Endpoint mana yang harus dipakai?

Untuk mengolah berkas audio yang sudah direkam (rekaman rapat, podcast, video) pakai gemini-3.5-transcribe lewat Interactions API; untuk streaming dua arah real-time (subtitle langsung, asisten suara, layanan pelanggan) pakai gemini-3.5-transcribe-live lewat Live API. Batasannya berbeda; streaming real-time maksimal 10 menit per sesi kerja.

Mengapa mengaktifkan cap waktu memengaruhi akurasi?

Ini trade-off yang dicatat jelas oleh dokumen resmi: cap waktu tingkat kata hanya didukung endpoint pemrosesan berkas, dan mengaktifkannya menurunkan akurasi transkripsi. Jika aplikasi Anda tak butuh penyelarasan waktu presisi (misalnya hanya butuh transkrip, bukan subtitle), disarankan jangan diaktifkan.

Berapa kata yang perlu dimasukkan ke kosakata kustom?

Batas resmi 1.000 kata, tetapi disarankan sekitar 100 kata untuk hasil terbaik. Dalam praktik pilih istilah, nama produk, dan nama orang yang paling sering muncul sekaligus paling sering salah, bukan menuangkan seluruh daftar istilah.

Google Meluncurkan Gemini 3.5 Transcribe Versi Pratinjau, Suara ke Teks Mendukung Lebih dari 85 Bahasa

Q: Apakah Gemini 3.5 Transcribe mendukung bahasa Indonesia?

Dokumen resmi menyatakan mendukung lebih dari 85 bahasa dan dilengkapi tabel kode BCP-47, dan bahasa Indonesia termasuk di dalamnya. Namun resmi tak mengumumkan angka akurasi tersendiri untuk aksen lokal, jadi disarankan menguji dengan rekaman nyata Anda sendiri, terutama skenario rapat yang bercampur bahasa lokal dan Inggris.

Pada Agustus 2026 Google merilis model suara-ke-teks khusus Gemini 3.5 Transcribe, kini dalam pratinjau publik, terbagi dua endpoint: pemrosesan berkas dan streaming real-time, mendukung pemisahan pembicara, cap waktu tingkat kata, dan kosakata kustom. Bagi developer yang membuat notula rapat, subtitle, dan aplikasi suara, ini opsi baru yang layak dievaluasi.

Rabu sore pukul tiga, seorang insinyur di sebuah startup baru saja selesai rapat lintas negara, dan hal pertama yang dilakukannya setiba di meja adalah melempar berkas rekaman ke layanan transkripsi. Rapat dua jam bercampur bahasa lokal dan Inggris, transkrip yang keluar mengubah "blocker sprint ini" jadi serangkaian kata aneh, dan semua pembicara tercampur tak bisa dibedakan siapa. Ia menghela napas dan mulai memperbaikinya manual.

Skenario ini mungkin kenangan bersama semua tim teknologi. Dan model baru yang dirilis Google pada Agustus ini justru menyasar beberapa titik masalah ini.

Latar Belakang

Google pada Agustus 2026 meluncurkan model suara-ke-teks khusus Gemini 3.5 Transcribe di Gemini API, saat ini berstatus pratinjau publik (public preview).

Yang patut dicatat adalah rancangan produknya: ini bukan sekadar menambahkan masukan suara ke model Gemini umum, melainkan dipecah menjadi dua endpoint khusus. gemini-3.5-transcribe menangani berkas audio yang sudah direkam, lewat Interactions API; gemini-3.5-transcribe-live menangani streaming real-time dua arah, lewat Live API. Yang pertama cocok untuk kerja batch seperti rekaman rapat, podcast, subtitle video; yang kedua cocok untuk subtitle real-time, asisten suara, dan sistem layanan pelanggan.

Menurut dokumen resmi, model ini mendukung lebih dari 85 bahasa, dan dilengkapi tabel kode bahasa BCP-47.

Fokus Kali Ini

Pemisahan pembicara (speaker diarization): mendukung maksimal 8 pembicara, tetapi resmi mencatat bahwa penentuan atribusi untuk 3 pembicara ke atas masih bersifat eksperimental.
Cap waktu tingkat kata: hanya didukung endpoint pemrosesan berkas, dan resmi menyatakan bahwa mengaktifkannya menurunkan akurasi. Yang menyelaraskan subtitle perlu memperhatikan trade-off ini.
Deteksi bahasa otomatis dan alih kode: mendeteksi bahasa per kalimat, mendukung peralihan multibahasa dalam satu potongan audio—ini sangat penting untuk skenario rapat yang bercampur bahasa lokal dan Inggris.
Bias kosakata kustom (custom vocabulary biasing): bisa menyediakan maksimal 1.000 kata, tetapi resmi menyarankan sekitar 100 kata untuk hasil terbaik. Di sinilah Anda memasukkan istilah internal perusahaan, nama produk, dan nama orang.
Transkripsi cerdas: bisa menghilangkan kata pengisi dan gumaman.
Batas durasi audio: pemrosesan berkas maksimal 1 jam sekali; bila pemisahan pembicara atau cap waktu diaktifkan, batasnya turun jadi 30 menit; streaming real-time 10 menit per sesi kerja.

Soal akurasi dan harga, halaman dokumen resmi sendiri tidak mencantumkan angka word error rate (WER) dan detail harga. Laporan pihak ketiga (MarkTechPost) mengutip pengukuran Artificial Analysis, menyebut rata-rata WER non-streaming sekitar 2,6% dan streaming sekitar 4,0%; sejumlah artikel rangkuman memberi perkiraan harga sekitar 0,005 dolar AS per menit untuk batch dan 0,009 dolar AS per menit untuk real-time. Angka-angka ini bukan pengumuman resmi Google; tarif sebenarnya mengacu pada halaman harga Gemini API.

Analisis Dampak Pasar

Bagi pengguna Indonesia: dukungan alih kode adalah fitur yang paling patut diperhatikan kali ini. Kenyataan bahasa rapat di dunia kerja adalah bercampur bahasa lokal dan Inggris—kalimat seperti "timeline feature ini harus di-push" hampir pasti salah pada model transkripsi lama. Jika deteksi bahasa per kalimat benar-benar bisa menangani campuran ini secara stabil, maka kegunaannya untuk notula rapat dan transkrip wawancara akan meningkat jelas. Tetapi perlu diingatkan: resmi tak mengumumkan angka akurasi tersendiri untuk aksen lokal, jadi hal ini hanya bisa diuji sendiri.

Bagi penerapan perusahaan: bias kosakata kustom adalah fitur paling praktis saat perusahaan menerapkannya. Kode produk internal, nama proyek, nama rekan kerja—model umum pasti salah menuliskannya, tetapi bisa dimasukkan lewat daftar kosakata. Resmi menyarankan sekitar 100 kata untuk hasil terbaik, dan angka ini sangat praktis—jangan menjejalkan 1.000 kata sekaligus, pilih dulu yang paling sering muncul sekaligus paling sering salah.

Namun batas audio 30 menit dan 1 jam, untuk rekaman panjang seperti paparan investor dan pelatihan, membutuhkan pemrosesan pemenggalan berkas tambahan. Sebelum menerapkan, hitung biaya rekayasa bagian ini.

Bagi developer: rancangan dua endpoint terpisah berarti Anda harus memilih API sesuai skenario, bukan satu untuk semua. Yang membuat subtitle real-time pakai Live API, tetapi batas 10 menit per sesi berarti siaran panjang perlu penanganan penyambungan. Yang membuat transkripsi batch pakai Interactions API, dan perhatikan bahwa mengaktifkan cap waktu mengorbankan akurasi—jika aplikasi Anda tak butuh penyelarasan waktu yang presisi, jangan aktifkan.

Persaingan pasar juga perlu dipertimbangkan. ElevenLabs punya ekosistem yang mapan di bidang suara, Otter.ai punya pengalaman produk matang di skenario rapat, dan Descript memadukan transkripsi ke dalam alur penyuntingan. Pilihan di lapis API murni makin banyak, dan itu kabar baik bagi developer.

Tren Perkembangan ke Depan

Kategori suara-ke-teks sedang terbelah menjadi dua lapis: satu lapis adalah model API (adu akurasi, jumlah bahasa, harga satuan), lapis lain adalah produk aplikasi (adu integrasi alur kerja dan pengalaman). Kali ini Google jelas berdiri di lapis pertama, menjual kemampuan model ke developer, tidak membuat aplikasi pengguna akhir.

Menurut saya fokus persaingan setahun ke depan akan bergeser dari "akurasi" ke "keluaran terstruktur". Sekadar mengubah suara jadi teks sudah mendekati komoditas; yang benar-benar bernilai adalah siapa yang berbicara, kapan berbicara, kalimat mana yang keputusan, kalimat mana yang tugas—pemisahan pembicara dan cap waktu semuanya infrastruktur menuju arah ini.

Hal lain yang patut diikuti adalah kapan versi pratinjau menjadi versi resmi. Selama pratinjau publik, perilaku model, harga, dan tingkat layanan semuanya bisa berubah, jadi sebelum memasukkannya ke lingkungan produksi, evaluasi risiko ini.

Ringkasan dan Ulasan TheAI Academy

Sejujurnya, kemajuan suara-ke-teks beberapa tahun ini sudah sampai tahap "cukup baik untuk penggunaan umum", dan adu beberapa persen akurasi lagi ke atas tak terlalu terasa. Yang benar-benar belum terselesaikan adalah kasus-kasus tepi: campuran multibahasa, banyak orang berebut bicara, istilah profesional, aksen. Fitur andalan Gemini 3.5 Transcribe kali ini kebetulan semuanya di titik-titik ini.

Saran konkret bagi tim di Indonesia: cari satu rekaman rapat nyata yang paling bikin pusing—idealnya yang bercampur bahasa lokal dan Inggris, lebih dari tiga orang, dan bicaranya cepat—lalu lempar bersamaan ke layanan yang kini Anda pakai dan model baru ini, bandingkan hasilnya. Jangan lihat demo resmi, jangan lihat angka rata-rata evaluasi pihak ketiga, uji dengan data Anda sendiri. Ingat juga merapikan 100 istilah internal perusahaan menjadi daftar kosakata untuk dimasukkan sekalian, karena itulah kondisi penggunaan yang nyata.

Ulasan: suara-ke-teks sudah tak kekurangan opsi yang "layak pakai", yang kurang adalah model yang bisa menangani situasi kacau seperti campuran bahasa lokal dan Inggris. Spesifikasi Gemini 3.5 Transcribe tampak tepat sasaran, tetapi apakah ia mumpuni pada aksen lokal, resmi tak memberi angka, jadi hanya bisa diuji sendiri. Menghabiskan setengah hari untuk uji ini lebih berguna daripada membaca sepuluh ulasan.

Sumber

Artikel ini disusun dari informasi publik; spesifikasi fungsi dan harga mengacu pada keterangan resmi. WER dan perkiraan harga dalam artikel dikutip dari sumber pihak ketiga, bukan angka resmi Google.