Suara Tanpa Ruh: Menakar Makna Teks di Era Jurnalisme “Text-to-Speech”

Oleh: H. Roland Gunawan, Lc., Direktur Rumah Tafaqquh Al-Fattah Syi’arul Islam (RTF-SI)

Aktivitas membaca berita tak lagi melulu menuntut kita terpaku di depan layar atau lembaran kertas. Berkat adopsi teknologi “text-to-speech” (pengubah teks menjadi suara) oleh berbagai organisasi media, audiens kini dapat “menyantap” artikel sembari menyetir, berjalan kaki, memasak, atau bahkan mencuci piring.

Namun, pergeseran kebiasaan ini memunculkan sebuah pertanyaan yang melampaui sekadar urusan kenyamanan: apakah esensi sebuah teks tetap utuh ketika suara sintetis hadir sebagai perantara antara tulisan dan pembacanya?

Dalam sebuah ulasan di Columbia Journalism Review, jurnalis Jim Bartholomew membedah fenomena ini dengan menelaah berbagai perangkat narasi otomatis yang digunakan oleh raksasa media seperti The New York Times, The Washington Post, The Wall Street Journal, The New Yorker, The Atlantic, hingga Vanity Fair. Belakangan, media-media ini semakin masif menggandeng perusahaan kecerdasan buatan—terutama ElevenLabs, yang menawarkan ribuan variasi suara sintetis yang nyaris menyerupai aslinya—untuk mengubah artikel tertulis menjadi konten audio.

Daya Pikat Kenyamanan dan Aksesibilitas

Di mata penerbit, ekspansi ke ranah audio ini adalah langkah strategis untuk memberikan fleksibilitas bagi audiens. Data berbicara: di The New Yorker, sekitar 20% pelanggannya kini rutin mendengarkan versi audio dari artikel-artikelnya. Sementara itu, fitur “Read to Me” di The Wall Street Journal telah diputar hampir 5 juta kali dalam setahun terakhir, dengan tingkat penyelesaian (completion rate) yang mengesankan, yakni 65%. Bahkan, 92% pengguna yang mencoba fitur tersebut memberikan respons positif.

Penerbit berdalih bahwa fitur ini tidak bermaksud menggantikan kebiasaan membaca konvensional, melainkan memperkaya cara konsumsi konten. Lebih jauh, ini adalah langkah inklusif yang membuka akses jurnalisme bagi penyandang tunanetra atau mereka dengan gangguan penglihatan.

Fasih Mengucap, Namun Gagal Merasa

Kendati teknologi voice-generation telah melompat jauh, Bartholomew mencatat bahwa telinga yang terlatih akan dengan cepat menangkap “kecacatan” artifisial dari suara-suara ini. Meski intonasinya terdengar wajar, mesin belum memiliki kepekaan untuk tahu kapan harus melambat, di mana harus memberi jeda untuk membiarkan makna meresap, atau kata mana yang membutuhkan penekanan khusus. Alih-alih, AI sering kali menyisipkan jeda napas atau intonasi naik di tempat yang secara gramatikal maupun emosional tidak wajar.

Bartholomew menekankan bahwa masalah utamanya bukanlah pada kualitas audio—mengingat teknologi akan terus menyempurna—melainkan pada absennya “ruh” atau nuansa manusiawi. Ia mengilustrasikan hal ini dengan membandingkan pembacaan artikel legendaris tahun 1997 tentang Donald Trump karya Mark Singer (dibacakan oleh sang penulis sendiri) dengan versi AI.

Hasilnya? Suara sintetis mungkin melafalkan teks dengan sempurna, namun ia sama sekali buta terhadap ironi halus, paradoks, atau rona melankolis yang tersirat. Membaca oleh manusia bukanlah sekadar penyampaian kata-kata; ia adalah sebuah “interpretasi”.

Hierarki Konten: Kapan AI Boleh Bicara?

Eksperimen ini juga menyingkap bahwa tidak semua jenis jurnalisme cocok dinegasikan oleh mesin. Laporan berita lugas (hard news) yang berbasis pada fakta dan data mungkin tetap efektif dan mudah dicerna saat dibacakan oleh AI. Namun, esai sastra, profil mendalam, dan artikel fitur berisiko kehilangan separuh jiwanya jika disampaikan dengan irama monoton yang gagal membedakan antara ironi, perenungan, dan sarkasme.

Inilah alasan mengapa The New Yorker, misalnya, menolak menggunakan AI untuk menarasikan artikel-artikel naratifnya. Mereka memilih membiarkan penulis asli membacakan karya mereka, karena proses pembacaan tersebut dipandang sebagai sebuah pertunjukan seni dan perpanjangan dari gaya penulisan itu sendiri.

Mengorbankan Pengalaman Demi Efisiensi?

Pada akhirnya, maraknya narasi otomatis ini adalah cerminan dari zeitgeist (jiwa zaman) kita saat ini: era multitasking, di mana audiens menuntut akses informasi tanpa harus menghentikan aktivitas fisik mereka. AI menawarkan solusi untuk “menghemat waktu”, menyulap waktu mati di jalan raya atau saat mengerjakan pekerjaan rumah tangga menjadi momen yang produktif secara intelektual.

Namun, Bartholomew mengajukan sebuah kritik yang lebih dalam: Apakah obsesi kita untuk menghemat waktu ini secara perlahan mengubah relasi kita dengan teks itu sendiri? Mendengarkan artikel dengan kecepatan tinggi atau sembari melakukan aktivitas lain memang membuat jurnalisme lebih mudah dijangkau. Namun, hal ini berisiko mereduksi kegiatan membaca—yang sejatinya menuntut perhatian penuh, keheningan, dan perenungan—menjadi sekadar “kebisingan latar belakang” (background noise).

Masa depan suara sintetis dalam jurnalisme, oleh karena itu, tidak hanya akan diukur dari seberapa sempurna mesin meniru pita suara manusia. Ia akan diuji oleh pilihan audiens itu sendiri: apakah kita menginginkan jurnalisme sekadar sebagai informasi mentah yang harus disuntikkan secepat mungkin ke dalam otak, atau sebagai sebuah pengalaman utuh yang menyampaikan nada, irama, dan pandangan dunia yang khas dari sang penulis?[]