--- title: "Transkripsi Audio Bahasa Indonesia dengan Whisper" description: "Langkah transkripsi audio bahasa Indonesia dengan faster-whisper dan whisper.cpp di server sendiri, memilih ukuran model, serta beda kecepatan CPU dan GPU." url: "https://nivelva.com/insight/transkripsi-audio-whisper-indonesia" category: "AI \u0026 Otomasi" tags: ["whisper","transkripsi","faster-whisper","whisper.cpp","speech to text"] author: "Theresia Candiawan" published: "2026-11-07T11:45:00+07:00" updated: "2026-11-07T11:45:00+07:00" language: "id" publisher: "Nivelva (https://nivelva.com)" --- # Transkripsi Audio Bahasa Indonesia dengan Whisper > **Jawaban singkat:** Whisper adalah model pengenal suara open-source dari OpenAI yang mendukung bahasa Indonesia. Untuk server sendiri, faster-whisper (Python) dan whisper.cpp (C/C++) lebih hemat sumber daya. Model small atau medium cukup untuk banyak keperluan di CPU, large-v3 dan turbo nyaman dengan GPU. Punya rekaman wawancara, rapat, atau panggilan pelanggan berjam-jam yang perlu diubah jadi teks, tapi tidak ingin mengunggahnya ke layanan pihak ketiga? Whisper bisa dijalankan di server atau komputer sendiri, gratis, dan mendukung bahasa Indonesia. Kuncinya ada di memilih varian yang tepat dan ukuran model yang sesuai dengan mesinmu. Whisper dirilis OpenAI sebagai model open-source, dengan kode dan bobot model berlisensi MIT. Selain versi aslinya, ada dua varian populer untuk dipasang sendiri: **faster-whisper**, implementasi ulang memakai mesin CTranslate2, dan **whisper.cpp**, port ke C/C++ tanpa dependensi eksternal. Panduan di bawah memakai keduanya. ## Langkah 1: Pilih ukuran model Whisper hadir dalam beberapa ukuran. Model besar lebih akurat, tetapi lebih lambat dan butuh memori lebih banyak. Untuk bahasa Indonesia, pakai model multibahasa, bukan varian berakhiran `.en` yang khusus bahasa Inggris. Menurut repositori resmi OpenAI, perkiraan kebutuhan VRAM dan kecepatan relatif (dibanding model large, diukur dengan audio bahasa Inggris di GPU A100) adalah sebagai berikut: - **tiny** (39 juta parameter): sekitar 1 GB, kira-kira 10x lebih cepat - **base** (74 juta): sekitar 1 GB, kira-kira 7x - **small** (244 juta): sekitar 2 GB, kira-kira 4x - **medium** (769 juta): sekitar 5 GB, kira-kira 2x - **large** (1.550 juta): sekitar 10 GB, acuan 1x - **turbo** (809 juta): sekitar 6 GB, kira-kira 8x Turbo adalah versi large-v3 yang dioptimalkan agar jauh lebih cepat dengan penurunan akurasi kecil. Catatannya, turbo tidak dilatih untuk tugas terjemahan. Untuk sekadar transkripsi bahasa Indonesia, itu tidak masalah. Pedoman praktis: mulai dari **small** di server tanpa GPU untuk uji coba, naik ke **medium** bila hasilnya kurang akurat, dan pakai **large-v3** atau **turbo** bila tersedia GPU. ## Langkah 2: Siapkan server Transkripsi berjalan di CPU maupun GPU. CPU cukup untuk volume kecil dan tidak mendesak, misalnya beberapa rekaman per hari yang boleh selesai dalam hitungan jam. GPU NVIDIA membuat model besar jauh lebih praktis. Untuk server Linux, siapkan Python 3.9 atau lebih baru bila memakai faster-whisper, atau compiler C/C++ dan CMake bila memakai whisper.cpp. Panduan memilih vCPU dan RAM ada di [memilih spesifikasi VPS](https://nivelva.com/insight/memilih-spesifikasi-vps). ## Langkah 3: Transkripsi dengan faster-whisper Menurut dokumentasinya, faster-whisper hingga 4 kali lebih cepat dari implementasi asli OpenAI dengan akurasi yang sama, memakai memori lebih sedikit, dan bisa lebih efisien lagi dengan kuantisasi 8-bit di CPU maupun GPU. Pemasangannya satu perintah: ```bash pip install faster-whisper ``` FFmpeg tidak perlu dipasang terpisah karena dekode audio memakai PyAV. Contoh skrip untuk CPU dengan int8: ```python from faster_whisper import WhisperModel model = WhisperModel("medium", device="cpu", compute_type="int8") segments, info = model.transcribe( "wawancara.mp3", language="id", beam_size=5, vad_filter=True, ) for s in segments: print("[%.1fs -> %.1fs] %s" % (s.start, s.end, s.text)) ``` Untuk GPU, ganti `device="cuda"` dan `compute_type="float16"`. Versi terbaru CTranslate2 membutuhkan CUDA 12 dan cuDNN 9. Dua opsi yang berguna: `language="id"` memaksa bahasa Indonesia sehingga model tidak salah menebak bahasa di awal rekaman, dan `vad_filter=True` memakai Silero VAD untuk membuang bagian tanpa suara. Model diunduh otomatis dari Hugging Face saat pertama dijalankan. ## Langkah 4: Atau pakai whisper.cpp whisper.cpp cocok bila kamu ingin satu program ringan tanpa lingkungan Python. Langkah dasarnya: ```bash git clone https://github.com/ggml-org/whisper.cpp.git cd whisper.cpp cmake -B build cmake --build build -j --config Release sh ./models/download-ggml-model.sh small ``` Contoh program `whisper-cli` di repositori ini menerima file WAV 16-bit, jadi ubah dulu audio lain dengan ffmpeg: ```bash ffmpeg -i rekaman.mp3 -ar 16000 -ac 1 -c:a pcm_s16le rekaman.wav ./build/bin/whisper-cli -m models/ggml-small.bin -f rekaman.wav -l id ``` Opsi `-l id` penting: per 4 November 2026, dokumentasi contoh `whisper-cli` menyebut bahasa bawaannya `en`, jadi tanpa opsi ini rekaman bahasa Indonesia akan diproses sebagai bahasa Inggris. Daftar lengkap opsinya bisa dilihat dengan `whisper-cli -h`. whisper.cpp mendukung banyak akselerator, antara lain CUDA untuk NVIDIA, Vulkan, ROCm untuk AMD, Metal di Apple Silicon, dan OpenVINO untuk CPU serta GPU Intel. ## Langkah 5: Rapikan hasilnya Transkrip mentah biasanya masih perlu dirapikan: tanda baca, nama orang, nama produk, dan istilah teknis. Beberapa cara yang membantu: - **Audio yang bersih.** Satu mikrofon dekat pembicara jauh lebih baik dari rekaman ruangan. - **Glosarium.** Simpan daftar nama dan istilah yang sering salah dengar, lalu perbaiki dengan cari-ganti atau dengan bantuan model bahasa. - **Pemisahan pembicara.** Whisper sendiri tidak menandai siapa berbicara. Bila perlu, gunakan alat diarisasi terpisah atau rekam setiap pembicara di jalur audio sendiri. - **Ringkasan.** Transkrip bisa dirangkum oleh model bahasa lokal, langkahnya ada di [menjalankan LLM dengan Ollama](https://nivelva.com/insight/menjalankan-llm-lokal-ollama). Untuk rekaman panggilan pelanggan, pastikan ada pemberitahuan perekaman dan rekaman disimpan dengan akses terbatas. Server yang menyimpan rekaman juga perlu diamankan, lihat [cara mengamankan VPS baru](https://nivelva.com/insight/cara-mengamankan-vps-baru). ## Contoh pemakaian Wawancara untuk riset atau konten: transkrip memudahkan mencari kutipan dan menyusun artikel. Rapat internal: transkrip lalu dirangkum jadi notulen, perbandingannya dengan fitur bawaan aplikasi rapat dibahas di [AI transkrip notulen rapat](https://nivelva.com/insight/ai-transkrip-notulen-rapat). Rekaman layanan pelanggan: transkrip bisa dicari untuk menemukan keluhan yang berulang. ## Ringkasan pilihan | Kebutuhan | Pilihan yang masuk akal | |:--|:--| | Uji coba di server tanpa GPU | faster-whisper, model small, int8 | | Akurasi lebih baik di CPU, tidak mendesak | faster-whisper, model medium, int8 | | Volume besar dengan GPU NVIDIA | faster-whisper, large-v3 atau turbo, float16 | | Program ringan tanpa Python | whisper.cpp dengan model ggml | | GPU non-NVIDIA atau Apple Silicon | whisper.cpp (Vulkan, ROCm, Metal) | ## Pertanyaan yang sering diajukan ### Apakah Whisper gratis untuk dipakai bisnis? Kode dan bobot model Whisper dirilis dengan lisensi MIT, yang mengizinkan pemakaian komersial. Biaya yang ada adalah biaya server dan listriknya. ### Seberapa akurat untuk bahasa Indonesia? Akurasinya bergantung pada ukuran model, kualitas audio, dan logat. Repositori Whisper menyertakan grafik tingkat kesalahan per bahasa, tetapi cara terbaik adalah menguji dengan rekamanmu sendiri. ### Apakah bisa real-time? Panduan ini berfokus pada rekaman yang sudah jadi, dan untuk itulah Whisper paling nyaman dipakai. Transkripsi langsung butuh pengaturan tambahan dan perangkat yang lebih kuat, jadi uji dulu di mesinmu sebelum mengandalkannya. ### Apakah perlu koneksi internet? Hanya saat mengunduh model pertama kali. Setelah itu transkripsi berjalan sepenuhnya di mesinmu. ## Checklist sebelum memproses rekaman penting - Ukuran model sudah diuji dengan sampel rekaman nyata. - Bahasa dipaksa ke Indonesia (`id`). - Audio dikonversi ke format yang didukung bila memakai whisper.cpp. - Ada glosarium nama dan istilah untuk koreksi. - Rekaman dan transkrip disimpan dengan akses terbatas. ## Sumber - - - - --- Diterbitkan oleh Nivelva Insight (https://nivelva.com/insight/). Artikel ini: https://nivelva.com/insight/transkripsi-audio-whisper-indonesia Kontak Nivelva: WhatsApp https://wa.me/6285111245007, email hello@nivelva.com