Cara Membuat Subtitle Video Otomatis dengan Whisper di Komputer Sendiri

Menulis subtitle manual untuk video 10 menit bisa makan waktu satu jam atau lebih: dengar, ketik, putar ulang, cocokkan timing. Whisper, model speech to text open source dari OpenAI, bisa mengerjakan draf pertamanya di komputermu sendiri, lengkap dengan timestamp, tanpa mengunggah video ke layanan cloud mana pun.

Kata kuncinya draf. Hasil Whisper tetap perlu dicek, tapi mengoreksi draf jauh lebih cepat daripada mengetik dari nol.

Yang perlu disiapkan

Kamu butuh Python dan ffmpeg. Whisper memakai ffmpeg untuk membaca audio dari file video, jadi pastikan perintah ffmpeg bisa dipanggil dari terminal sebelum mulai. Setelah itu pasang paket openai-whisper lewat pip.

Perintah dasarnya kurang lebih: whisper video.mp4 --model small --language id --output_format srt. Hasilnya file video.srt di folder tempat perintah dijalankan, kecuali kamu menentukan folder lain dengan opsi --output_dir.

Memilih ukuran model

Whisper punya beberapa ukuran model, yaitu tiny, base, small, medium, dan large. Semakin besar model, semakin akurat, tapi juga semakin lambat dan semakin banyak memori yang dibutuhkan. Angka kebutuhan memori tiap ukuran tercantum di README repositori Whisper di GitHub, jadi cek di sana sesuai versi yang kamu pasang.

Untuk bahasa Indonesia, pengalaman saya tiny dan base cukup untuk mencoba alur, tapi banyak salah dengar. Small mulai layak untuk video satu pembicara dengan audio bersih. Medium atau large lebih aman untuk wawancara, podcast, atau audio dengan musik latar. Hindari varian berakhiran .en seperti small.en, karena varian itu khusus bahasa Inggris.

Kecepatan sangat bergantung pada perangkat. Dengan GPU NVIDIA yang didukung CUDA, proses bisa jauh lebih cepat dibanding CPU. Di laptop tanpa GPU, Whisper tetap jalan, hanya lebih lama. Cara paling jujur untuk tahu: proses satu klip 2 menit dengan model small, catat waktunya, lalu kalikan dengan durasi videomu. Kalau hasilnya terlalu lama, turunkan model atau jalankan semalaman. Ada juga implementasi alternatif seperti faster-whisper yang dirancang lebih hemat waktu dan memori.

Format SRT dan bahasa campuran

File SRT berisi blok bernomor: nomor urut, satu baris waktu awal dan akhir berformat jam:menit:detik,milidetik, lalu teks subtitle, dipisah baris kosong. Formatnya teks biasa, jadi bisa dibuka dan diedit di Notepad sekalipun. Untuk pemutar video di web, ada VTT, format serupa yang dipakai elemen video HTML5.

Video campuran bahasa Indonesia dan Inggris, yang sangat umum di konten teknologi, punya tantangan sendiri. Kalau bahasa diatur ke id, istilah Inggris kadang ditulis mengikuti bunyinya. Kalau dibiarkan auto-detect, Whisper menebak bahasa dari 30 detik pertama audio, dan tebakannya bisa meleset kalau video dibuka dengan intro berbahasa Inggris. Tentukan bahasa secara eksplisit sesuai bahasa dominan, lalu perbaiki istilah asingnya saat koreksi.

Trik kecil yang membantu: opsi --initial_prompt untuk memberi konteks, misalnya daftar istilah yang sering muncul di videomu seperti nama produk atau istilah teknis. Whisper cenderung mengikuti ejaan yang ada di prompt itu.

Koreksi manual tetap wajib

Beberapa hal hampir selalu perlu dicek. Nama orang dan merek sering salah eja. Angka kadang ditulis dengan kata, kadang dengan digit, tidak konsisten. Di bagian hening atau musik panjang, Whisper kadang mengulang kalimat yang sama beberapa kali atau memunculkan teks yang tidak pernah diucapkan. Periksa bagian-bagian itu dengan teliti.

Periksa juga panjang baris. Banyak pedoman subtitle membatasi sekitar 42 karakter per baris dan maksimal dua baris per tampilan, karena subtitle yang terlalu panjang memaksa penonton membaca terlalu cepat. Editor gratis seperti Subtitle Edit atau Aegisub memudahkan memecah baris dan menggeser timing.

Kalau videomu banyak

Menjalankan perintah satu per satu masih masuk akal untuk dua atau tiga video. Kalau kamu rutin upload, script auto-subtitle video dengan Whisper memindai satu folder berisi banyak video atau audio dan menghasilkan .srt dan .vtt untuk tiap file sekaligus, dengan pilihan model tiny sampai large dan bahasa yang bisa ditentukan atau dibiarkan auto-detect. Script ini jalan lokal dengan Python 3.9 ke atas dan ffmpeg, harganya Rp175.000.

Kalau yang kamu butuhkan justru teks untuk dibaca, misalnya notulen rapat atau hasil wawancara, transkrip audio video Whisper dengan ringkasan lebih cocok. Rekaman diubah jadi teks, lalu dirangkum jadi poin penting memakai API LLM.

Mulai dengan satu video pendek hari ini. Jalankan model small dengan bahasa id, buka SRT-nya di editor subtitle, dan catat berapa menit koreksi yang dibutuhkan. Angka itu yang menentukan model mana yang layak kamu pakai seterusnya.