Bayangkan sebuah perpustakaan yang menyimpan ribuan buku, tetapi hampir semuanya ditulis dalam segelintir bahasa yang sama. Itulah gambaran dunia teknologi suara hari ini. Mesin text-to-speech (TTS) modern sudah mampu membacakan teks dengan suara yang nyaris tidak bisa dibedakan dari manusia, tetapi kemampuan itu terkonsentrasi pada bahasa-bahasa besar seperti Inggris, Prancis, dan Spanyol. Sementara itu, Afrika adalah benua dengan keragaman bahasa yang luar biasa — diperkirakan ada lebih dari dua ribu bahasa yang dituturkan di sana — dan sebagian besar bahasa itu nyaris tidak pernah didengar oleh mesin. Mereka hidup di sisi yang salah dari kesenjangan itu.
Di sinilah Africa TTS masuk, sebuah proyek yang muncul pada awal November 2026 dan langsung menarik perhatian komunitas teknologi bahasa. Proyek ini dikembangkan oleh AfriSpeech bersama Ghana NLP, dan menurut halaman PyPI-nya, ia menghadirkan text-to-speech untuk 92 bahasa Afrika plus bahasa Inggris, lengkap dengan suara bawaan untuk setiap bahasa dan kemampuan mengkloning suara dari klip pendek. Seluruhnya berjalan di CPU biasa, tanpa kartu grafis, tanpa server mahal, tanpa ketergantungan pada layanan cloud.
Sebuah proyek yang lahir dalam hitungan hari
Menurut penanda waktu yang tercantum di PyPI, repositori proyek ini dibuat pada 6 November 2026, dan versi-versi awalnya — dari 0.1.0 sampai 0.4.1 — dirilis ke PyPI pada 7 November 2026, hanya sehari kemudian. Versi 0.4.1 menjadi versi terbaru yang tercatat saat artikel ini ditulis. Pengembangnya menyebut proyek ini sebagai pekerjaan yang masih berjalan, dan halaman PyPI-nya menegaskan: umpan balik dari penutur asli adalah hal yang paling menentukan untuk memperbaikinya. Kualitas sebuah sistem suara untuk bahasa yang kurang terwakili tidak bisa dinilai dari angka semata.
Di balik proyek ini ada AfriSpeech, sebuah inisiatif yang berfokus pada teknologi bahasa untuk Afrika, bekerja sama dengan Ghana NLP, komunitas riset pemrosesan bahasa alami yang berbasis di Ghana. Mereka sebelumnya mengerjakan Khaya AI dan berbagai model untuk bahasa-bahasa Ghana seperti Twi, Ewe, Ga, dan Dagbani, sehingga Africa TTS dapat dibaca sebagai kelanjutan dari garis kerja itu.
Fondasi yang ringan: Kyutai Pocket TTS
Africa TTS tidak dibangun dari nol. Ia berdiri di atas Pocket TTS, sebuah mesin text-to-speech ringan dari Kyutai, laboratorium riset asal Prancis di balik Moshi. Pocket TTS dirancang dengan satu gagasan yang tegas: suara berkualitas harus bisa dihasilkan di CPU saja, tanpa GPU. Modelnya hanya berukuran sekitar 100 juta parameter — sangat kecil jika dibandingkan dengan model-model suara besar yang parameternya mencapai miliaran — dan Kyutai melaporkan bahwa model itu berjalan sekitar enam kali lebih cepat daripada waktu nyata di CPU MacBook Air M4, hanya dengan dua inti CPU, dan mulai mengeluarkan audio pertama dalam waktu sekitar 200 milidetik.
Sebagian besar sistem TTS berkualitas tinggi membutuhkan GPU — perangkat keras mahal, daya besar, dan biasanya koneksi cloud. Pocket TTS membalik logika itu: model kecil dan efisien yang berjalan di perangkat yang sudah dimiliki orang. Kyutai membuka seluruh resep pelatihan Pocket TTS pada Agustus 2026, dan keterbukaan itulah yang memungkinkan AfriSpeech melatih fondasi tersebut untuk bahasa-bahasa Afrika. Africa TTS sendiri memiliki 110 juta parameter, sedikit lebih besar daripada Pocket TTS aslinya, sebuah selisih yang masuk akal mengingat ia harus menangani puluhan bahasa tambahan beserta suara bawaannya.
Sembilan puluh dua bahasa, satu perintah
Angka yang paling mencolok dari Africa TTS adalah cakupannya: 92 bahasa Afrika ditambah bahasa Inggris. Setiap bahasa memiliki suara bawaan, sehingga pengguna tidak perlu menyediakan rekaman suara apa pun untuk mulai menggunakannya. Yang dibutuhkan hanyalah teks dan kode bahasanya. Bahasa-bahasa itu memakai kode ISO 639-3, standar tiga huruf internasional. Contoh yang diberikan dalam dokumentasinya antara lain twi untuk Twi, hau untuk Hausa, yor untuk Yoruba, swh untuk Swahili, zul untuk Zulu, amh untuk Amharik, dan eng untuk Inggris. Untuk melihat daftar lengkapnya, pengguna cukup menjalankan perintah africa-tts --list-languages di terminal.
Perintah contoh yang ditampilkan di halaman PyPI-nya berbunyi africa-tts "Akwaaba! Yɛfrɛ me Kofi." --lang twi -o twi.wav. Kalimat dalam bahasa Twi itu berarti kurang lebih "Selamat datang! Nama saya Kofi". Di luar 92 bahasa yang dilatih secara penuh, proyek ini juga menyediakan 657 bahasa eksperimental, yang dibaca melalui bahasa terlatih yang paling dekat dengannya. Kualitas bahasa eksperimental ini patut diduga jauh lebih bervariasi, dan Afrika sendiri memiliki lebih dari dua ribu bahasa — tetapi sebagai langkah awal, lompatan ini besar, karena sebagian besar sistem TTS komersial saat ini hanya mendukung segelintir bahasa Afrika.
Suara bawaan dan kloning suara dari klip pendek
Setiap bahasa dalam Africa TTS hadir dengan suara bawaan, sehingga pengguna bisa langsung menghasilkan audio tanpa menyiapkan apa pun. Namun proyek ini juga menawarkan kloning suara: menurut dokumentasi PyPI-nya, pengguna dapat mengkloning sebuah suara dari klip audio berdurasi tiga sampai sepuluh detik, lalu meminta sistem membacakan teks apa pun dengan suara tersebut. Contoh kodenya tampak sederhana: audio = tts.generate("Hello Ghana!", lang="eng", voice="my_voice.wav"). Kemampuan ini diwarisi dari Pocket TTS, yang dirancang untuk kloning suara zero-shot: meniru suara yang belum pernah didengar selama pelatihan, hanya dari satu contoh singkat. Kualitas tiruannya tidak akan sama dengan rekaman asli. Seorang guru bisa menghasilkan materi audio pembelajaran dengan suaranya sendiri, dan sebuah stasiun radio komunitas bisa membuat pengumuman dengan suara penyiarnya. Namun kemampuan ini juga datang dengan tanggung jawab yang besar, dan akan dibahas di bagian etika di bawah.
Berjalan di CPU biasa: angka-angka yang dilaporkan
Menurut halaman PyPI versi 0.4.1, backend bawaan proyek ini adalah audio.cpp — mesin inferensi audio yang ditulis dalam C++, sejalan dengan semangat llama.cpp untuk model bahasa — dengan model berukuran sekitar 144 MB, tanpa PyTorch, yang mengalirkan audio pertamanya sekitar 0,1 detik setelah menerima teks. Pada laptop tahun 2020 dengan CPU AMD Ryzen 5 4500U dan empat thread, sistem ini dilaporkan berbicara 2,3 sampai 2,8 kali lebih cepat daripada waktu nyata, sehingga kalimat berdurasi sepuluh detik dilaporkan dapat dihasilkan dalam waktu sekitar empat detik. Angka-angka ini adalah angka yang dilaporkan oleh pengembangnya, bukan hasil pengujian independen. Selain audio.cpp, tersedia mesin PyTorch opsional (pip install "africa-tts[torch]"), yang dilaporkan berbicara 2,4 kali lebih cepat daripada waktu nyata di mesin cloud empat vCPU, serta bundel ONNX Runtime berbasis sherpa-onnx dengan ukuran bundel int8 yang dilaporkan sekitar 190 sampai 209 MB pada versi-versi awal. Model yang diunduh pada penggunaan pertama berukuran sekitar 150 MB untuk backend audio.cpp dan sekitar 440 MB untuk PyTorch; setelah diunduh dan disimpan secara lokal, sistem dapat bekerja secara offline — kemampuan yang penting, karena di banyak wilayah Afrika koneksi internet tidak selalu stabil atau murah. Satu detail praktis: angka harus dieja dengan kata-kata, misalnya menulis "twenty" dan bukan "20".
Instalasi dan penggunaan dasar
Memulai dengan Africa TTS, menurut dokumentasinya, cukup dengan satu perintah: pip install africa-tts. Perintah ini memasang paket dengan backend bawaan audio.cpp, tanpa PyTorch. Untuk bahasa Inggris, ada satu dependensi tambahan: espeak-ng, yang dipasang melalui apt install espeak-ng di Linux atau brew install espeak-ng di macOS. Setelah instalasi, africa-tts "Akwaaba! Yɛfrɛ me Kofi." --lang twi -o twi.wav menghasilkan berkas audio twi.wav dalam bahasa Twi dengan suara bawaan, africa-tts --list-languages menampilkan seluruh bahasa yang tersedia, dan africa-tts serve menjalankan server API di port 8000. Bagi pengembang, dokumentasinya menyediakan contoh Python yang ringkas: setelah memuat model dengan tts = AfricaTTS.load(), pengguna dapat menghasilkan audio dengan tts.generate(...), menyimpannya dengan tts.save(audio, "out.wav"), atau mengalirkannya dalam potongan 80 milidetik dengan tts.stream(...). Server API-nya memakai HTTP dengan streaming WebSocket yang kompatibel dengan API OpenAI, sehingga aplikasi yang sudah memakai API suara OpenAI dapat diarahkan ke server lokal ini dengan perubahan minimal, dan server ini dapat dijalankan dengan Docker atau di-deploy ke Modal dengan CPU saja.
Seberapa mudah ia dibaca: tolok ukur keterbacaan
Klaim kecepatan memang menarik, tetapi pertanyaan yang lebih mendasar adalah: seberapa mudah suara yang dihasilkan itu dipahami? Africa TTS menjawabnya dengan tolok ukur keterbacaan yang dilaporkan di halaman PyPI-nya. Metodenya: kalimat yang belum pernah dilihat selama pelatihan dihasilkan suaranya, lalu ditranskripsikan kembali oleh sistem pengenalan suara multibahasa bernama Omnilingual ASR, dan tingkat kesalahan karakter (character error rate) dari transkripsi itu dihitung. Pada 47 bahasa yang diuji dengan metode ini, Africa TTS dilaporkan memiliki tingkat kesalahan karakter yang lebih rendah daripada MMS-TTS, yaitu 9,0 persen berbanding 10,3 persen, dan lebih baik pada 21 dari 27 bahasa dalam perbandingan langsung tersebut. Angka ini juga dibandingkan dengan dua sistem yang jauh lebih besar: Sunbird Orpheus yang berukuran 3,3 miliar parameter, dan OmniVoice yang berukuran 813 juta parameter. Terhadap Orpheus, Africa TTS dilaporkan lebih mudah dibaca, dengan 5,9 persen berbanding 10,3 persen pada perbandingan yang dilaporkan di versi-versi awal, sedangkan terhadap OmniVoice yang ukurannya sekitar tujuh kali lipat, Africa TTS dilaporkan berada sangat dekat, dengan 8,8 persen berbanding 8,4 persen. Semua angka ini perlu dibaca dengan hati-hati: angka ini dilaporkan oleh pengembangnya sendiri, bukan hasil audit independen, dan tingkat kesalahan karakter dari sebuah sistem ASR hanyalah proksi untuk keterbacaan, bukan ukuran langsung atas apa yang didengar manusia. Meski begitu, arah angkanya memberi gambaran yang berguna: sebuah model berukuran 110 juta parameter dapat bersaing dengan sistem yang berukuran miliaran parameter.
Perbandingan dengan proyek lain
Yang paling dekat adalah Khaya AI, platform dari Ghana NLP yang sama. Menurut situs resminya, Khaya AI menyediakan TTS untuk 32 bahasa Afrika, melayani lebih dari sekitar 350 juta orang di Ghana, Nigeria, Kenya, Senegal, Sierra Leone, dan Zimbabwe. Africa TTS menawarkan cakupan yang hampir tiga kali lipat — 92 bahasa berbanding 32 — dan model yang dapat dijalankan secara lokal di CPU, bukan sebagai layanan API berbayar. Namun Khaya AI adalah platform yang lebih luas, mencakup penerjemahan dan pengenalan suara. Pembanding lain adalah MMS-TTS dari proyek Massively Multilingual Speech milik Meta, yang mendukung lebih dari seribu bahasa.
Untuk apa Africa TTS bisa dipakai
Kegunaan paling langsung ada di bidang pendidikan: di banyak negara Afrika, bahasa pengantar di sekolah sering berbeda dari bahasa yang dipakai anak-anak di rumah, dan dengan TTS berbahasa ibu, buku pelajaran dapat dibacakan serta latihan mendengarkan dapat dibuat — bahkan di sekolah yang hanya memiliki laptop lama dan koneksi terbatas. Bidang kesehatan juga penting: pengumuman tentang cara mencegah penyakit, meminum obat, atau kapan datang ke klinik dapat diubah menjadi audio dalam bahasa Hausa, Yoruba, Amharik, atau Zulu, menjangkau orang-orang yang tidak bisa membaca. Media lokal pun mendapat manfaat: stasiun radio komunitas dapat mengubah naskah berita menjadi audio dalam beberapa bahasa dengan cepat, bahkan dengan suara penyiarnya sendiri lewat kloning suara. Di luar itu, ada aksesibilitas bagi penyandang tunanetra, asisten suara berbahasa daerah, dan pelestarian bahasa yang penuturnya semakin sedikit.
Keterbatasan yang perlu dipahami
Pertama, kualitas antar bahasa hampir pasti tidak merata: bahasa besar seperti Swahili, Hausa, Yoruba, dan Zulu kemungkinan memiliki data pelatihan yang jauh lebih banyak daripada bahasa kecil. Sebaiknya penutur asli bahasa itu diminta mendengarkan hasilnya terlebih dahulu. Kedua, angka kecepatan dan keterbacaan berasal dari pengembangnya sendiri dan belum diverifikasi secara independen. Ketiga, angka harus dieja manual, dan model 110 juta parameter tidak akan memiliki kekayaan ekspresi yang sama dengan model besar untuk akting suara. Keempat, lisensi model dan suara bawaannya adalah CC-BY-NC-4.0 — boleh dipakai dengan atribusi, tetapi tidak untuk keperluan komersial — sedangkan kodenya berlisensi MIT dan espeak-ng untuk bahasa Inggris berlisensi GPL-3.0-or-later. Kelima, proyek ini masih sangat baru, dan daftar bahasa yang didukung dapat berubah.
Etika kloning suara: hanya dengan izin
Mengkloning suara dari klip tiga sampai sepuluh detik berarti siapa pun dapat, secara teknis, membuat suara yang meniru orang lain hanya dari rekaman singkat — sebuah pesan suara, sebuah klip video, atau rekaman rapat. Aturan yang paling sederhana dan paling penting adalah: kloning hanya suara sendiri, atau suara orang lain yang telah memberikan izin secara jelas dan spesifik. Seorang guru yang mengkloning suaranya sendiri untuk materi belajar tidak menimbulkan masalah; membuat seorang tokoh publik seolah-olah mengatakan sesuatu yang tidak pernah ia katakan adalah penyalahgunaan yang nyata. Ketika audio yang dihasilkan dipakai dalam konten publik, ada baiknya menjelaskan bahwa suara itu dihasilkan secara sintetis.
Mengapa proyek ini penting, dan cara mencobanya
Africa TTS penting bukan karena ia sempurna — ia jelas belum sempurna — tetapi karena ia mengubah pertanyaan yang diajukan: dari "apakah bahasa ini didukung?" menjadi "seberapa baik bahasa ini didukung, dan bagaimana kita memperbaikinya?" Ia juga menunjukkan bahwa inovasi teknologi bahasa tidak harus datang dari pusat teknologi besar. Bagi pembaca di Indonesia, kisah ini terasa dekat: Indonesia juga memiliki ratusan bahasa daerah yang sebagian besar belum memiliki dukungan TTS yang memadai. Bagi yang ingin mencoba, langkah pertama adalah pip install africa-tts, lalu menjalankan perintah contoh dan mendengarkan hasilnya bersama penutur asli bahasa tersebut. Bagi penutur asli bahasa Afrika, kontribusi paling berharga adalah umpan balik tentang kata yang salah diucapkan atau nada yang keliru. Dipakai dengan kesadaran akan statusnya, Africa TTS adalah langkah nyata menuju dunia di mana mesin akhirnya berbicara dalam bahasa-bahasa yang selama ini tidak didengarnya.
Catatan transparansi: artikel ini disusun sebagai laporan dari sumber-sumber sekunder yang dapat dilacak, terutama halaman PyPI dan repositori publik Africa TTS beserta dokumentasi Pocket TTS dan Khaya AI, tanpa instalasi, pengujian, atau pengukuran langsung atas perangkat lunak yang dibahas. Angka-angka kecepatan, ukuran model, dan keterbacaan yang dikutip di sini adalah angka yang dilaporkan oleh pengembangnya, dan pengalaman pengguna di perangkat atau bahasa yang berbeda dapat menghasilkan hasil yang berbeda. Jika ada informasi yang berubah setelah artikel ini ditulis, pembaca disarankan memeriksa dokumentasi resmi proyek tersebut.