Whisper atau Google STT: uji Indonesia membalik pilihan murah

Untuk audio yang menyerupai sampel uji, Google Speech-to-Text V2 Chirp 3 lebih akurat daripada OpenAI whisper-1: uji koedesk atas 200 ujaran Indonesia dari FLEURS pada 5 Juli 2026 mencatat WER 1,79% untuk Chirp 3, dengan interval kepercayaan 95% sebesar 1,29–2,37%, dan 6,72% untuk whisper-1, dengan interval 5,63–7,85%. Jika kesalahan kata membutuhkan banyak koreksi, Chirp 3 layak menjadi kandidat pertama.

Untuk rekaman selesai, pilihan bergantung pada biaya pemrosesan sekaligus waktu memperbaiki transkrip. Whisper-1 lebih murah daripada Chirp 3 pada tarif standar Google, tetapi opsi Dynamic Batch Google dapat membalik perbandingan tarif ketika hasil boleh menunggu. Untuk panggilan langsung, dukungan streaming dan status Preview bahasa Indonesia menjadi pertimbangan tersendiri.

Seberapa jauh hasil uji akurasi bisa dipakai?

WER, atau tingkat kesalahan kata, menghitung kata yang diganti, hilang, dan ditambahkan terhadap transkrip acuan. Pada sampel Indonesia itu, selisih hasil kedua mesin lebih besar daripada rentang ketidakpastian yang dilaporkan untuk masing-masing. Hasilnya memberi alasan konkret untuk menguji Chirp 3 lebih dahulu ketika ketepatan kata penting, terutama dibandingkan dengan klaim akurasi umum yang tidak menyebut bahasa atau jenis audio.

Namun, FLEURS adalah korpus publik berisi ujaran pendek, bukan kumpulan panggilan pelanggan atau rapat perusahaan. Dalam pengujian tersebut, setiap mesin menerima berkas audio yang sama setelah penyeragaman format dan tingkat puncak suara. Korpus publik juga mungkin pernah masuk ke data pelatihan model. Penyelenggara uji mengungkapkan bahwa produk diktenya memakai ElevenLabs Scribe v2, mesin lain yang ikut dinilai; hasil Chirp 3 dan whisper-1 perlu dibaca dalam batas metode yang dipublikasikan itu.

Jenis kesalahan pun menentukan nilai praktis WER. Satu nama pelanggan yang salah bisa lebih merugikan daripada beberapa kata sambung yang keliru, walaupun keduanya masuk hitungan kesalahan kata. Rekaman telepon dengan kompresi, aksen, istilah internal, atau pembicara yang saling menyela dapat menghasilkan urutan pilihan berbeda dari sampel ujaran pendek. Keunggulan pada benchmark merupakan petunjuk untuk seleksi awal, bukan perkiraan WER bagi semua rekaman Indonesia.

Tarif standar dan Dynamic Batch menghasilkan jawaban berbeda

Menurut tabel tarif Speech-to-Text V2 Google, pengenalan standar pada tingkat volume awal berbiaya US$0,016 per menit, sedangkan Dynamic Batch untuk model standar berbiaya US$0,003 per menit dan memproses audio dengan tingkat urgensi lebih rendah. Jika dihitung dari tarif tersebut, satu jam audio berbiaya US$0,96 melalui jalur standar atau US$0,18 melalui Dynamic Batch. Perbandingan ini memakai tarif dasar, tanpa diskon volume atau biaya layanan Cloud lain.

Halaman model whisper-1 OpenAI mencantumkan tarif transkripsi US$0,006 per menit untuk model pengenal suara multibahasa itu, setara US$0,36 per jam audio. Dengan demikian, whisper-1 memang lebih murah daripada tarif standar Google, tetapi lebih mahal daripada tarif Dynamic Batch. Untuk contoh bersyarat rekaman setengah jam, hitungan tarif dasarnya menjadi US$0,48 pada jalur standar Google, US$0,09 pada Dynamic Batch, dan US$0,18 pada whisper-1.

Dynamic Batch masuk akal untuk arsip rekaman yang tidak perlu segera menjadi teks. Jalur itu bukan pengganti streaming panggilan aktif, karena penghematan diperoleh dengan menerima prioritas pemrosesan yang lebih rendah. Harga API juga belum mencakup waktu orang yang membetulkan nama, angka, atau istilah penting. Pada Google, kanal audio yang diproses terpisah dapat menambah durasi yang ditagihkan; penyimpanan berkas di Cloud Storage dapat menambah biaya lain. Karena itu, bandingkan tagihan untuk konfigurasi yang benar-benar akan digunakan, bukan hanya satu angka per menit.

Streaming tersedia; kesiapan bahasa dan fitur tetap berbeda

Spesifikasi Chirp 3 Google mencantumkan bahasa Indonesia berkode id-ID dalam status Preview untuk StreamingRecognize, Recognize, dan BatchRecognize; modelnya tersedia di multiregion us dan eu, sementara daftar bahasa untuk pemisahan pembicara tidak mencantumkan id-ID. Artinya, kemampuan menerima audio langsung tidak otomatis menyediakan seluruh fitur yang mungkin dibutuhkan untuk transkrip rapat. Tim yang mensyaratkan dukungan produksi untuk bahasa atau pemisahan pembicara perlu menilai batas itu sebelum menjadikan Chirp 3 satu-satunya jalur layanan.

Panduan transkripsi OpenAI menempatkan whisper-1 pada transkripsi berkas yang membutuhkan penanda waktu kata atau subtitle, sedangkan audio yang datang langsung diarahkan ke alur realtime dengan model lain. Teks yang muncul bertahap dari berkas selesai berbeda dari transkrip panggilan yang masih berlangsung. Maka, tarif whisper-1 dan hasil WER-nya tidak dapat dipakai sebagai pengganti harga maupun hasil uji model realtime OpenAI.

Angka kecepatan dalam benchmark mengukur waktu permintaan relatif terhadap durasi berkas, bukan jeda sampai kata pertama tampak saat seseorang berbicara. Pengukuran itu juga melewati jalur jaringan penguji. Untuk aplikasi panggilan, ukuran yang lebih relevan adalah waktu sejak ucapan masuk hingga teks cukup stabil untuk dipakai, termasuk ketika pembicara berhenti sejenak, mengoreksi ucapan, atau saling menyela.

Template uji 30 menit untuk audio sendiri

Uji singkat ini adalah rancangan evaluasi, bukan hasil pengukuran baru. Ambil total 30 menit rekaman yang mewakili pekerjaan sebenarnya. Jika layanan hanya menangani panggilan, gunakan panggilan; jika juga menangani rapat dan dikte, bagi durasi menurut campuran audio yang benar-benar masuk. Pilih potongan dengan suara jelas dan sulit agar rata-rata keseluruhan tidak menyembunyikan kegagalan pada kondisi penting.

1. Siapkan transkrip acuan yang diperiksa manusia. Tetapkan lebih dulu cara menulis angka, singkatan, kata serapan, dan nama diri, supaya variasi ejaan tidak keliru dihitung sebagai kegagalan mesin.
2. Kirim audio yang sama ke Chirp 3 dan whisper-1. Catat bahasa, format berkas, jumlah kanal, metode permintaan, dan pengaturan yang digunakan. Pertahankan kondisi masukan semirip mungkin agar selisih hasil dapat ditafsirkan.
3. Hitung WER terhadap acuan yang sama, lalu baca kesalahan per jenis rekaman. Tandai secara terpisah nama pelanggan, nominal, tanggal, serta istilah yang dipakai untuk mencari rekaman kembali; skor rata-rata tidak menunjukkan dampak tiap kesalahan itu.
4. Ukur waktu dari pengiriman berkas sampai transkrip akhir. Jika produk memerlukan teks selama panggilan, lakukan pengukuran streaming tersendiri dengan alur dan model yang memang menerima audio langsung.
5. Hitung tarif untuk durasi dan metode pemrosesan yang diuji, kemudian tambahkan waktu koreksi manusia. Simpan beberapa contoh kesalahan dari setiap kondisi audio agar keputusan tidak bergantung pada satu angka agregat.

Hasil dari sampel kecil paling berguna untuk membandingkan mesin pada pekerjaan yang sama, bukan untuk mengklaim tingkat akurasi seluruh penutur Indonesia. Jika sebagian besar biaya muncul dari koreksi nama atau angka, mesin dengan tarif API lebih tinggi masih bisa menghemat pekerjaan. Jika transkrip hanya dipakai sebagai petunjuk pencarian dan kesalahannya mudah ditoleransi, selisih biaya pemrosesan dapat lebih menentukan.

Keputusan untuk produksi

Untuk berkas yang harus cepat selesai, mulailah dengan Chirp 3 ketika ketepatan kata menjadi beban kerja utama; bandingkan hasilnya dengan whisper-1 pada rekaman sendiri sebelum membayar tarif standar yang lebih tinggi. Untuk arsip yang boleh menunggu, periksa Dynamic Batch Google karena jalur harga itu dapat sekaligus mempertahankan kandidat akurasi yang kuat dan menurunkan biaya per menit. Kebutuhan panggilan langsung menuntut pengujian latensi streaming, sementara status Preview id-ID dan kebutuhan pemisahan pembicara menentukan apakah konfigurasi Chirp 3 sesuai untuk layanan yang direncanakan.

Baca juga:

• Deepgram atau Whisper: audio nyata dapat membalik hasil akurasi
• Saweria atau Trakteer: potongan sama, biaya pembayaran membalik pilihan
• Zoho Books atau Xero: kurs dolar dan jumlah pengguna membalik pilihan