Kita semua tahu penderitaannya. Lagi meeting atau dapet ide dadakan, lu nyalain fitur Voice Typing (Dikte) di HP, terus ngomong, "Eh, tambahin tombol itu dong, warna merah... eh bukan deng, warna biru aja, umm.. taruh di kanan atas."
Hasil ketikannya? Beneran persis sama persis kayak orang mabuk. Hancur lebur.
Tapi tenang, Agustus 2026 ini Google DeepMind akhirnya ngerilis solusi dari penderitaan itu lewat lini model Gemini 3.5 Audio. Dari sekian banyak turunan model ini, ada satu varian yang paling bikin developer dan end-user kegirangan: Gemini 3.5 Transcribe.
Tukang Sapu Kata "Umm" dan "Eh"
Gemini 3.5 Transcribe (dan varian Live-nya) dirancang dengan satu pemahaman dasar: manusia itu kalau ngomong berantakan banget.
Ketimbang menuntut kita untuk bicara kaku kayak news anchor, AI ini yang bakal menyesuaikan diri. Model ini punya kemampuan "Self-Correction" tingkat dewa secara real-time.
| Fitur Ajaib | Kalau Pake Dikte Jadul | Kalau Pake Gemini 3.5 Transcribe |
|---|---|---|
| Filter Kata Pengisi (Filler) | Ketikannya penuh kata "Umm", "Ehh", "Ah". | Bersih total, kata filler langsung di-drop. |
| Ralat Dadakan (Self-Correction) | "Meeting hari Selasa, eh Rabu deng." | Langsung ngetik: "Meeting hari Rabu." |
| Identifikasi Pembicara (Diarization) | Suara 3 orang nyampur jadi 1 paragraf raksasa. | Otomatis dipecah jadi Pembicara A, B, dan C plus timestamp. |
Berdasarkan Model Card resminya, tingkat kesalahannya (Word Error Rate / WER) beneran sinting: cuma 4% untuk streaming real-time dan 2.6% buat audio rekaman. Padahal dia ngedukung aksen lokal, bahasa gaul, sampai istilah teknis kodingan!
Bedah Visual: Mitigasi Risiko & Keamanan (Analisis Gambar)
Berdasarkan dokumen internal Google yang gue telusuri dari gambar rilis mereka, Google DeepMind ternyata lumayan parno sama penyalahgunaan AI berbasis audio ini. Dari dua gambar tabel mitigasi risiko tersebut, ada beberapa hal menarik yang wajib kita highlight:
- Gambar 1 (Safety Policies): Google menerapkan filter super ketat untuk ujaran kebencian (Hate Speech), pelecehan seksual, manipulasi pemilu, hingga saran medis ngawur. Kalau lu nyoba mendiktekan hal-hal yang melanggar policy ini, sistem bakal ngeblokir output-nya di level API.
- Gambar 2 (Risk Mitigations): Ada perhatian khusus untuk ancaman PII (Personally Identifiable Information). Gemini 3.5 Transcribe diklaim sudah di-training khusus agar tidak gampang membocorkan atau menyimpan data sensitif seperti password atau NIK yang mungkin nggak sengaja terekam di latar belakang audio lu. Mereka nyebutnya "Frontier Safety Framework".
💻 API & Implementasi: Nggak Cuma di HP
Bagi pengguna biasa, kalian udah bisa nyicip AI ini lewat fitur Rambler di keyboard Android (Gboard) dan aplikasi Gemini di macOS. Tapi buat kaum developer, pintu sandbox udah dibuka lebar-lebar.
Varian Live Translate (bisa input 128K token) dan Transcribe (96K token) sudah nangkring manis di Google AI Studio, Vertex AI, dan Antigravity (agentic coding platform).
Buat startup yang mau bikin asisten customer service suara, tech stack-nya bakal semulus ini:
1. User ngomong -> Lempar ke API Speech-to-Text (STT) eksternal.2. Hasil STT (yang berantakan) -> Lempar ke LLM buat dibersihin / dijawab.3. Jawaban LLM -> Lempar lagi ke API Text-to-Speech (TTS).// Latensi bengkak, delay panjang, user keburu kabur.Kelemahan Bawaan: Sekeren-kerennya model ini, Google ngaku kalau fitur Live Translate-nya masih bisa "tersandung" kalau ada suara background noise yang bocor kencang, atau kalau pembicaranya gonta-ganti bahasa terlalu cepat. Oh ya, knowledge cutoff model ini berhenti di Januari 2025, jadi jangan suruh dia merangkum berita bulan lalu!
Ke depannya, model ini bakal masuk ke ekosistem Chrome, Google Docs, dan Gmail. Siap-siap aja ngelihat temen kantor lu yang biasanya males ngetik panjang, sekarang kerjaannya cuma ngedumel di depan laptopnya karena AI-nya yang bakal ngetikin semuanya dengan rapi.
Lu sendiri, tim yang suka ngetik pake jari atau tim yang lebih milih ngomong ke Voice Typing?