Lewati ke konten
AI-SNS.IO — CHAT SUPPORTAI-SNS.IO — CHAT SUPPORT
Suara & Avatar

Speech-to-Speech vs TTS: Memilih Arsitektur Agen Suara

Redaksi AI SNS CHATTerbit 6 menit baca

Pahami beda pipeline TTS dan speech-to-speech untuk agen suara layanan pelanggan, lalu pilih yang cocok untuk bisnis Anda dengan checklist praktis.

Banyak pemilik usaha ingin agen AI mereka bisa "bicara", tetapi bingung ketika vendor menawarkan dua istilah yang terdengar mirip: TTS dan speech-to-speech. Keduanya menghasilkan suara, namun cara kerja, biaya, dan kendalinya sangat berbeda. Artikel ini membantu Anda memahami perbedaannya, menimbang kebutuhan layanan pelanggan, dan memilih arsitektur tanpa terjebak jargon.

Dua arsitektur, satu tujuan

Tujuannya sama: pelanggan berbicara, agen AI menjawab dengan suara, dan percakapan terasa wajar. Yang berbeda adalah jalur yang ditempuh suara itu di balik layar.

  • Pipeline TTS (cascaded): suara pelanggan diubah menjadi teks, teks diproses oleh model bahasa, lalu jawaban teks diubah kembali menjadi suara oleh mesin text-to-speech. Ada tiga tahap yang terpisah.
  • Speech-to-speech: satu model menerima audio dan langsung menghasilkan audio. Tidak ada teks sebagai perantara yang wajib dilewati.

Bayangkan sebuah klinik di Surabaya yang menerima telepon untuk jadwal dokter. Dengan pipeline TTS, setiap tahap bisa Anda pilih dan atur sendiri. Dengan speech-to-speech, percakapan terasa lebih lancar, tetapi Anda menyerahkan lebih banyak kendali kepada satu model.

Cara kerja pipeline TTS

Pipeline TTS ibarat lini produksi dengan tiga pos. Karena tiap pos berdiri sendiri, Anda bisa mengganti salah satunya tanpa membongkar yang lain.

  1. 01Pelanggan berbicara
  2. 02Ucapan menjadi teks
  3. 03Model bahasa menyusun jawaban
  4. 04Teks menjadi suara
Alur pipeline suara bertahap (TTS)Contoh ilustrasi

Keunggulan utama

  • Teks bisa diperiksa. Karena jawaban berbentuk teks sebelum diucapkan, Anda dapat menerapkan aturan persona, batasan topik, dan sumber pengetahuan seperti pada agen chat biasa.
  • Penyedia suara bisa dipilih. Anda bisa memilih suara yang cocok dengan merek, misalnya suara yang tenang untuk layanan perbankan atau yang ramah untuk toko daring.
  • Agen teks bisa dipakai ulang. Basis pengetahuan dan persona yang sudah Anda susun untuk WhatsApp atau chat situs web dapat menjadi dasar agen suara.
  • Transkrip tersedia secara alami. Teks yang dihasilkan di tengah jalan memudahkan peninjauan percakapan.

Kelemahan yang perlu diperhatikan

Setiap tahap menambah jeda. Jika satu tahap lambat, pelanggan merasakan keheningan sebelum agen menjawab. Selain itu, nada bicara pelanggan, misalnya kesal atau terburu-buru, ikut hilang saat ucapan diubah menjadi teks, sehingga jawaban cenderung terdengar datar.

Cara kerja speech-to-speech

Pada speech-to-speech, model menangani audio secara langsung. Hasilnya, giliran bicara terasa lebih natural: agen bisa menjawab lebih cepat, menangkap intonasi, dan lebih luwes ketika pelanggan memotong pembicaraan.

Pendekatan ini menarik untuk percakapan yang cair, misalnya asisten yang menemani pengguna menjelajahi sebuah dasbor sambil berbicara. Namun ada konsekuensinya:

  • Ketergantungan pada satu penyedia. Model audio-ke-audio biasanya disediakan oleh vendor tertentu. Jika layanannya terganggu, Anda tidak selalu punya jalur cadangan.
  • Kendali lebih sempit. Mengatur gaya jawaban dan memeriksa isi sebelum diucapkan lebih sulit dibanding pada jalur berbasis teks.
  • Pilihan suara lebih terbatas. Anda memakai suara yang disediakan modelnya, bukan memilih bebas dari banyak penyedia.

Perbandingan berdampingan

Pipeline TTS
Speech-to-speech
Tiga tahap terpisah: ucapan ke teks, model, teks ke suara
Satu model memproses audio masuk dan audio keluar
Jeda bisa menumpuk di setiap tahap
Umumnya terasa lebih responsif
Teks jawaban bisa dikontrol sebelum diucapkan
Kontrol atas isi lebih terbatas
Penyedia suara bisa dipilih dan diganti
Terikat pada model dan suara dari satu penyedia
Mudah memakai ulang agen teks yang sudah ada
Biasanya perlu pengaturan terpisah
Transkrip muncul secara alami
Transkrip bergantung pada fitur penyedia
Pipeline TTS vs speech-to-speech sekilasContoh ilustrasi

Tabel di atas adalah gambaran umum. Performa nyata bergantung pada penyedia yang Anda pilih, kualitas jaringan telepon, dan bahasa yang digunakan pelanggan Anda.

Yang paling penting untuk layanan pelanggan

Dalam layanan pelanggan, "terdengar manusiawi" hanyalah satu dari beberapa kriteria. Pertimbangkan hal berikut secara berurutan.

1. Ketepatan jawaban

Pelanggan yang menelepon toko untuk menanyakan status pesanan atau kebijakan retur butuh jawaban yang benar, bukan sekadar enak didengar. Jalur TTS memudahkan Anda memastikan jawaban bersumber dari basis pengetahuan Anda.

2. Kecepatan respons

Di telepon, keheningan dua atau tiga detik terasa lama. Jika pelanggan Anda terbiasa dengan layanan yang cepat, jeda pipeline perlu diuji nyata, bukan hanya diasumsikan.

3. Bahasa dan aksen

Pelanggan Indonesia sering mencampur bahasa Indonesia, bahasa daerah, dan istilah Inggris dalam satu kalimat. Uji dengan ucapan nyata dari pelanggan Anda: nama produk, nama jalan, dan singkatan yang biasa dipakai.

4. Biaya per menit

Suara dihitung per menit, berbeda dengan chat yang dihitung per balasan. Sebagai contoh hipotetis, jika sebuah toko menerima 100 telepon sebulan dengan rata-rata 3 menit, itu berarti 300 menit suara. Kalikan dengan biaya per menit pada paket Anda untuk mendapat perkiraan awal.

5. Serah terima ke manusia

Apa pun arsitekturnya, ada percakapan yang harus diambil alih staf. Pastikan ada jalur eskalasi yang jelas, bukan agen yang terus berputar menjawab hal yang sama.

Memilih berdasarkan kasus penggunaan

Tidak ada jawaban tunggal. Berikut panduan umum.

  • Reservasi dan jadwal (klinik, salon, restoran): pipeline TTS cocok karena alurnya terstruktur, jawabannya perlu akurat, dan data janji temu harus tercatat rapi.
  • Informasi produk dan kebijakan (toko daring, layanan langganan): pipeline TTS, agar jawaban tetap berpijak pada basis pengetahuan dan mudah diperiksa.
  • Penagihan dan pengingat: pipeline TTS dengan naskah dan batasan yang jelas, karena kesalahan ucap bisa berdampak langsung pada pelanggan.
  • Asisten percakapan bebas atau pendamping interaktif: speech-to-speech layak dipertimbangkan bila kelancaran dialog lebih penting daripada kendali ketat atas setiap kalimat.
  • Demo dan pengalaman interaktif: speech-to-speech bisa memberi kesan yang kuat, asalkan Anda menerima keterbatasan kendalinya.

Jika ragu, mulailah dari jalur TTS. Jalur ini lebih mudah diuji, diaudit, dan disesuaikan, lalu Anda bisa mengevaluasi speech-to-speech untuk kasus tertentu.

Checklist keputusan praktis

Jawab pertanyaan berikut sebelum memilih.

  1. Apakah jawaban harus selalu bersumber dari dokumen atau kebijakan resmi? Jika ya, condongkan ke TTS.
  2. Apakah Anda perlu memilih atau mengkloning suara tertentu untuk merek? Jika ya, TTS memberi pilihan lebih luas.
  3. Seberapa sensitif pelanggan terhadap jeda? Jika sangat sensitif, uji kedua jalur dengan panggilan nyata.
  4. Apakah Anda bisa menerima ketergantungan pada satu penyedia tanpa cadangan? Jika tidak, hindari arsitektur yang tidak punya jalur alternatif.
  5. Apakah Anda sudah punya agen teks yang matang? Jika ya, memakainya kembali untuk suara akan menghemat waktu.
  6. Berapa menit suara yang Anda perkirakan per bulan? Hitung dulu sebelum meluncurkan.
  7. Siapa yang mengambil alih bila agen tidak sanggup menjawab? Tentukan orang dan jam kerjanya.
  8. Apakah pelanggan Anda benar-benar membutuhkan suara? Di Indonesia, banyak pelanggan lebih nyaman lewat WhatsApp, Instagram, atau chat situs web. Suara paling berguna untuk telepon masuk atau pengalaman yang memang interaktif.

Menerapkannya di AI SNS CHAT

Di AI SNS CHAT, semua yang berkaitan dengan suara berada di menu Voice pada sidebar. Isinya antara lain Overview, Analytics, Voice agent, Avatar, Voice Playground, Inbound calls, Call history, Outbound calls, Voice / SIP, Users, dan Developers.

Jalur TTS

Untuk pipeline TTS, tersedia beberapa penyedia suara: Grok/xAI (bawaan), OpenAI (gpt-4o-mini-tts), ElevenLabs, dan suara bawaan peramban. Dengan ElevenLabs Anda dapat memakai pustaka suara, merancang suara, dan melakukan kloning suara. Pengaturan suara agen ada di bagian suara pada pengaturan agen.

Tumpukan suara AI SNS CHAT mencakup 22 bahasa, termasuk bahasa Indonesia. Untuk sebagian bahasa tambahan, suara telepon bisa memakai suara berbahasa Inggris sebagai cadangan, jadi uji dulu dengan kalimat nyata dari pelanggan Anda di Voice Playground sebelum dipasang.

Speech-to-speech

Speech-to-speech di AI SNS CHAT dipakai oleh Synthia, manajer armada AI yang bisa Anda ajak bicara lewat suara atau teks dari sidebar maupun balon di setiap halaman dasbor. Synthia memakai OpenAI Realtime API, hanya OpenAI, tanpa penyedia cadangan. Selain itu, tersedia voice-to-voice Grok yang secara bawaan hanya menjawab pemilik akun.

Telepon masuk dan keluar

  • Inbound calls: hubungkan nomor Twilio ke setiap agen. Tersedia uji webhook mandiri dan perbaikan otomatis.
  • Outbound calls: kampanye massal memerlukan nomor Twilio, panggilan uji lebih dulu, dan dapat dihentikan di tengah jalan.
  • Voice / SIP: pengaturan SIP trunk dapat disimpan, tetapi belum ada jalur panggilan yang memakainya, jadi jangan mengandalkannya untuk produksi.
  • Suara di WhatsApp dan nomor PSTN terkelola: baru berupa daftar tunggu dan berstatus segera hadir.

Biaya

Satu balasan chat setara satu kredit, sedangkan suara dihitung per menit. Pada penawaran Private AI, satu menit suara setara 4 kredit, dan jumlah kredit per menit diatur oleh admin, sehingga angka di akun Anda bisa berbeda. Pantau pemakaian per agen di halaman Usage dan lihat tren pada Voice Analytics.

Untuk menguji tanpa risiko, buat agen teks dengan persona dan basis pengetahuan Anda, coba di Playground, lalu aktifkan suara dan bandingkan hasilnya. Lihat paket dan harga serta daftar fitur untuk batas tiap paket, atau mulai gratis.

Pertanyaan umum

Apakah speech-to-speech selalu lebih baik daripada TTS?

Tidak. Speech-to-speech unggul dalam kelancaran percakapan, tetapi kendali atas isi jawaban lebih terbatas dan Anda terikat pada satu penyedia. Untuk layanan pelanggan yang menuntut jawaban akurat dan bisa diaudit, pipeline TTS sering kali lebih sesuai.

Bisakah saya memakai agen teks yang sudah ada untuk suara?

Pada dasarnya bisa, karena jalur TTS memakai teks sebagai perantara sehingga persona dan basis pengetahuan dapat dimanfaatkan ulang. Meski begitu, tulis ulang beberapa jawaban agar lebih singkat dan enak diucapkan, lalu uji di Voice Playground sebelum dipasang.

Apakah AI SNS CHAT menyediakan cadangan untuk speech-to-speech?

Untuk Synthia, speech-to-speech memakai OpenAI Realtime API dan tidak ada penyedia cadangan. Karena itu, untuk kebutuhan yang tidak boleh terputus, pertimbangkan jalur TTS yang menyediakan beberapa pilihan penyedia suara.

Apakah saya perlu suara untuk layanan di WhatsApp atau Messenger?

Biasanya tidak. Pelanggan di kanal chat umumnya nyaman dengan teks, dan suara di WhatsApp di AI SNS CHAT masih berstatus daftar tunggu. Suara lebih berguna untuk telepon masuk atau pengalaman interaktif tertentu.

Bagaimana cara memperkirakan biaya suara?

Perkirakan jumlah menit suara per bulan, lalu kalikan dengan kredit per menit yang berlaku di akun Anda. Misalnya, 300 menit dikali 4 kredit per menit setara 1.200 kredit, tetapi angka per menit ditentukan admin. Cocokkan hasilnya dengan kredit bulanan paket Anda.

#agen suara#speech-to-speech#TTS#layanan pelanggan#telepon AI

Praktikkan dengan AI SNS CHAT

Buat agen AI yang dilatih dengan konten Anda sendiri dan hubungkan ke situs web, WhatsApp, LINE, dan lainnya. Gratis untuk memulai, tanpa kartu kredit.