audio yang dapat dicari |
| Dikte atau pengetikan suara | Teks apa yang harus muncul di posisi kursor? | Teks yang dapat diedit di aplikasi | Email, dokumen, prompt |
| Transkripsi | Apa yang terjadi dalam audio ini? | Catatan, sering kali dengan penutur dan stempel waktu | Rapat, wawancara, rekaman |
| Kontrol suara | Apa yang harus dilakukan komputer? | Tindakan antarmuka | Navigasi dan pengoperasian bebas tangan |
Apa itu pengenalan ucapan?
Pengenalan ucapan adalah teknologi yang mengubah bahasa lisan menjadi kata-kata atau menafsirkannya sebagai perintah. Para teknisi sering menyebutnya pengenalan ucapan otomatis, disingkat ASR. IBM juga menggambarkan pengenalan ucapan dan ucapan-ke-teks sebagai istilah yang berkaitan erat karena teks merupakan keluaran paling terlihat dari sistem ASR.
Tugas utamanya bersifat linguistik. Sistem menganalisis audio, memperkirakan bunyi, lalu memilih kata-kata yang paling sesuai dengan bunyi tersebut dan konteksnya. Sistem modern juga dapat menambahkan huruf kapital dan tanda baca. Namun, sistem masih dapat membuat kesalahan pada aksen, nama, kebisingan latar, kosakata khusus, dan ucapan campuran bahasa.
Pengenalan ucapan menggerakkan beberapa produk yang tampak tidak berkaitan. Teks layar langsung mengubah presentasi menjadi teks yang dapat dibaca. Asisten mobil menafsirkan "telepon rumah" sebagai perintah. Keyboard suara memasukkan paragraf ke email. Antarmuka dan keluarannya berbeda, tetapi setiap sistem harus lebih dahulu memahami apa yang dikatakan penutur.
Ringkasan pengenalan ucapan W3C mengelompokkan dikte dan kontrol komputer dalam kategori luas ini. Ringkasan tersebut juga menyatakan bahwa pengenalan ucapan dapat membantu penyandang disabilitas fisik menggunakan komputer tanpa keyboard atau mouse. Akurasi penting, tetapi begitu pula perintah, alat koreksi, dan dukungan aplikasi yang dibangun di sekeliling sistem pengenal.
Apa itu pengenalan suara?
Dalam penggunaan yang ketat, pengenalan suara berarti mengenali penutur berdasarkan karakteristik suaranya. Istilah industri yang lebih tepat adalah pengenalan penutur. Teknologi ini dapat mengidentifikasi penutur yang paling mungkin dari sekumpulan orang yang telah didaftarkan atau memverifikasi apakah seorang penutur cocok dengan identitas yang diklaim.
Tugas utamanya bersifat biometrik, bukan linguistik. Sistem mencari pola dalam tinggi nada, irama, karakteristik saluran vokal, dan ciri lainnya. Hasilnya mungkin berupa "ini kemungkinan pemilik akun", bukan sebuah kalimat. Sistem dapat melakukan pengenalan penutur tanpa memedulikan arti kalimat.
Ada dua bentuk umum:
- Identifikasi penutur menanyakan orang dikenal mana yang sedang berbicara.
- Verifikasi penutur menanyakan apakah suara tersebut cocok dengan orang yang identitasnya diklaim.
Kedua hasil tersebut tidak boleh dianggap selalu benar. Rekaman, ucapan sintetis, penyakit, penuaan, ruangan bising, dan sampel pendaftaran yang buruk dapat memengaruhi sistem biometrik suara. Layanan yang sensitif terhadap keamanan biasanya menggabungkan suara dengan sinyal lain, alih-alih memperlakukannya sebagai bukti identitas yang sempurna.
Bahasa sehari-hari lebih longgar. Orang mencari "perangkat lunak pengenalan suara" ketika menginginkan dikte. Halaman produk terkadang menggunakan frasa tersebut dengan cara yang sama. Penggunaan itu umum, tetapi menyembunyikan perbedaan antara memahami kata-kata dan mengidentifikasi penutur. Jika tujuan Anda menulis, istilah pencarian yang berguna adalah ucapan-ke-teks, pengetikan suara, atau dikte.
Posisi ucapan-ke-teks
Ucapan-ke-teks menggambarkan konversi dan keluarannya: audio masuk, kata-kata tertulis keluar. Teknologi ini biasanya didukung oleh pengenalan ucapan. Microsoft mendokumentasikan layanan ucapan-ke-teks untuk audio waktu nyata dan rekaman secara batch, sedangkan Google menjelaskan model yang disesuaikan untuk berbagai jenis audio dan kebutuhan streaming.
Istilah tersebut tidak banyak menjelaskan alur kerja di sekitarnya. Mesin ucapan-ke-teks dapat mengembalikan untaian tanpa format kepada pengembang. Layanan teks layar dapat memecah untaian itu menjadi baris-baris dengan penanda waktu. Alat rapat dapat menambahkan label penutur. Keyboard suara dapat merapikan kalimat dan memasukkannya di posisi kursor. Sistem pengenal mungkin serupa, sementara pengalaman produknya sama sekali berbeda.
Itulah sebabnya membandingkan alat hanya berdasarkan angka akurasi yang diiklankan tidak memadai. Anda juga perlu mengetahui apakah alat tersebut menangani bahasa Anda, aplikasi Anda, tanda baca, rekaman panjang, banyak penutur, koreksi, privasi, serta jeda antara berbicara dan melihat hasil. Panduan kami tentang dikte lokal versus cloud menjelaskan salah satu pilihan arsitektur penting di balik kompromi tersebut.
Dikte dan transkripsi berbagi mesin, bukan alur kerja
Dikte biasanya merupakan penyusunan teks yang disengaja oleh satu orang. Anda tahu bahwa kata-kata tersebut memang dimaksudkan untuk menjadi teks. Hasilnya muncul secara langsung atau setelah satu blok ucapan singkat, idealnya di tempat kursor sudah berada. Anda mengoreksinya sebagai bagian dari proses menulis.
Transkripsi biasanya membuat catatan dari audio yang sudah ada atau berlangsung secara terpisah. Audio dapat berisi beberapa orang, interupsi, dan materi yang harus tetap setia pada rekaman. Fitur transkripsi yang berguna mencakup stempel waktu, diarisisasi penutur, tautan pemutaran, dan pemrosesan batch.
Bayangkan rapat tim. Mengucapkan "Tulis pembaruan singkat bahwa peluncuran dipindahkan ke hari Jumat" ke dalam dokumen adalah dikte. Mengunggah rekaman 45 menit dan menghasilkan catatan dengan label penutur adalah transkripsi. Mengubah catatan tersebut menjadi pembaruan ringkas adalah peringkasan. Satu produk dapat menawarkan ketiganya, tetapi semuanya merupakan tugas yang terpisah.
Talkpad dibuat untuk sisi dikte. Di macOS dan Windows, Anda menempatkan kursor di aplikasi tempat teks akan dimasukkan, menahan pintasan push-to-talk, berbicara, lalu melepasnya. Keluaran tersebut dimaksudkan menjadi tulisan kerja, bukan transkrip arsip. Baca panduan dikte push-to-talk untuk memahami perbedaan praktis antara alur kerja tersebut dan alat yang selalu mendengarkan.
Pengetikan suara dan dikte hampir sama
Pengetikan suara adalah sebutan yang lebih ramah bagi konsumen untuk dikte ke bidang teks. Microsoft menggunakan "pengetikan suara" untuk fitur Windows yang dibuka dengan Win + H. Apple menyebut fitur masukan teks bawaannya Dikte. Google Dokumen menyebut fiturnya Pengetikan suara. Perbedaan nama lebih besar daripada perbedaan tugas dasarnya.
Keyboard suara desktop dapat menambahkan lapisan lain. Alat tersebut mungkin bekerja di banyak aplikasi, menggunakan tombol pintas yang ditahan saat berbicara, merapikan tanda baca, dan memberi pilihan bahasa di luar keyboard sistem operasi yang aktif. Ujian pentingnya bukan pada sebutan. Tempatkan kursor di aplikasi kerja Anda yang sebenarnya dan lihat apakah alat tersebut mengembalikan teks yang dapat diedit dengan akurasi dan jeda yang dapat diterima.
Jika Anda baru menggunakan Windows, panduan pintasan dikte Windows membahas Win + H, tanda baca, pergantian bahasa, dan kapan keyboard suara lintas aplikasi mungkin lebih sesuai.
Kontrol suara berfokus pada tindakan
Kontrol suara memungkinkan seseorang mengoperasikan antarmuka: membuka aplikasi, mengeklik kontrol berlabel, memilih item menu, menggulir, memilih teks, atau memindahkan fokus. Sistem ini sering mencakup dikte, tetapi pemasukan teks hanyalah satu bagian dari keseluruhan sistem.
Apple memperjelas pemisahan tersebut. Dikte memasukkan teks. Kontrol Suara menyediakan perintah navigasi dan pengeditan yang lebih luas. Windows juga menawarkan pengetikan suara untuk pemasukan teks dan Akses Suara untuk mengoperasikan PC dengan ucapan. Orang yang dapat menggunakan mouse dengan nyaman mungkin hanya membutuhkan dikte. Orang yang menginginkan akses komputer bebas tangan mungkin membutuhkan sistem perintah yang lebih luas.
Perbedaan ini penting untuk pembelian terkait aksesibilitas. Transkrip yang cepat tidak menjamin seseorang dapat memperbaiki kesalahan, memilih tombol, atau berpindah antar-aplikasi tanpa menggunakan tangan. Uji seluruh tugas, termasuk pemulihan ketika sistem pengenal mendengar perintah yang salah.
Cara memilih kategori yang tepat
Mulailah dari hasil yang Anda butuhkan, lalu gunakan frasa pencarian yang sesuai.
- Anda ingin menulis di email, dokumen, obrolan, atau alat AI: pilih dikte atau pengetikan suara.
- Anda menginginkan catatan rapat atau rekaman yang dapat dicari: pilih transkripsi.
- Anda menginginkan teks layar saat ada ucapan: pilih ucapan-ke-teks langsung atau layanan teks layar.
- Anda ingin mengoperasikan seluruh komputer dengan ucapan: pilih kontrol suara atau Akses Suara.
- Anda ingin memverifikasi siapa yang berbicara: pilih verifikasi penutur atau biometrik suara.
- Anda sedang membangun produk: evaluasi API pengenalan ucapan, lalu tambahkan alur kerja yang dibutuhkan pengguna.
Untuk alat menulis, lakukan pengujian kecil di aplikasi yang penting. Diktekan satu paragraf biasa, satu pertanyaan, satu kalimat dengan dua nama, dan satu istilah khusus. Periksa jeda, tanda baca, upaya perapian, dan apakah teks masuk ke tempat yang tepat. Daftar fitur tidak dapat memberi tahu seberapa banyak koreksi yang diperlukan oleh ucapan Anda sendiri.
Kesalahan umum saat membeli
Membeli biometrik suara saat Anda membutuhkan teks
Produk yang berfokus pada verifikasi penutur mungkin memiliki pencocokan identitas yang sangat baik tanpa antarmuka menulis yang berguna. Carilah pengetikan suara atau dikte sebagai gantinya.
Membeli transkripsi rapat untuk menulis sehari-hari
Alat rapat dirancang seputar rekaman, peserta, dan ringkasan. Alat tersebut dapat terasa merepotkan ketika Anda hanya ingin menulis tiga kalimat di dalam email. Pilih alur kerjanya, bukan daftar fitur AI yang paling mengesankan.
Menganggap alat bawaan dan lintas aplikasi dapat saling menggantikan
Dikte bawaan gratis dan mungkin sudah cukup. Keyboard suara terpisah dapat menawarkan alur tombol pintas, perilaku perapian, dukungan bahasa, atau cakupan aplikasi yang berbeda. Bandingkan keduanya dengan sampel yang sama sebelum membayar.
Mengabaikan koreksi
Transkrip pertama hanyalah separuh pengalaman. Periksa seberapa cepat Anda dapat membatalkan, mengedit, mengulang, atau beralih ke keyboard untuk untaian yang harus persis. Nama, angka, URL, dan komitmen selalu perlu ditinjau.
Pertanyaan umum
Apakah pengenalan ucapan sama dengan ucapan-ke-teks?
Ucapan-ke-teks adalah penerapan dan keluaran umum dari pengenalan ucapan. Pengenalan ucapan juga dapat menafsirkan perintah lisan tanpa menghasilkan transkrip yang terlihat.
Apa perbedaan antara pengenalan ucapan dan pengenalan suara?
Pengenalan ucapan mengidentifikasi apa yang dikatakan seseorang. Pengenalan suara atau penutur mengidentifikasi atau memverifikasi orang yang berbicara berdasarkan karakteristik suaranya.
Apakah dikte menggunakan pengenalan ucapan atau pengenalan suara?
Dikte menggunakan pengenalan ucapan, biasanya bersama ucapan-ke-teks, untuk menempatkan kata-kata lisan ke dalam dokumen atau bidang teks. Dikte tidak perlu mengidentifikasi penutur.
Apa perbedaan antara dikte dan transkripsi?
Dikte biasanya dilakukan oleh satu orang yang sengaja menyusun teks. Transkripsi membuat catatan audio langsung atau rekaman dan dapat menambahkan stempel waktu, label penutur, serta tautan pemutaran.
Apa perbedaan antara pengetikan suara dan kontrol suara?
Pengetikan suara memasukkan kata-kata di posisi kursor. Kontrol suara juga mengoperasikan elemen antarmuka, menavigasi aplikasi, memilih teks, dan melakukan tindakan komputer melalui ucapan.
Talkpad tersedia untuk macOS dan Windows. Pro berharga $8/bulan atau $6/bulan dengan pembayaran tahunan untuk penggunaan yang lebih berat. Unduh Talkpad secara gratis – 2.500 kata/minggu dalam paket gratis.
Unduh untuk macOS
Unduh untuk Windows