Membangun Text-to-Speech Lokal: Ketika AI Tidak Harus Besar untuk Berguna

Membangun Text-to-Speech Lokal: Ketika AI Tidak Harus Besar untuk Berguna

Setelah kita terbiasa mengagungkan AI besar dan layanan cloud yang selalu terhubung, bab ini dimulai dari kegelisahan yang lebih sunyi: bagaimana jika kebutuhan kita sebenarnya bisa dipenuhi oleh mesin kecil yang berjalan diam-diam di meja kerja sendiri?

Gelisah, itu kata yang tepat. Bukan gelisah yang heboh, yang bikin keringat dingin atau tangan gemetar. Tapi gelisah yang pelan. Seperti suara kipas laptop yang tiba-tiba berputar lebih kencang di tengah malam, padahal kamu cuma membuka dokumen teks. Ada sesuatu yang salah. Atau lebih tepatnya, ada sesuatu yang berlebihan.

Dunia di layar kita selalu ramai dengan kabar-kabar besar. Model AI baru dengan triliunan parameter. Layanan cloud yang menjanjikan segalanya, dari menulis puisi hingga meramal cuaca di Mars. Semua terhubung. Semua butuh internet cepat. Semua minta data kita—biasanya lebih banyak dari yang kita kira. Di tengah hiruk-pikuk itu, saya duduk di depan laptop tua, mencoba membuat program sederhana membaca teks dengan suara manusia. Bukan untuk perusahaan rintisan. Bukan untuk proyek ambisius. Hanya untuk diri sendiri. Untuk kebutuhan yang bahkan terdengar konyol: saya ingin komputer saya bisa membacakan artikel panjang yang saya simpan, sementara mata saya istirahat, tanpa harus mengirim teks itu ke server yang entah di mana.

Konteksnya biasa saja. Ruang kerja berantakan. Kabel-kabel bersembunyi di balik meja seperti ular yang malas. Laptop dengan prosesor lima tahun lalu. Tidak ada GPU mewah. Hanya CPU, RAM yang pas-pasan, dan hard disk yang kadang berbunyi ‘kritik’ kalau lagi kerja keras. Di sinilah proyek dimulai. Bukan di data center ber-AC dingin, tapi di tengah bau kopi yang sudah dingin dan debu yang menempel di monitor.

Awalnya, saya coba cari solusi yang sudah ada. Tentu saja, ada banyak. Layanan web yang bagus, suaranya hampir seperti manusia sungguhan. Cukup salin-tekan-tempel, dan dalam hitungan detik, suara yang halus akan membacakan teksmu. Tapi setiap kali saya mengklik ‘unggah’ atau ‘konversi’, ada perasaan aneh. Seperti menitipkan surat pribadi ke orang asing yang tersenyum ramah, tapi kamu tak pernah tahu apa yang dia lakukan setelah membacanya. Dan ada hal lain: ketergantungan. Tidak ada internet? Selesai. Server mereka down? Beres sudah. Layanan berubah kebijakan atau mulai berbayar? Kamu harus ikut aturan baru.

Maka saya putuskan untuk membangun sendiri. Bukan dari nol—saya bukan superhero coding—tapi merangkai yang sudah ada. Model Text-to-Speech open source yang kecil. Sangat kecil dibandingkan raksasa-raksasa yang jadi berita utama. Model ini bisa dijalankan secara lokal. Tidak butuh koneksi. Tidak butuh kartu grafis mahal. Cukup dengan CPU saja, meski agak lambat. Itu poinnya: agak lambat.

Di situlah konflik batinnya mulai. Kita sudah terbiasa dengan kecepatan. Segala sesuatu harus instan, real-time, dengan latency rendah. Ketika program lokal saya membutuhkan waktu sepuluh detik untuk memproses satu kalimat—waktu yang cukup untuk mengambil teguk kopi dan melihat burung di jendela—ada suara di kepala yang bertanya, “Untuk apa semua ini? Lebih cepat pakai layanan online.”

Tapi justru di sepuluh detik itulah letak esensinya. Itu bukan waktu yang terbuang. Itu adalah waktu yang dipakai sistem untuk bekerja. Benar-benar bekerja. Di mesin saya sendiri. Dengan data yang tidak pergi ke mana-mana. Sepuluh detik itu adalah pengorbanan kecepatan untuk mendapatkan kedaulatan. Sebuah trade-off yang jarang dihitung dalam metrik efisiensi modern. Kita mengorbankan sedikit waktu, untuk mendapatkan kembali kepemilikan atas proses yang sepele ini.

Proses ‘pelatihan’ atau fine-tuning model kecil ini juga lucu. Saya tidak melatihnya dengan jutaan jam suara. Cukup beberapa sampel. Suaranya tidak sehalus suara manusia di iklan. Kadang ada jeda yang aneh, atau intonasi yang datar di tempat yang seharusnya naik. Tapi justru ketidaksempurnaannya itu yang membuatnya terasa… manusiawi. Dia tidak berusaha menjadi sempurna. Dia hanya berusaha menjadi berguna. Ada filosofi sederhana di sini: cukup guna. *Good enough*. Bukan standar yang rendah, tapi standar yang realistis. Sesuai konteks. Untuk kebutuhan membaca artikel sambil merilekskan mata di kamar sendiri, suara yang agak robotik namun jelas, jauh lebih dari cukup.

Saya jadi teringat obrolan dengan tukang servis AC langganan rumah dulu. Ia punya satu set perkakas yang sudah usang, tetapi ia kenal betul setiap fungsi dan batasannya. Ia tidak punya alat diagnosa komputerisasi yang mahal. Tapi dengan dengungan motor, bunyi freon, dan sentuhan tangan pada pipa, ia bisa tahu persis masalahnya. Pengetahuannya terinternalisasi. Alatnya sederhana, tetapi efektif karena keterampilan dan pemahamannya yang mendalam tentang sistem yang kecil itu. AI lokal saya barangkali seperti perkakas tua itu. Tidak mengesankan secara kosmetik, tetapi fungsinya terpenuhi dengan pemahaman penuh atas cara kerjanya.

Membangun sistem kecil ini juga memaksa saya untuk melihat ke dalam, ke dalam mesin dan kode, bukan ke luar ke awan. Setiap error, setiap jeda yang terlalu panjang, punya penyebab yang bisa dilacak. Log-nya sederhana. Bisa dibaca. Tidak ada ‘black box’ magis yang hanya bisa disalahkan saat gagal. Jika suara keluarnya aneh, saya bisa telusuri: apakah teks inputnya ada karakter khusus? Apakah modelnya kelebihan beban? Apakah memori hampir penuh? Kontrol ini memberikan ketenangan yang aneh. Sebuah ketenangan yang tidak didapatkan dari memencet tombol ‘generate’ di platform besar dan hanya bisa menunggu dengan pasrah.

Lalu, apa yang sebenarnya kita cari dari teknologi? Apakah kita mencari keajaiban—proses ajaib yang terjadi di balik tabir tanpa perlu kita pahami? Atau kita mencari alat—sesuatu yang bisa kita pegang, kita atur, kita perbaiki, dan kita mengerti batasannya? Proyek TTS lokal ini adalah pengingat bahwa kecerdasan buatan, dalam esensinya yang paling dasar, adalah alat. Dan seperti kebanyakan alat yang berguna dalam hidup, efektivitasnya seringkali tidak berkorelasi dengan ukuran atau kerumitannya. Sebuah palu yang pas di genggaman dan seimbang, lebih berguna daripada mesin pemukul otomatis yang besar tapi tidak bisa kita kendalikan.

Ini bukan romantisasi ketidakmajuan. Ini adalah klarifikasi tujuan. Dalam banyak aspek kehidupan—dan dalam banyak aspek IT—kita terjebak dalam perlombaan fitur, skala, dan kecepatan. Kita lupa bertanya: “Apakah ini yang saya butuhkan? Ataukah ini yang saya inginkan karena semua orang menginginkannya?” Membangun sesuatu yang kecil dan mandiri adalah latihan menjawab pertanyaan itu dengan jujur. Jawabannya seringkali sederhana: yang saya butuhkan adalah sesuatu yang bekerja saat dibutuhkan, dengan cara yang saya mengerti, tanpa menimbulkan ketergantungan atau kecemasan baru.

Ada kepuasan yang dalam, yang sunyi, saat sistem kecil itu akhirnya berjalan. Saat saya memberi perintah dari terminal, dan dari speaker laptop keluarlah suara yang membacakan teks tentang cuaca atau resep kopi. Suaranya tidak dramatis. Tidak ada lampu berkedip atau animasi keren di layar. Hanya sebuah proses yang selesai. Sebuah tugas yang dituntaskan. Di balik kesederhanaannya, ada sebuah pencapaian besar: kemandirian. Sebuah potongan kecil dari dunia digital yang sepenuhnya berada dalam kendali saya. Sebuah ruang yang tidak disewakan dari perusahaan cloud, tidak diatur oleh terms of service, dan tidak dimonitor untuk kepentingan iklan.

Di dunia yang semakin bising oleh AI raksasa dan janji otomatisasi, sistem TTS lokal ini mengingatkan kembali bahwa kerja sunyi sistem justru hadir saat teknologi berhenti pamer, lalu bekerja dengan tenang—cukup, aman, dan setia pada kebutuhan manusia.

Building a Local Text-to-Speech: When AI Doesn't Have to be Big to Be Useful

After we've grown accustomed to worshipping big AI and always-connected cloud services, this chapter begins with a quieter unease: what if our actual needs could be met by a small machine running silently on our own desk?

Uneasy, that's the right word. Not a loud, panicky unease that brings cold sweats or trembling hands. But a slow unease. Like the sound of a laptop fan suddenly spinning faster in the middle of the night, even though you're just opening a text document. Something feels wrong. Or more precisely, something feels excessive.

The world on our screens is always noisy with big news. New AI models with trillions of parameters. Cloud services promising everything from writing poetry to forecasting weather on Mars. Everything is connected. Everything needs fast internet. Everything asks for our data—usually more than we realize. In the midst of that hustle and bustle, I sat in front of an old laptop, trying to make a simple program read text in a human voice. Not for a startup. Not for an ambitious project. Just for myself. For a need that even sounds silly: I wanted my computer to read aloud the long articles I'd saved, while my eyes rested, without having to send that text to a server who-knows-where.

The context was ordinary. A messy workspace. Cables hiding behind the desk like lazy snakes. A laptop with a five-year-old processor. No fancy GPU. Just a CPU, barely-sufficient RAM, and a hard drive that sometimes goes 'click' when working hard. This is where the project started. Not in an air-conditioned data center, but amidst the smell of cold coffee and dust clinging to the monitor.

At first, I tried to find existing solutions. Of course, there were many. Good web services, voices almost like real humans. Just copy-paste-click, and within seconds, a smooth voice would read your text. But every time I clicked 'upload' or 'convert', there was a strange feeling. Like entrusting a personal letter to a smiling stranger, but you never know what they do after reading it. And there was another thing: dependency. No internet? Done. Their server is down? Finished. The service changes its policy or starts charging? You have to follow the new rules.

So I decided to build my own. Not from scratch—I'm not a coding superhero—but by assembling what already exists. A small open-source Text-to-Speech model. Very small compared to the giants making headlines. This model could run locally. Didn't need a connection. Didn't need an expensive graphics card. A CPU was enough, even if somewhat slow. That was the point: somewhat slow.

That's where the inner conflict began. We're used to speed. Everything must be instant, real-time, low latency. When my local program took ten seconds to process one sentence—enough time to take a sip of coffee and watch a bird at the window—a voice in my head asked, "What's the point of all this? It's faster to use an online service."

But it's precisely in those ten seconds that the essence lies. That wasn't wasted time. That was time the system used to work. Truly work. On my own machine. With data that didn't go anywhere. Those ten seconds were a sacrifice of speed for sovereignty. A trade-off rarely calculated in modern efficiency metrics. We sacrifice a little time, to regain ownership over this trivial process.

The process of 'training' or fine-tuning this small model was also funny. I didn't train it with millions of hours of audio. Just a few samples. The voice wasn't as smooth as the human voice in commercials. Sometimes there were odd pauses, or flat intonation where it should have risen. But it was precisely its imperfections that made it feel… human. It didn't try to be perfect. It only tried to be useful. There's a simple philosophy here: good enough. Not a low standard, but a realistic one. Contextual. For the need of reading articles while resting my eyes in my own room, a somewhat robotic but clear voice was more than enough.

It reminded me of a conversation with the air conditioner repairman who used to come to my house. He had a set of old tools, but he knew every function and limitation intimately. He didn't have expensive computerized diagnostic equipment. But by listening to the motor's hum, the sound of the refrigerant, and touching the pipes, he could pinpoint the problem exactly. His knowledge was internalized. His tools were simple, but effective because of his deep skill and understanding of that small system. My local AI is perhaps like those old tools. Not cosmetically impressive, but its function is fulfilled with a full understanding of how it works.

Building this small system also forced me to look inward, into the machine and the code, not outward to the cloud. Every error, every overly-long pause, had a traceable cause. The logs were simple. Readable. There was no magical 'black box' to blame when it failed. If the output voice sounded odd, I could trace it: did the input text have special characters? Was the model overloaded? Was the memory almost full? This control provided a strange calm. A calm not found by pressing a 'generate' button on a big platform and just waiting helplessly.

So, what are we actually looking for in technology? Are we looking for magic—a miraculous process happening behind the curtain without us needing to understand it? Or are we looking for tools—things we can hold, adjust, fix, and understand the limits of? This local TTS project is a reminder that artificial intelligence, in its most basic essence, is a tool. And like most useful tools in life, its effectiveness often doesn't correlate with its size or complexity. A hammer that fits and is balanced in the hand is more useful than a large automatic pounding machine we can't control.

This isn't a romanticization of lack of progress. It's a clarification of purpose. In many aspects of life—and in many aspects of IT—we get caught in a race of features, scale, and speed. We forget to ask: "Is this what I need? Or is this what I want because everyone else wants it?" Building something small and self-reliant is an exercise in answering that question honestly. The answer is often simple: what I need is something that works when needed, in a way I understand, without creating new dependencies or anxieties.

There is a deep, quiet satisfaction when that small system finally runs. When I give a command from the terminal, and from the laptop speakers comes a voice reading a text about the weather or a coffee recipe. The sound isn't dramatic. There are no blinking lights or cool animations on the screen. Just a completed process. A task finished. Behind its simplicity lies a great achievement: autonomy. A small piece of the digital world entirely under my control. A space not rented from a cloud company, not regulated by terms of service, and not monitored for advertising purposes.

In a world growing noisier with giant AI and promises of automation, this local TTS system reminds us that the silent work of a system truly emerges when technology stops showing off, and simply works quietly—sufficiently, safely, and faithful to human needs.