Teks ke Speech

Cara Kerja Web Speech API

Browser mengekspos antarmuka SpeechSynthesis (bagian dari Web Speech API, yang awalnya dibuat oleh W3C Speech API Community Group) yang mengambil teks dan suara yang dipilih serta menghasilkan ucapan yang dapat didengar melalui mesin TTS sistem operasi yang mendasarinya. Permukaan API lengkapnya kecil tetapi kuat: speechSynthesis.speak(utterance) memulai ucapan, cancel() / pause() / resume() mengontrol pemutaran, dan getVoices() mencantumkan setiap suara yang diekspos OS. Setiap SpeechSynthesisUtterance membawa teks, tag bahasa, suara, kecepatan, nada, dan volume.

Audio itu sendiri dihasilkan oleh OS, bukan browser. macOS dan iOS hadir dengan puluhan suara berkualitas tinggi yang sudah tertanam dalam sistem. Windows menampilkan suara yang dipasang melalui Pengaturan → Waktu & Bahasa → Ucapan. Android menggunakan mesin Text-to-Speech Google (atau alternatif seperti Samsung TTS). Linux menggunakan pengaturan speech-dispatcher / espeak yang disediakan distro, yang sering terdengar robotik secara default kecuali Anda telah memasang mesin yang lebih kaya.

Perbedaan Privasi Cloud-vs-Lokal

Tidak setiap suara «browser» berjalan di perangkat Anda. Beberapa browser mengirim teks ke server jarak jauh untuk merender audio bagi suara berkualitas lebih tinggi, lalu melakukan streaming hasilnya kembali. Ini penting untuk privasi:

• Safari (macOS / iOS): sintesis berjalan sepenuhnya di perangkat. Suara Apple, termasuk yang alami bergaya Siri, sudah tertanam dalam OS. Tidak ada teks yang meninggalkan perangkat.
• Chrome (desktop dan Android): untuk beberapa suara berlabel «Google», teks dikirim ke layanan TTS Google untuk merender audio. Suara Chrome lain yang mencerminkan suara OS lokal tetap di perangkat. Properti SpeechSynthesisVoice.localService memberi tahu Anda mana yang mana (true = di perangkat, false = cloud).
• Microsoft Edge: pola serupa. Suara «Online Natural» berkualitas tinggi dari Edge merutekan teks ke TTS cloud Microsoft; suara OS standar bersifat lokal.
• Firefox: dukungan Web Speech API secara historis terbatas; pada sistem tempat ia berfungsi, menggunakan mesin OS.

Jika teks Anda sensitif (draf dokumen rahasia, memo perusahaan internal, apa pun yang tidak ingin Anda salin ke pihak ketiga) pilih suara yang ditandai sebagai lokal. Jika Anda tidak melihat suara lokal di dropdown, pasang paket suara OS dan mereka akan muncul di sana.

Kasus Penggunaan Umum

• Aksesibilitas. Pembaca layar (VoiceOver, NVDA, JAWS, TalkBack) menangani pekerjaan berat bagi pengguna tunanetra dan low-vision, tetapi alat TTS cepat membantu siapa saja (disleksia, ketegangan mata, kelelahan) mendapatkan teks yang dibacakan sesekali.
• Proofreading. Mendengar tulisan Anda sendiri dibacakan kembali menangkap kalimat yang canggung, kata yang hilang, dan masalah ritme yang terlewatkan saat membaca diam. Trik umum penulis profesional.
• Pengucapan untuk pembelajaran bahasa. Dengarkan kata-kata diucapkan dalam bahasa target; berguna saat membaca artikel asing dan tidak yakin bagaimana suatu kata terdengar.
• Membaca artikel dengan lantang sambil mengerjakan tugas rumah. Memasak, membersihkan, berolahraga, bepergian, di mana pun membaca tidak praktis tetapi mendengarkan bisa dilakukan.
• Draf voiceover. Buat tiruan narasi dengan cepat untuk menguji tempo sebelum merekam dengan aktor suara nyata atau memesan layanan TTS berbayar seperti ElevenLabs.
• Pendidikan. Menghasilkan materi yang diucapkan untuk konten kelas, latihan kosakata, latihan dikte, aksesibilitas untuk peserta didik yang beragam.

Keanehan dan Keterbatasan yang Perlu Diketahui

• Batas potong teks panjang Chrome. Bug Chromium yang sudah lama ada (679437) membuat speak() berhenti setelah sekitar 15 detik, biasanya sekitar 200-250 karakter. Solusinya adalah membagi teks menjadi potongan sepanjang kalimat dan memanggil speak() untuk masing-masing.
• Peristiwa voiceschanged. Panggilan pertama ke speechSynthesis.getVoices() di Chrome mengembalikan array kosong. Suara diisi secara asinkron; halaman perlu mendengarkan peristiwa voiceschanged sebelum menampilkan daftar suara.
• Persyaratan gestur pengguna. Seperti autoplay-dengan-audio, browser memblokir sintesis ucapan sampai pengguna mengklik atau mengetuk sesuatu. Tombol Speak memenuhi gestur tersebut; ucapan programatik saat halaman dimuat tidak akan berfungsi.
• Mode Daya Rendah iOS. Ketika iPhone dalam Mode Daya Rendah, Safari terkadang menolak memulai sintesis ucapan sampai mode dinonaktifkan.
• Bug jeda / lanjutkan di Android Chrome. Menjeda dan melanjutkan terkadang menghilangkan antrean. Jika keandalan penting, mulai ulang dari speak() daripada mengandalkan pause() / resume().
• Kecepatan / nada di luar jangkauan gagal diam-diam. Mengatur kecepatan di atas sekitar 3,0 atau di bawah 0,1, atau nada di atas 2,0, menyebabkan beberapa mesin tidak menghasilkan audio sama sekali alih-alih membatasi nilai.

Mengapa Kualitas Suara Sangat Bervariasi

Kualitas suara TTS sepenuhnya bergantung pada mesin yang mendasarinya, yang bergantung pada OS, yang bergantung pada apa yang Anda pasang. Suara era 1990-an (eSpeak, Microsoft Anna, Mac «Fred» lama) disintesis dari sampel fonem yang digabungkan dan terdengar robotik serta kaku. Suara modern (suara Siri Apple, suara Online Natural Microsoft, suara berbasis WaveNet Google, suara berlangganan ElevenLabs) menggunakan deep learning untuk menghasilkan audio yang hampir tidak dapat dibedakan dari pembaca manusia.

Jika suara dalam dropdown Anda terdengar robotik, solusinya bukan alat ini, melainkan memasang suara yang lebih baik di OS Anda:

• Windows: Pengaturan → Waktu & Bahasa → Ucapan → Tambah suara. Suara «Online Natural» Microsoft jauh lebih baik daripada default offline.
• macOS: Pengaturan Sistem → Aksesibilitas → Konten yang Diucapkan → Suara Sistem → Kelola Suara. Cari suara «Premium» / «Enhanced»; suara tersebut diunduh di latar belakang dan secara signifikan meningkatkan kualitas.
• iOS: Pengaturan → Aksesibilitas → Konten yang Diucapkan → Suara. Konvensi penamaan yang sama dengan macOS.
• Android: Pengaturan → Aksesibilitas → Output text-to-speech → Google → Pasang data suara.
• Linux: pasang festival atau mbrola untuk kualitas yang lebih baik dari eSpeak, atau gunakan TTS cloud melalui API.

Kesalahan Umum

1. Mengharapkan Firefox mendukungnya. Dukungan Web Speech API Firefox tertinggal. Tombol Speak akan dinonaktifkan saat Anda mengunjungi di Firefox; gunakan browser berbasis Chromium atau Safari untuk TTS yang andal.
2. Menempel teks rahasia ke sesi Chrome dan menganggap itu bersifat lokal. Suara «Google» default Chrome mengirim teks ke layanan TTS Google. Pilih suara lokal atau gunakan Safari untuk konten sensitif.
3. Blok teks panjang di Chrome. Batas potong 15 detik / ~250 karakter menimpa siapa pun yang menempel paragraf dan mengharapkan semuanya dibacakan. Pecah teksnya atau gunakan Safari (tidak ada batas potong).
4. Mengatur kecepatan atau nada terlalu jauh di luar jangkauan. Mesin tidak melakukan penjepitan nilai; secara diam-diam tidak menghasilkan audio. Tetap dalam kecepatan 0,5-2,5 dan nada 0,5-1,5 untuk hasil yang dapat diprediksi.
5. Memperlakukan TTS browser sebagai voiceover berkualitas produksi. Bahkan suara browser terbaik cukup baik untuk proofreading, aksesibilitas, dan draf kasar, bukan untuk podcast yang diterbitkan atau voiceover komersial. Untuk itu, lihat ElevenLabs, Murf, atau layanan berbayar serupa.
6. Lupa bahwa suara diunduh secara asinkron. Kunjungan halaman pertama di Chrome mungkin tidak menampilkan suara; segarkan setelah sebentar dan mereka akan muncul.

Pertanyaan yang Lebih Sering Diajukan

Bagaimana cara mengetahui apakah suara bersifat lokal atau berbasis cloud?

Secara programatik, properti SpeechSynthesisVoice.localService adalah true untuk suara di perangkat dan false untuk suara berbasis cloud. Dalam praktiknya, konvensi penamaan suara membantu: suara Chrome berlabel «Google» biasanya berbasis cloud; suara yang cocok dengan suara OS yang terpasang (Microsoft David, Apple Samantha, Google Wavenet en-US-Wavenet-D) bersifat lokal jika OS memilikinya. Suara Safari selalu lokal.

Bisakah saya menyimpan audio sebagai file MP3?

Tidak dengan Web Speech API browser secara langsung, spesifikasi tidak mengekspos aliran audio untuk ditangkap. Jika Anda membutuhkan MP3 / WAV yang dapat diunduh, opsinya meliputi: aplikasi voiceover khusus seperti Audacity yang merekam audio sistem, API TTS berbayar (Google Cloud TTS, Amazon Polly, ElevenLabs) yang mengembalikan file audio, atau aplikasi perekam layar yang menangkap pemutaran.

Mengapa audio terputus-putus atau berhenti di tengah kalimat?

Penyebab paling umum di Chrome adalah bug teks panjang, ucapan berhenti pada sekitar 15 detik. Segarkan dan coba lagi dengan kutipan yang lebih pendek, atau beralih ke Safari yang tidak memiliki batasan tersebut. Penyebab lain: gangguan sistem pada mesin ucapan OS (restart biasanya memperbaikinya), atau suara cloud gagal mengambil saat offline (beralih ke suara lokal).

Apakah ini berfungsi dalam bahasa apa pun?

Bahasa apa pun yang sistem operasi Anda memiliki suara yang terpasang. macOS dan iOS hadir dengan puluhan bahasa bawaan. Windows mengharuskan pemasangan paket ucapan per bahasa (Pengaturan → Waktu & Bahasa → Ucapan → Tambah suara). Android memerlukan TTS Google atau mesin pihak ketiga untuk mengunduh data bahasa. Dropdown Suara mencantumkan semua yang tersedia; tag bahasa (en-US, fr-FR, ja-JP, dll.) memberi tahu Anda bahasa yang dihasilkan setiap suara.

Apakah ini berguna untuk podcast?

Untuk draf dan pengujian tempo, ya. Untuk episode yang diterbitkan, standar kualitas lebih tinggi, bahkan suara browser terbaik memiliki artefak halus yang dengan cepat diperhatikan pendengar. Layanan berbayar seperti ElevenLabs dan Murf menawarkan model suara yang dilatih untuk narasi panjang dan menghasilkan hasil yang jauh lebih baik, sering dengan biaya beberapa sen per seribu karakter.

Bisakah saya menggunakan ini untuk pengguna tunanetra / low-vision di situs saya sendiri?

Situs biasanya tidak perlu menanamkan TTS untuk aksesibilitas, teknologi bantu seperti pembaca layar (VoiceOver di perangkat Apple, NVDA / JAWS di Windows, TalkBack di Android) menangani itu secara universal. TTS yang disematkan lebih berguna untuk kenyamanan baca-keras sesekali bagi pengguna yang melihat dengan kelelahan membaca atau pelajar. Untuk aksesibilitas, fokus pada HTML semantik, label ARIA, navigasi keyboard, dan kontras, semuanya membantu setiap pembaca layar bekerja lebih baik, termasuk milik pengguna sendiri.

Alat terkait