TTS (Teks ke Suara)

Apa Itu TTS (Text-to-Speech)?

TTS adalah singkatan dari Text-to-Speech. Bentuk lengkapnya adalah text-to-speech, yang juga ditulis sebagai text to speech atau disebut sebagai sintesis ucapan. Ini adalah teknologi yang memungkinkan suatu perangkat atau aplikasi mengubah teks tertulis menjadi keluaran suara yang dapat didengar.

TTS merupakan kebalikan dari ASR (Automatic Speech Recognition), yang mengubah ucapan menjadi teks. Bersama-sama, keduanya membentuk lapisan masukan dan keluaran dalam interaksi lisan antara manusia dan komputer. ASR menangkap apa yang dikatakan seseorang, dan TTS menyampaikan respons sistem dalam bentuk suara.

TTS awalnya dikembangkan sebagai teknologi bantu pada tahun 1970-an hingga 1980-an, yang dirancang untuk membantu pengguna dengan gangguan penglihatan mengakses konten tertulis. Saat ini, TTS telah menjadi teknologi inti di dunia usaha, yang diterapkan di berbagai pusat layanan pelanggan, sistem navigasi, speaker pintar, platform e-learning, dan agen AI percakapan.

Cara Kerja TTS: Alur Pemrosesan

Tahap 1: Analisis Teks (Front-End) Teks masukan mentah diproses melalui alur analisis linguistik:

• Normalisasi Teks: Angka, mata uang, tanggal, singkatan, dan simbol diubah menjadi bentuk lisan. ‘3/12/2024’ menjadi ‘tiga Desember dua ribu dua puluh empat’; ‘Rs. 500’ menjadi ‘lima ratus rupee.’
• Deteksi Batas Kalimat: Sistem ini mengidentifikasi di mana kalimat dimulai dan berakhir, sehingga menentukan penempatan jeda dalam audio hasil keluaran.
• Penandaan Kelas Kata: Kata-kata diberi label sebagai kata benda, kata kerja, kata sifat, dan sebagainya, yang menentukan pola aksen dan penekanan.
• Konversi Grafem ke Fonem (G2P): Karakter tertulis diubah menjadi urutan fonem, yaitu satuan dasar bunyi. Hal ini memungkinkan penanganan ejaan yang tidak beraturan dan pengucapan yang bergantung pada konteks.

Tahap 2: Prediksi Prosodi Prosodi—yakni ritme, penekanan, dan intonasi ucapan—diprediksi oleh model saraf. Hasil keluaran model tersebut menentukan suku kata mana yang harus ditekankan, di mana nada naik dan turun, serta seberapa lama jeda harus berlangsung. Tahap inilah yang membedakan TTS yang terdengar alami dari hasil keluaran yang terdengar seperti robot.

Tahap 3: Pemodelan Akustik Urutan fonem yang dilengkapi anotasi prosodi kemudian dimasukkan ke dalam model akustik yang menghasilkan spektrogram mel, yaitu representasi waktu-frekuensi dari sinyal audio. Model akustik modern (FastSpeech 2, VITS, Tacotron 2) menggunakan arsitektur berbasis transformer atau berbasis aliran yang dilatih secara end-to-end menggunakan ribuan jam data ucapan manusia.

Tahap 4: Pembentukan Gelombang (Vocoder) Vocoder berbasis jaringan saraf (WaveNet, HiFi-GAN, UnivNet) mengubah spektrogram mel menjadi bentuk gelombang audio mentah. Inilah file audio yang sebenarnya dapat diputar. Vocoder berbasis jaringan saraf menghilangkan artefak dan kualitas suara yang teredam yang sering ditemui pada vocoder pemrosesan sinyal generasi lama.

Tahap 5: Penyerahan Hasil Bentuk gelombang audio disalurkan dalam bentuk streaming (secara real-time, untuk aplikasi interaktif) atau sebagai berkas (WAV, MP3, OGG untuk pembuatan konten). Untuk aplikasi pusat layanan pelanggan, streaming sangat penting; latensi audio pertama harus tetap di bawah 300 ms agar alur percakapan tetap terasa alami.

Jenis-jenis Sistem Text-to-Speech

• TTS Konkatenatif: Stitches menggabungkan potongan-potongan audio yang telah direkam sebelumnya. Kualitas suaranya cukup baik, namun terdengar terputus-putus di bagian sambungan, dengan fleksibilitas yang rendah karena terbatas pada kata-kata yang telah direkam.
• TTS Parametrik: Model statistik menghasilkan parameter ucapan. Kualitas suaranya lebih rendah daripada suara manusia dan suara sintetis, dengan tingkat fleksibilitas sedang.
• TTS Berbasis Jaringan Saraf Tiruan: Jaringan saraf dalam menghasilkan ucapan secara end-to-end. Kualitas suaranya mirip manusia, dengan prosodi yang alami dan fleksibilitas yang tinggi.
• TTS Berbasis Jaringan Saraf Tiruan dengan Kloning Suara: TTS berbasis jaringan saraf yang disesuaikan dengan embedding suara pembicara tertentu. Kualitas suaranya mirip manusia dan disesuaikan dengan suara pembicara, serta memiliki fleksibilitas yang sangat tinggi.
• TTS yang Peka terhadap Emosi: TTS berbasis jaringan saraf dengan gaya emosional yang dapat dikendalikan. Kualitas suaranya mirip manusia dan ekspresif, serta memiliki fleksibilitas yang sangat tinggi.

Manfaat Utama TTS bagi Perusahaan

• Menghilangkan Ketergantungan pada Petunjuk yang Direkam: Sistem IVR yang menggunakan rekaman audio prerekam memerlukan sesi perekaman ulang setiap kali kontennya berubah. TTS memungkinkan pembaruan instan hanya dengan mengedit teks, tanpa perlu studio, tanpa perlu pengisi suara, dan tanpa penundaan.
• Personalisasi Dinamis dalam Skala Besar: TTS mensintesis ucapan secara real-time dari teks yang dihasilkan secara dinamis, dengan menyisipkan nama pelanggan, saldo rekening, atau nomor pesanan ke dalam respons yang diucapkan. Hal ini tidak mungkin dilakukan dengan rekaman audio yang sudah direkam sebelumnya.
• Penerapan Multibahasa dari Satu Platform: Sebuah platform TTS berbasis jaringan saraf tunggal menghasilkan keluaran suara dalam puluhan bahasa melalui alur pemrosesan teks yang sama, sehingga memungkinkan pusat layanan pelanggan melayani pelanggan regional dalam bahasa ibu mereka tanpa perlu mengelola perpustakaan suara terpisah untuk masing-masing bahasa.
• Efisiensi Biaya: TTS sepenuhnya menghilangkan biaya pengisi suara per sesi. Untuk kampanye IVR dan panggilan keluar berskala besar, hal ini berarti penghematan biaya yang signifikan, terutama bagi organisasi yang melakukan jutaan panggilan otomatis setiap bulannya.
• Suara Merek yang Konsisten: TTS menghadirkan kualitas suara, aksen, dan kecepatan bicara yang konsisten di setiap panggilan, setiap saat, tanpa terpengaruh oleh kelelahan, sakit, atau perubahan suasana hati.
• Pembaruan Konten Instan: Ketika pernyataan penafian regulasi, detail produk, atau informasi harga berubah, konten suara berbasis TTS akan langsung diperbarui hanya dengan mengedit teksnya, yang sangat penting bagi sektor-sektor yang sangat memperhatikan kepatuhan seperti BFSI dan layanan kesehatan.
• Kepatuhan terhadap Aksesibilitas: Teknologi TTS berbasis jaringan saraf memungkinkan penggunaan pembaca layar dan antarmuka suara yang memenuhi standar aksesibilitas (WCAG 2.1, ADA), sehingga produk digital dapat digunakan oleh pengguna dengan gangguan penglihatan dan disleksia.

Contoh Penerapan Teknologi Text-to-Speech di Pusat Layanan Pelanggan

Petunjuk Suara IVR Setiap pesan yang didengar penelepon dalam sistem IVR, termasuk salam sambutan, pilihan menu, pesan saat ditahan, dan respons kesalahan, disampaikan melalui TTS di pusat kontak berbasis cloud modern. Neural TTS menggantikan rekaman audio dengan ucapan yang dihasilkan secara dinamis, sehingga memungkinkan salam sambutan yang dipersonalisasi dan pembaruan konten secara real-time.

Bot Suara dan Respons AI Berbasis Percakapan TTS adalah suara dari setiap agen pusat layanan pelanggan yang didukung AI. Ketika bot suara menjawab pertanyaan, teks respons yang dihasilkan oleh lapisan NLU/manajemen dialog diubah menjadi audio oleh TTS sebelum disampaikan kepada penelepon. Latensi TTS secara langsung memengaruhi kesan kealamian percakapan.

Panggilan Otomatis Keluar Kampanye keluar untuk pengingat pembayaran, konfirmasi janji temu, dan pemberitahuan pengiriman menggunakan TTS untuk menghasilkan pesan yang dipersonalisasi bagi setiap penerima: “Selamat pagi, Priya. Cicilan bulanan Anda sebesar tiga ribu rupee jatuh tempo pada tanggal lima belas,” dengan biaya dan skala yang tidak mungkin dicapai oleh agen manusia atau rekaman audio yang sudah disiapkan sebelumnya.

Survei Pasca-Panggilan Survei kepuasan pelanggan (CSAT) berbasis IVR menggunakan TTS untuk menyajikan pertanyaan survei. Berbeda dengan survei yang direkam, survei berbasis TTS dapat menyesuaikan redaksi pertanyaan secara dinamis dan memperbarui pertanyaan secara instan tanpa perlu merekam ulang.

Fitur Bantuan Agen untuk Membaca dengan Suara Keras TTS membacakan tanggapan yang disarankan, artikel basis pengetahuan, atau skrip kepatuhan secara lantang kepada agen melalui headset mereka, sehingga agen dapat fokus pada percakapan alih-alih harus menatap layar.

Aksesibilitas dan Pembaca Layar TTS mendukung pembaca layar yang terintegrasi dalam aplikasi perbankan, portal pemerintah, dan perangkat lunak perusahaan, sehingga memungkinkan pengguna dengan gangguan penglihatan untuk menavigasi produk digital melalui output suara.

TTS vs Audio yang Direkam Sebelumnya: Kapan Harus Menggunakan Masing-Masing

• Kualitas Suara: Kualitas audio yang direkam sebelumnya adalah yang terbaik (rekaman manusia); TTS mendekati kualitas suara manusia berkat teknologi TTS berbasis jaringan saraf.
• Konten Dinamis: Tidak dapat dilakukan dengan audio yang telah direkam sebelumnya; didukung sepenuhnya dengan TTS.
• Waktu Penyelesaian Pembaruan: Audio yang direkam sebelumnya membutuhkan waktu berhari-hari (sesi perekaman ulang); TTS hanya membutuhkan waktu beberapa detik (pengeditan teks).
• Biaya per Pesan: Biaya audio yang direkam sebelumnya cukup tinggi (studio + narator); sedangkan biaya TTS nyaris nol jika diterapkan dalam skala besar.
• Cakupan Bahasa: Audio yang direkam sebelumnya memerlukan satu rekaman per bahasa; TTS menggunakan satu model untuk berbagai bahasa.
• Paling Cocok Untuk: Audio yang direkam sebelumnya cocok untuk konten yang berdampak besar dan jarang berubah (perkenalan merek, pernyataan penafian hukum); sedangkan TTS cocok untuk konten suara yang dinamis, bervolume besar, dan sering diperbarui.

Metrik Kualitas TTS

• Skor Opini Rata-rata (MOS): Penilaian standar oleh pendengar terhadap kealamian dan kejelasan ucapan pada skala 1–5. Sistem TTS berbasis jaringan saraf memperoleh skor 4,0–4,4 MOS; sedangkan ucapan manusia rata-rata sekitar 4,5.
• Tingkat Kesalahan Karakter (CER): Akurasi pengucapan, yang mengukur seberapa sering sistem TTS salah mengucapkan karakter atau fonem dibandingkan dengan hasil yang diharapkan.
• Latensi Blok Pertama: Waktu dari permintaan sintesis hingga byte audio pertama. Target untuk penggunaan pusat layanan pelanggan secara real-time: di bawah 300 ms.
• Faktor Waktu Nyata (RTF): Jika nilai RTF di bawah 1,0, audio dihasilkan lebih cepat daripada kecepatan pemutarannya, sehingga memungkinkan streaming dengan latensi rendah tanpa buffering.
• Skor Keterdengarannya: Diukur dengan menyajikan hasil TTS kepada pendengar manusia atau sistem ASR hilir, serta mengukur tingkat akurasi pengenalan.

Arsitektur TTS: Concatenative vs Neural

TTS Konkatenatif bekerja dengan mengelompokkan rekaman ucapan seorang pengisi suara menjadi ribuan unit kecil, yang disebut difon atau trifon, lalu menggabungkannya untuk membentuk ucapan baru. Kualitasnya terbatas karena transisi antar segmen yang disambung menimbulkan artefak yang terdengar, dan rentang ekspresifnya dibatasi pada apa yang awalnya direkam. TTS Neural melatih model pembelajaran mendalam secara langsung pada rekaman ucapan. Model ini belajar menghasilkan ucapan dari awal, memprediksi sifat akustik, nada, dan waktu setiap suara, bukan hanya menyusun fragmen yang telah direkam sebelumnya. Hasilnya adalah ucapan yang lancar dan ekspresif dengan prosodi alami yang dapat diterapkan pada input teks apa pun, termasuk kata-kata yang belum pernah didengar selama pelatihan. Neural TTS juga memungkinkan kloning suara: dengan mengkondisikan model sintesis pada embedding penutur yang diperoleh dari sampel singkat suara penutur target, sistem ini menghasilkan ucapan baru yang sesuai dengan karakteristik vokal, timbre, aksen, ritme, dan gaya penutur tersebut.

TTS di India: Pertimbangan Bahasa dan Regulasi

• Keragaman bahasa di India, dengan 22 bahasa resmi, ratusan dialek, serta praktik peralihan kode bahasa Hindi-Inggris yang meluas, menjadikan pemilihan model TTS sebagai hal yang sangat penting. Sistem TTS bahasa Inggris umum menunjukkan kinerja yang buruk saat memproses nama-nama orang India, nama tempat, dan kalimat yang menggunakan campuran bahasa.
• Penerapan TTS di sektor korporat di India memerlukan model yang dilatih menggunakan data bahasa India yang mewakili wilayah setempat, lengkap dengan leksikon khusus untuk nama produk, istilah keuangan, dan istilah regulasi.
• Peraturan TRAI mengatur konten panggilan suara otomatis. Pesan suara yang dihasilkan oleh TTS dalam kampanye keluar harus mematuhi persyaratan persetujuan TCCCPR dan kewajiban penyaringan daftar DND.
• Rekaman panggilan dari interaksi yang difasilitasi oleh TTS termasuk dalam ruang lingkup Undang-Undang DPDP India (2023) serta pedoman penyimpanan data sektoral yang berlaku dari RBI dan IRDAI.