Daftar Isi

 

Microsoft Rilis MAI-Transcribe-2, Model AI Transkripsi yang Diklaim Lebih Cepat dan Akurat

Microsoft kembali memperluas portofolio kecerdasan buatannya dengan meluncurkan model AI terbaru yang dirancang khusus untuk mengubah suara menjadi teks. Model tersebut bernama MAI-Transcribe-2, generasi terbaru teknologi transkripsi yang diklaim Microsoft mampu menawarkan kombinasi kecepatan, akurasi, dan efisiensi lebih baik dibandingkan sejumlah model transkripsi dari perusahaan teknologi pesaing.

Kehadiran MAI-Transcribe-2 menunjukkan bahwa persaingan AI kini tidak hanya terjadi pada chatbot atau model yang mampu menghasilkan teks dan gambar. Kemampuan memahami suara juga menjadi semakin penting karena digunakan dalam berbagai kebutuhan, mulai dari membuat transkrip rapat, wawancara, subtitle video, pencatatan otomatis, hingga aplikasi berbasis suara.

Microsoft bahkan membuat klaim performa yang cukup agresif. Perusahaan tersebut menyebut MAI-Transcribe-2 dapat memproses audio hingga 10 kali lebih cepat dibandingkan GPT-Transcribe milik OpenAI. Model tersebut juga diklaim mampu bekerja hingga lima kali lebih cepat dibandingkan Gemini 3.5 Transcribe milik Google, sembari menawarkan tingkat akurasi yang lebih tinggi.

MAI-Transcribe-2 Fokus pada Transkripsi Suara

Secara sederhana, model transkripsi AI bertugas mendengarkan rekaman suara kemudian mengubah ucapan manusia menjadi teks. Namun, proses tersebut sebenarnya tidak sesederhana mengetik ulang apa yang terdengar.

Sistem harus mampu mengenali berbagai aksen, intonasi, kecepatan bicara, suara beberapa orang sekaligus, istilah khusus, hingga kondisi lingkungan yang bising. Tantangan tersebut menjadi semakin besar ketika seseorang berbicara dengan bahasa yang berbeda dalam satu percakapan.

MAI-Transcribe-2 dirancang untuk menghadapi berbagai kondisi tersebut. Microsoft tidak hanya menonjolkan kecepatan pemrosesan, tetapi juga sejumlah fitur yang ditujukan untuk penggunaan di dunia nyata.

Artinya, model ini tidak sekadar ditujukan untuk menghasilkan teks dari rekaman suara yang jernih dan terkontrol. Microsoft juga ingin model tersebut tetap mampu menghasilkan transkripsi berkualitas ketika digunakan dalam situasi yang lebih kompleks.

Diklaim Unggul dalam Benchmark Multibahasa

Salah satu klaim utama Microsoft berkaitan dengan performa MAI-Transcribe-2 pada benchmark FLEURS, sebuah pengujian yang mencakup berbagai bahasa.

Microsoft menyebut model barunya menempati posisi pertama pada benchmark multibahasa FLEURS yang mencakup 60 bahasa. Dalam pengujian tersebut, MAI-Transcribe-2 disebut mencatat rata-rata Word Error Rate (WER) sebesar 5,2 persen.

WER merupakan salah satu metrik yang umum digunakan untuk menilai kualitas sistem pengenalan suara. Secara sederhana, metrik ini menunjukkan seberapa banyak kesalahan yang muncul ketika ucapan diubah menjadi teks.

Semakin rendah nilai WER, semakin sedikit kesalahan yang terjadi dalam hasil transkripsi. Karena itu, angka WER menjadi salah satu indikator penting ketika membandingkan kemampuan berbagai model speech-to-text.

Selain FLEURS, Microsoft juga menyebut MAI-Transcribe-2 berada di posisi kedua dalam pemeringkatan WER dari Artificial Analysis.

Model tersebut juga disebut berada di area yang disebut Pareto Frontier, khususnya dalam perbandingan antara akurasi dan latensi. Konsep ini penting karena model transkripsi yang bagus bukan hanya model yang akurat.

Model dengan akurasi tinggi tetapi membutuhkan waktu sangat lama untuk menghasilkan teks tentu kurang ideal untuk aplikasi real-time. Sebaliknya, model yang sangat cepat tetapi menghasilkan banyak kesalahan juga tidak terlalu berguna.

MAI-Transcribe-2 diklaim berusaha mengambil posisi di tengah: menghasilkan transkripsi yang akurat sekaligus cepat.

Bisa Membedakan Banyak Pembicara

Salah satu fitur yang menarik adalah speaker diarization.

Fitur ini memungkinkan sistem membedakan siapa yang sedang berbicara dalam sebuah rekaman. Kemampuan tersebut sangat berguna ketika audio berisi percakapan beberapa orang, seperti rapat, wawancara, podcast, diskusi, atau konferensi.

Tanpa speaker diarization, transkrip biasanya hanya menghasilkan rangkaian kalimat tanpa informasi jelas mengenai siapa yang mengucapkannya.

Dengan kemampuan tersebut, sistem dapat menghubungkan bagian tertentu dari transkrip dengan pembicara yang sesuai. Hasilnya bisa menjadi jauh lebih mudah dibaca dan digunakan kembali.

Untuk pekerjaan jurnalistik misalnya, transkrip wawancara dengan beberapa narasumber dapat lebih mudah dianalisis. Begitu juga dengan rekaman rapat yang melibatkan banyak peserta.

Setiap Kata Bisa Memiliki Penanda Waktu

MAI-Transcribe-2 juga membawa fitur word-level timestamps.

Sesuai namanya, fitur ini memberikan informasi waktu pada tingkat kata. Dengan demikian, sistem tidak hanya mengetahui isi percakapan, tetapi juga kapan sebuah kata diucapkan dalam rekaman.

Kemampuan tersebut dapat berguna untuk berbagai kebutuhan. Editor video misalnya dapat menemukan bagian tertentu dari percakapan dengan lebih mudah tanpa harus memutar keseluruhan rekaman dari awal.

Word-level timestamps juga dapat membantu proses penyuntingan dan sinkronisasi subtitle. Ketika teks perlu disesuaikan dengan video atau audio, informasi waktu pada setiap kata dapat membuat proses tersebut lebih presisi.

Baca juga : Mengenal Sensor Time-of-Flight (ToF): Cara Kerja, Komponen, Keunggulan, dan Penggunaannya

Keyword Biasing untuk Istilah Khusus

Masalah lain dalam transkripsi suara adalah nama dan istilah tertentu.

Sebuah model AI mungkin sangat bagus dalam mengenali percakapan sehari-hari, tetapi bisa mengalami kesulitan ketika berhadapan dengan istilah teknis, singkatan, nama produk, nama orang, atau kosakata khusus yang jarang muncul dalam data umum.

MAI-Transcribe-2 menawarkan fitur keyword biasing untuk membantu mengatasi persoalan tersebut.

Fitur ini memungkinkan sistem memberikan perhatian lebih terhadap kata kunci tertentu yang dianggap penting. Dengan begitu, istilah khusus yang sulit dikenali berdasarkan konteks percakapan dapat memiliki peluang lebih besar untuk ditulis dengan benar.

Kemampuan seperti ini sangat relevan untuk sektor profesional yang menggunakan banyak istilah khusus, misalnya teknologi, kesehatan, hukum, pendidikan, maupun bisnis.

Mendukung Percakapan yang Berganti Bahasa

Kemampuan multibahasa MAI-Transcribe-2 juga tidak berhenti pada pengenalan satu bahasa dalam satu rekaman.

Microsoft menyebut model ini mampu melakukan identifikasi bahasa secara otomatis sekaligus menangani code switching. Istilah tersebut merujuk pada kondisi ketika seseorang berpindah bahasa dalam satu percakapan.

Contohnya dapat ditemukan dalam percakapan sehari-hari yang mencampurkan bahasa lokal dengan bahasa Inggris. Microsoft memberikan contoh seperti Hinglish, yaitu campuran Hindi dan Inggris, serta Spanglish, yang menggabungkan bahasa Spanyol dan Inggris.

Kemampuan mengenali perpindahan bahasa secara otomatis menjadi penting karena percakapan manusia tidak selalu mengikuti aturan satu bahasa untuk satu sesi.

Dalam penggunaan nyata, seseorang bisa saja berbicara menggunakan bahasa Indonesia kemudian menyisipkan istilah Inggris, nama produk, atau kalimat dalam bahasa lain. Sistem transkripsi yang mampu memahami perubahan tersebut berpotensi menghasilkan teks yang lebih natural.

Dua Mode Transkripsi: Verbatim dan Clean

Microsoft juga memberikan pilihan mengenai bagaimana hasil transkripsi ingin ditampilkan.

MAI-Transcribe-2 mendukung mode verbatim dan clean.

Dalam mode verbatim, model mempertahankan lebih banyak detail dari ucapan asli. Kata pengisi seperti "eh", "um", atau pengulangan serta kesalahan dalam berbicara dapat tetap dicantumkan.

Mode seperti ini cocok ketika pengguna membutuhkan transkrip yang merepresentasikan percakapan secara lebih apa adanya. Misalnya untuk penelitian, dokumentasi wawancara, atau analisis percakapan.

Sementara itu, mode clean dirancang untuk menghasilkan teks yang lebih rapi dan mudah dibaca. Kata pengisi dapat dihilangkan sehingga hasil akhirnya terasa lebih menyerupai tulisan dibandingkan transkrip percakapan mentah.

Perbedaan kedua mode tersebut memberikan fleksibilitas karena tidak semua kebutuhan transkripsi membutuhkan tingkat detail yang sama.

Tetap Dirancang untuk Audio Bising

Kondisi lingkungan menjadi salah satu tantangan terbesar dalam teknologi pengenalan suara.

Rekaman di studio tentu berbeda dengan percakapan di jalan, ruang publik, kantor yang ramai, atau acara dengan banyak suara latar. Suara kendaraan, orang berbicara, musik, dan gema dapat membuat proses pengenalan ucapan menjadi lebih sulit.

Microsoft mengklaim MAI-Transcribe-2 tetap mampu mempertahankan performa yang baik dalam kondisi audio yang bising.

Kemampuan ini penting karena penggunaan AI transkripsi semakin banyak dilakukan di luar lingkungan yang terkontrol. Pengguna tidak selalu memiliki mikrofon profesional atau ruangan kedap suara.

Jika klaim tersebut terbukti dalam penggunaan nyata, kemampuan menghadapi audio bising dapat menjadi salah satu kelebihan penting MAI-Transcribe-2.

Apa Dampaknya bagi Pengguna?

Kehadiran MAI-Transcribe-2 memperlihatkan bahwa teknologi speech-to-text semakin berkembang menuju sistem yang lebih cepat, fleksibel, dan kontekstual.

Bagi pengguna biasa, teknologi seperti ini dapat membantu membuat catatan dari rekaman suara, mengubah percakapan menjadi teks, atau menghasilkan subtitle secara otomatis.

Bagi profesional, manfaatnya bisa lebih luas. Jurnalis dapat menggunakannya untuk membantu mentranskripsikan wawancara. Kreator konten dapat memanfaatkannya untuk membuat subtitle. Perusahaan dapat menggunakannya untuk dokumentasi rapat, sementara pengembang dapat memasukkan kemampuan transkripsi ke dalam aplikasi mereka.

Yang menarik, Microsoft tidak hanya berfokus pada akurasi kata per kata. Fitur seperti speaker diarization, timestamps, keyword biasing, identifikasi bahasa otomatis, dan dukungan code switching menunjukkan bahwa perusahaan mencoba membuat model yang lebih siap menghadapi percakapan manusia dalam kondisi nyata.

Persaingan AI Transkripsi Semakin Ketat

Peluncuran MAI-Transcribe-2 juga memperlihatkan semakin ketatnya persaingan teknologi AI di bidang suara.

OpenAI, Google, Microsoft, dan perusahaan teknologi lainnya kini tidak hanya berlomba membuat model bahasa yang pintar, tetapi juga mengembangkan kemampuan untuk memahami audio dengan lebih cepat dan akurat.

Klaim Microsoft mengenai kecepatan hingga 10 kali dibandingkan GPT-Transcribe dan lima kali dibandingkan Gemini 3.5 Transcribe tentu menarik perhatian. Namun, angka benchmark tetap perlu dilihat berdasarkan metode pengujian, jenis perangkat keras, kondisi audio, bahasa, dan konfigurasi yang digunakan.

Dengan kata lain, klaim performa tersebut menjadi indikator awal yang menarik, tetapi pengalaman penggunaan di berbagai skenario akan menjadi faktor penting untuk melihat seberapa besar keunggulan MAI-Transcribe-2 dalam praktik.

Kesimpulan

MAI-Transcribe-2 menjadi langkah Microsoft untuk memperkuat teknologi AI dalam bidang transkripsi suara. Model ini diklaim mampu memproses audio jauh lebih cepat dibandingkan sejumlah model pesaing sekaligus menawarkan tingkat akurasi yang tinggi.

Microsoft menyebut model tersebut meraih rata-rata WER 5,2 persen pada benchmark FLEURS untuk 60 bahasa dan berada di posisi tinggi dalam pengujian lainnya.

Selain performa, MAI-Transcribe-2 menawarkan fitur seperti speaker diarization, word-level timestamps, keyword biasing, identifikasi bahasa otomatis, dan kemampuan menangani code switching. Pengguna juga dapat memilih mode verbatim atau clean sesuai kebutuhan.

Jika seluruh klaim tersebut dapat dipertahankan dalam penggunaan dunia nyata, MAI-Transcribe-2 berpotensi menjadi salah satu model transkripsi AI yang menarik, terutama untuk aplikasi yang membutuhkan kombinasi antara akurasi, kecepatan, dan kemampuan memahami percakapan kompleks.