Kami Pakai OpenAI Whisper, Transkrip Video Arsip Jadi Gampang

Alasan Kami Memilih Jalur API Komersial

Awalnya kami mengira akan menggunakan implementasi Whisper yang bersifat open source seperti kebanyakan institusi lain. Namun, sistem kami berjalan di platform Heroku yang memiliki keterbatasan memori RAM dan ruang penyimpanan disk yang cukup ketat. Menginstal model open source berukuran raksasa tentu akan memakan anggaran infrastruktur yang sangat besar.

Lalu kami melihat peluang lain dengan memanfaatkan layanan komersial OpenAI API Whisper. Meskipun kami tidak bisa mengotak-atik modelnya, layanan ini tidak memerlukan pengelolaan server mandiri yang rumit. Keputusan ini terbukti tepat karena sangat ramah bagi dompet dan kapasitas server kami.

Biaya yang kami keluarkan ternyata sangat murah yaitu hanya sekitar 0,006 dolar AS per menit audio. Kami hanya menghabiskan sekitar Rp400.000 untuk memproses seluruh arsip Video berdurasi 70 jam. Pilihan ini menjadi solusi super efisien bagi tim kecil dengan anggaran yang terbatas seperti kami.

Trik Mengatasi Batasan Ukuran File Whisper

Masalah baru muncul karena API Whisper membatasi ukuran maksimal file unggahan sebesar 25 MB saja. Padahal, beberapa Video arsip sejarah milik kami memiliki durasi panjang hingga dua jam lebih. Format audio standar yang kami ekstrak langsung dari Video tersebut jelas langsung menolak karena ukurannya terlalu besar.

Kami mengakali kendala ini dengan menggunakan bantuan alat pengolah media serbaguna yaitu ffmpeg. Kami mengubah format audio menjadi encoding opus dalam kontainer ogg dengan profil suara voip berkecepatan 16k. Hasilnya, file audio berdurasi dua jam kini berhasil menyusut drastis di bawah batas 25 MB.

Trik penyesuaian kompresi audio ini ternyata memberikan dampak positif yang tidak kami duga sebelumnya. Beberapa diskusi di forum teknologi menyebutkan bahwa penurunan sampel audio justru membuat Whisper bekerja lebih akurat. Proses Transkripsi otomatis kami pun berjalan sangat lancar tanpa kendala teknis.

Mengatasi Bug Safari dan Optimasi Transkrip

Kami juga memasang transkrip interaktif yang tersinkronisasi tepat di sebelah pemutar Video utama kami. Kami meniru gaya desain YouTube agar penonton bisa mengeklik teks untuk melompat ke durasi tertentu. Fitur ini sangat membantu navigasi penonton saat mencermati isi Video yang panjang.

Namun, kami sempat pusing selama beberapa hari karena munculnya bug teks kosong misterius di browser Safari. Safari secara otomatis menambahkan trek teks tanpa judul yang merusak estetika tampilan visual pemutar Video. Kami terpaksa menulis kode Javascript tambahan untuk mendeteksi dan menghapus trek kosong tersebut.

Bagaimana dengan Anda yang juga sedang mengelola banyak konten Video di platform digital? Apakah Anda tertarik mencoba otomatisasi transkrip ini atau justru punya trik lain yang lebih seru? Yuk, bagikan cerita dan pengalaman Anda di kolom komentar di bawah ya!