Kamu baru selesai merekam narasi produk berdurasi tiga menit, lalu setelah dimasukkan ke video baru sadar ada masalah: pustaka suara bawaan sudah kamu telusuri habis, tetapi tidak ada satu pun yang mirip dengan suara di kepalamu. Terlalu muda, terlalu seperti penyiar, aksennya pun tidak pas.

Banyak orang yang sampai di titik ini melakukan hal yang sama: mencari voice cloning dan memakai sepotong suara sebagai cetakan. Namun yang kemudian muncul sering bukan masalah teknis, melainkan masalah lain: suara ini milik siapa? Apakah orangnya tahu?

Sam Witteveen, dalam video YouTube berjudul Gemini 3.8 Flash TTS with Voice Cloning, membahas kedua hal itu dalam satu video. Artikel ini menyusun ulang poin-poin videonya dalam konteks bahasa Indonesia, lalu menambahkan hal yang perlu kamu pikirkan sebelum memakainya.

Dua model baru dengan pembagian tugas yang berbeda

Video menyebut Google merilis dua model text-to-speech: Gemini 3.8 Flash TTS dan Gemini 3.8 Flash Light TTS.

Posisi keduanya berbeda. Flash TTS condong ke kerja kreatif, cocok untuk pengisi suara karakter, buku audio, Podcast, dan game. Flash Light condong ke produksi massal, cocok untuk alih suara, keluaran audio dalam jumlah besar, dan voice agent, yaitu situasi ketika biaya lebih penting daripada memoles setiap kata.

Google menyebut ini model suara paling ekspresif saat ini. Sikap pembuat video: sebagian benar, tetapi bila melihat angka yang lebih independen, hasilnya lebih beragam daripada yang ditampilkan blog resmi. Ingat kalimat ini, nanti kita kembali ke sana.

Bukan memilih suara, melainkan mendeskripsikan suara

Menurut video, fitur yang paling patut diperhatikan adalah desain suara. Kamu tidak perlu memilih dari daftar tetap. Kamu cukup mendeskripsikan suara yang diinginkan dengan bahasa sehari-hari, termasuk peran, aksen, dan usia, lalu model menghasilkannya. Video menyebut dukungan untuk lebih dari 100 bahasa.

Pembuat video juga menyinggung titik yang paling sering membuat orang buntu pada model jenis ini: tidak ada suara bawaan yang cocok, sehingga akhirnya orang beralih ke kloning. Caranya sendiri: ia membuat beberapa suara sintetis dari deskripsi yang sedikit berbeda, memilih yang terbaik, lalu mengkloning suara buatan itu. Keuntungannya, yang disalin sama sekali bukan orang sungguhan.

Selain itu, pustaka suara berisi lebih dari 2.000 suara dengan banyak aksen daerah, yang bisa disesuaikan lalu disimpan untuk dipakai berulang.

Video mendemonstrasikan karakter astronom: usia akhir enam puluhan, beraksen Inggris. Penilaian pembuat video cukup jujur: terdengar agak seperti narasi dokumenter, tetapi menurutnya suaranya jauh lebih muda daripada usia yang dideskripsikan. Ini pengingat bahwa deskripsi bukan jaminan, jadi tetap perlu didengarkan langsung.

Diarahkan kalimat demi kalimat, bahkan bisa untuk dua penutur

Setelah suara dipilih, kamu bisa memberi arahan akting untuk setiap kalimat: kalimat ini dibisikkan, yang ini cepat, yang ini sedikit sinis. Di dalam teks juga bisa disisipkan tag nonverbal, misalnya embusan napas, tawa, atau tarikan napas.

Video menguji kalimat yang sama dengan tiga gaya: datar, antusias, dan tegang hingga nyaris berbisik. Kesan pembuat video, ketiganya terdengar sangat berbeda. Ia juga menyukai satu hal: gaya memengaruhi panjang audio, alih-alih memaksa isi masuk ke durasi yang kaku.

Selain itu, satu panggilan API bisa membawa dua penutur dengan gaya masing-masing. Google mengklaim rekaman panjang tetap stabil dan suaranya tidak melenceng. Pembuat video bilang belakangan ini ia memang menemui masalah pada beberapa TTS open source, yaitu teks panjang yang makin lama makin menyimpang, sehingga poin ini menarik baginya. Meski begitu, kesannya setelah mendengar demo dua penutur: terdengar seperti acara otomatis ala NotebookLM.

Voice cloning: sampel 30 detik dan satu rekaman persetujuan

Berikutnya bagian paling sensitif di seluruh video. Menurut video, caranya adalah memberikan sampel sekitar 30 detik agar sistem menghasilkan suara tersebut.

Namun ada satu gerbang dalam alurnya: orang yang disalin suaranya harus merekam pernyataan persetujuan, dan pernyataan itu harus cocok dengan pembicara referensi sebelum sistem membuat suara salinan. Video juga menyebut setiap keluaran diberi watermark SynthID dan disertai kredensial C2PA.

Video juga menunjukkan bahwa fitur voice cloning di AI Studio tidak tersedia di cukup banyak negara, bahkan di beberapa negara bagian Amerika Serikat, karena tuntutan hukum. Ini menunjukkan bahwa soal ini ditangani dengan sangat hati-hati, bahkan oleh Google. Apakah fitur ini tersedia di wilayahmu tidak disebut di video dan tidak kami verifikasi, jadi pastikan sendiri sebelum memakainya.

Hasil uji pembuat video agak di luar dugaan: kloning dari 30 detik suaranya sendiri, menurutnya, terdengar cukup berbeda. Ia menduga sampel referensi yang lebih panjang akan memberi hasil lebih baik. Ia juga menilai Qwen TTS yang open source tetap sangat kuat untuk kloning, tetapi untuk menghasilkan suara dari deskripsi, Gemini lebih unggul.

Berhenti sejenak: persetujuan, penyalahgunaan, dan yang harus kamu lakukan

Bagian ini bukan inti video, tetapi inilah bagian yang harus kamu pertanggungjawabkan sendiri.

Risiko terbesar voice cloning bukan suara yang kurang mirip, melainkan suara yang terlalu mirip. Suara bisa dipakai untuk menyamar sebagai orang lain, menipu, atau mewakili seseorang tanpa sepengetahuannya. Google menjadikan rekaman persetujuan pemilik suara sebagai bagian dari alur teknis, justru karena akibat penyalahgunaan semacam ini berat.

Kalau kamu ingin memakai voice cloning, setidaknya lakukan beberapa hal ini.

Pertama, kloning hanya suaramu sendiri, atau dapatkan izin tertulis yang jelas dan bisa disimpan dari pemilik suara, dengan penjelasan tujuan, cakupan, dan jangka waktu.

Kedua, jangan mengkloning suara selebritas, rekan kerja, klien, atau pihak ketiga mana pun, sekalipun hanya untuk tes.

Ketiga, kalau audio hasilnya dipublikasikan, cantumkan secara terbuka bahwa itu suara sintetis AI, dan simpan dokumen izin serta catatan pembuatannya.

Keempat, kalau bisa memakai desain suara untuk membuat suara sintetis yang bukan milik siapa pun, biasanya itu lebih aman daripada mengkloning orang sungguhan.

Semua di atas adalah pengingat risiko yang bersifat umum, bukan nasihat hukum. Aturan tentang citra, suara, dan data pribadi berbeda di tiap wilayah, jadi sebelum pemakaian komersial, konsultasikan ke bagian hukum.

Benchmark: bagaimana membaca klaim peringkat pertama

Kembali ke kalimat tadi. Video mengatakan angka dari Google terutama mengutip benchmark Hume AI, dengan klaim bahwa Flash TTS menempati peringkat pertama pada benchmark desain suara Hume, terutama unggul dalam aksen.

Pembuat video lalu menunjuk satu hubungan kepentingan: salah satu dari dua penulis blog tersebut, sampai Januari tahun ini, pernah menjadi CEO sekaligus kepala ilmuwan Hume AI; pada saat itu Google DeepMind melisensikan teknologi Hume dan mempekerjakan sejumlah orang dari perusahaan tersebut. Pembuat video menegaskan ia tidak mengatakan angkanya salah, hanya bahwa menilai diri sendiri dengan benchmark rancangan sendiri belum tentu cara penilaian terbaik.

Rujukan yang lebih independen adalah peringkat preferensi Elo dari Artificial Analysis: Gemini 3.8 Flash TTS di posisi kedua, Flash Light di posisi keenam, dan Flash tepat di atas Qwen Audio 3 TTS Plus yang baru. Video menyebut Gemini menonjol pada butir yang berkaitan dengan pelafalan, yang penting untuk voice agent yang harus membacakan angka dan nomor. Untuk multibahasa, itu kekuatan Google, tetapi Cartesia dan ElevenLabs juga berkembang pesat.

Soal harga, menurut video Google berada di tengah: lebih menguntungkan dari sisi harga dibanding sebagian paket Cartesia dan ElevenLabs, juga dibanding Minimax, tetapi jauh dari yang termurah. Yang lebih menarik, Flash Light ternyata tidak jauh lebih murah dari Flash, berbeda dengan kasus versi model teks. Kesan pembuat video setelah mendengarkan: Light cenderung lebih malas dan bisa lebih panjang, sedangkan Flash sekitar 50% lebih mahal, sehingga kalau bukan konten panjang ia kemungkinan memilih yang kualitas suaranya lebih baik.

Penutup: ganti cara bertanya

Kembali ke narasi tiga menit di awal.

Kamu mengira masalahnya adalah suara mana yang paling mirip. Video sendiri hanya mendemonstrasikan desain lewat deskripsi dan alur kloning; saran artikel ini: rancang dulu suara yang bukan milik siapa pun lewat deskripsi, dan kalau perlu kloning, kloning hanya dirimu sendiri atau orang yang secara jelas mengizinkanmu.

Lain kali, ketika kamu mulai jengkel menelusuri pustaka suara, tanyakan dua hal pada dirimu: suara ini milik siapa? Sudahkah ia setuju? Kalau dua pertanyaan itu sudah terjawab, baru bicara soal mirip atau tidak.

Pertanyaan umum (FAQ)

P1: Apa perbedaan Gemini 3.8 Flash TTS dan Flash Light TTS? Menurut video, Flash condong ke kebutuhan kreatif seperti karakter, buku audio, Podcast, dan game; Flash Light condong ke produksi massal seperti alih suara dan voice agent. Video juga menyebut selisih harga keduanya tidak besar, Flash sekitar 50% lebih mahal.

P2: Sampel seperti apa yang dibutuhkan untuk voice cloning? Video mendemonstrasikan audio referensi sekitar 30 detik, dan mewajibkan orang yang disalin suaranya merekam pernyataan persetujuan. Pembuat video menduga sampel yang lebih panjang mungkin memberi hasil lebih baik, tetapi itu dugaannya, bukan jaminan resmi.

P3: Bolehkah mengkloning suara orang lain? Tidak boleh sembarangan. Harus ada izin yang jelas dari orangnya; alur di video juga mewajibkan pemilik suara merekam pernyataan persetujuan yang dicocokkan dengan suara referensi. Menyalin suara orang lain tanpa persetujuan dapat menyangkut peniruan identitas dan masalah hukum lainnya.

P4: Apakah voice cloning tersedia di wilayahku? Video menyebut fitur ini di AI Studio tidak tersedia di cukup banyak negara dan sebagian negara bagian Amerika Serikat. Ketersediaan di wilayahmu tidak kami verifikasi, jadi rujuklah penjelasan resmi Google.

Pernyataan sumber: Artikel ini adalah penulisan ulang dan rangkuman, bukan terjemahan kalimat demi kalimat. Isinya disusun ulang berdasarkan subtitle video YouTube berikut. Pernyataan tentang orang dan benchmark adalah sudut pandang pembicara video dan sudah dicantumkan asalnya; tidak ditemukan pengungkapan sponsor di transkrip. Subtitle yang dipakai adalah versi bahasa Arab, bukan subtitle bahasa Inggris asli, sehingga ejaan nama model dan nama orang mungkin keliru. Deskripsi harga hanya perbandingan relatif; harga resmi tidak kami peroleh, jadi rujuklah halaman resmi. Pengingat risiko voice cloning bersifat umum dan bukan nasihat hukum. Judul video: Gemini 3.8 Flash TTS with Voice Cloning. Kanal: Sam Witteveen. Tautan: https://www.youtube.com/watch?v=GDUBXR-ql78. Tanggal rilis: 2026-09-24.

Bacaan lanjutan: Di situs kami telah terbit artikel terkait tentang Gemini 3.8 Live dan extended thinking untuk memilih voice agent, tentang membangun voice AI agent real-time dengan Gemini Live API, tentang harga Gemini API 2026 untuk Flash, Pro, dan Flash-Lite, serta tentang panduan penghitungan harga Token Gemini.

Sebelum memilih suara berikutnya

Kalau kamu ingin melihat daftar model, saldo, dan penggunaan dari berbagai model dalam satu pintu, kamu bisa melihat AI Token King di aitokenking.com.tw/home. Apakah model suara yang dibahas di artikel ini bisa dipanggil lewat platform tersebut, rujuklah daftar model resminya.