Meskipun konsep text to speech - yaitu perangkat lunak komputer yang bisa membacakan kata di layar komputer dengan lantang untuk pengguna - bukanlah hal baru, teknologi ini tampaknya mengalami revolusi besar dalam beberapa tahun terakhir.
Menurut sebuah studi terbaru, pasar text to speech bernilai sekitar $2 miliar pada 2020 - sebagian dipicu oleh pandemi COVID-19 yang masih berlangsung. Nilainya bahkan diperkirakan tumbuh hingga $5 miliar pada 2026 dengan tingkat pertumbuhan tahunan gabungan sebesar 14,6%.
Sebagian besar hal ini disebabkan oleh manfaat text to speech bagi banyak orang dengan beragam gangguan penglihatan. Menurut Centers for Disease Control and Prevention, sekitar 12 juta orang di atas usia 40 tahun di Amerika Serikat mengalami masalah dalam memproses informasi visual. Dari jumlah tersebut, satu juta orang benar-benar buta dan delapan juta lainnya memiliki masalah penglihatan karena kelainan refraksi yang belum dikoreksi. Jumlah ini naik dari 4,2 juta pada tahun 2012.
Semua ini menunjukkan bahwa teknologi text to speech terbukti sangat bermanfaat. Banyak solusi seperti Speechify bahkan menawarkan berbagai suara berkualitas tinggi sesuai kebutuhan pengguna. Tapi bagaimana cara kerja teknologi ini dan kenapa suaranya bisa sangat beragam? Jawaban untuk pertanyaan tersebut butuh beberapa pemahaman penting.
Cara Kerja Text to Speech
Sebelum mengenal suara di balik text to speech, penting untuk memahami dulu bagaimana teknologi ini bekerja sejak awal.
Text to speech menggunakan kecerdasan buatan, machine learning, dan teknologi serupa untuk mengambil kata tertulis di halaman atau layar lalu mengubah teks menjadi konten audio yang bisa dibacakan. Ini berlaku bukan hanya pada konten website atau artikel, tapi juga teks di aplikasi seperti Microsoft Word dan lainnya.
Konten audio dihasilkan sepenuhnya oleh perangkat yang digunakan. Selain bisa dipakai di komputer desktop atau laptop, text to speech juga tersedia di hampir semua smartphone, tablet, dan perangkat mobile yang dijual saat ini.
Pada sebagian besar solusi, pemrosesan text to speech dilakukan secara lokal di perangkat. Jadi, text to speech tetap bisa dimanfaatkan meski tanpa koneksi Internet.
Selain membantu orang dengan masalah penglihatan mengakses konten tertulis, text to speech juga bermanfaat karena nada dan kecepatan suara bisa diatur. Jika ingin suara lebih lambat agar mudah dipahami, bisa diatur. Begitu juga jika ingin mempercepat, juga bisa.
Tentang Suara Text to Speech
Soal suara yang digunakan text to speech, semua bermula dari konsep bernama speech synthesizer.
Apa Itu Speech Synthesizer?
Sintesis suara adalah proses output di mana komputer (atau perangkat lain) membacakan kata-kata dengan suara yang sudah dipilih sebelumnya. Secara konsep, ini tak jauh beda dengan membaca kata di halaman atau mencetaknya – intinya komputer mengeluarkan informasi sesuai permintaan. Bedanya, bukan hanya melalui teks, tapi melalui suara yang bisa kamu dengar lewat speaker atau headphone.
Secara umum, sintesis suara bekerja lewat beberapa langkah penting yang dilakukan solusi yang kamu gunakan. Langkah pertama adalah mengubah teks di halaman menjadi kata-kata.
Langkah 1: Pra-Pemrosesan
Pada tahap ini, solusi text to speech menganalisis kata di konten yang ingin kamu baca dan mengambil huruf-hurufnya (hanya simbol) lalu mengubahnya menjadi kata. Proses ini penting karena kata tertulis kadang lebih ambigu dari yang orang kira. Beberapa kata atau frasa bisa bermakna lebih dari satu. Komputer juga harus "memahami" perbedaan "their", "there" dan "they're" – tiga kata yang terdengar sama tapi maknanya berbeda dalam konteks kalimat.
Di sinilah AI dan machine learning berperan. Dengan AI, text to speech bisa "dilatih" untuk mengurangi ambiguitas sebanyak mungkin. Proses ini dinamakan "pra-pemrosesan" karena terjadi "di balik layar" sebelum aplikasi membacakan apa pun.
Pada fase ini juga, solusi text to speech akan membedakan kata yang penulisannya sama tapi pengucapannya berbeda tergantung konteks. "Read" adalah contoh sempurna, kamu mungkin ingin membaca buku malam ini meski kamu sudah pernah membacanya sebelumnya. Manusia mudah membedakan berdasarkan konteks – kecerdasan buatan bekerja agar komputer bisa mencapai hasil serupa.
Yang juga menantang di fase ini adalah angka, singkatan, akronim dan sejenisnya. Karakter khusus seperti tanda dolar lebih sulit "diterjemahkan" ketimbang kata biasa. Karena itu tahap pra-pemrosesan sangat penting - memastikan yang nanti dibacakan memang masuk akal secara konteks.
Langkah 2: Memahami Pelafalan
Setelah teks dianalisis dan solusi text to speech "memahami" kata yang harus dibaca, proses selanjutnya dimulai. Kata-kata tersebut kemudian dikonversi menjadi fonem—artinya, perangkat belajar melafalkan kata dengan tepat sesuai teks.
Proses ini berkembang pesat dari waktu ke waktu. Jika pernah mencoba text to speech dari tahun 1990-an (atau menonton film lawas dengan adegan text to speech), kamu pasti tahu suara komputernya belum alami. Mudah dikenali sebagai suara komputer, meski masih dapat dipahami, tetapi banyak kata terucap kurang tepat.
Langkah 3: Proses Konversi ke Suara Dimulai
Setelah fonem dikenali, solusi text to speech berpindah ke tahap akhir: mengubah informasi itu menjadi suara yang bisa diputar lewat speaker atau headphone.
Hal ini bisa dilakukan dengan beberapa cara tergantung solusi yang dipakai. Salah satunya menggunakan aktor/manusia membaca daftar fonem, lalu rekamannya diproses ke dalam sistem. Setelah aplikasi memindai teks, ia mencocokkan fonem pada halaman dengan rekaman fonem tadi. Kombinasi ini menghasilkan audio yang terdengar jauh lebih alami saat teks dibacakan.
Ada juga solusi di mana suara tetap dihasilkan sepenuhnya oleh komputer. Prosesnya sama, hanya saja "suara" tidak menggunakan rekaman manusia, melainkan dibuat dari frekuensi suara tertentu sesuai urutannya.
Cara ini tidak jauh berbeda dari cara synthesizer musik membuat musisi bisa menirukan suara instrumen lewat keyboard yang dihubungkan ke komputer. Setiap tombol bisa menghasilkan chord gitar atau suara drum; komputer tetap "memahami" tiap tekanan tombol dan mencocokkannya dengan suara yang sesuai, hanya konteksnya yang berbeda.
Pilihan Suara & Lainnya
Salah satu alasan kenapa pilihan suara sangat banyak di voice generator text to speech adalah karena sebenarnya tidak sesulit yang dibayangkan. Jenis fonem yang dibutuhkan AI voice generator sangat umum dalam bahasa manusia. Jadi, cukup seorang aktor duduk di depan mikrofon, membaca skrip singkat berisi fonem penting, lalu suara tersebut diolah oleh sistem.
Teknologi AI akan mengenali masing-masing fonem, "memecah" hasil rekaman jadi bagian-bagian, lalu memakai yang dibutuhkan untuk menghasilkan suara text to speech secara akurat saat pengguna ingin membaca website atau konten lainnya.
Tentu saja, banyak manfaat lain dari generator suara alami ini yang tidak hanya membantu orang dengan gangguan penglihatan. Dalam beberapa tahun terakhir, masyarakat makin tertarik pada teknologi AI suara berkat media sosial seperti TikTok.
TikTok adalah salah satu nama besar yang sudah memakai AI voice generation, di mana pengguna dapat merekam video, menambahkan teks, lalu sintesis suara membacakan konten itu keras-keras. Cara ini menambah imersi konten TikTok dan kemungkinan besar akan terus jadi tren populer ke depannya.
Masa Depan Text to Speech Sudah Di Sini
Pada akhirnya, text to speech sangat berguna untuk segudang kebutuhan. Memberi akses dan pengalaman setara bagi mereka yang bermasalah penglihatan – menikmati semua konten sama seperti yang lain. Semua dokumen, blog, artikel hingga white paper, bisa diubah menjadi audio yang mudah didengar, baik di rumah, saat perjalanan, atau di gym.
Selain membuat kita lebih produktif, teknologi ini juga membantu menyelesaikan berbagai masalah penting seperti yang dijelaskan di atas. Karena itu, sangat wajar jika suara AI dan sintesis suara begitu populer sekarang.
Jika kamu ingin tahu lebih lanjut tentang suara text to speech, atau ingin tahu manfaatnya dalam hidupmu, jangan tunggu lagi - coba Speechify gratis hari ini.
Speechify adalah aplikasi #1 di App store dengan suara realistis, pengalaman pengguna terbaik, dan banyak pilihan suara custom.
Speechify tersedia dalam beberapa versi: untuk pengguna tunggal, grup, atau API bisnis dengan skala beragam.
