Teknologi Ucapan dan Suara

Di halaman ini

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Teknologi ucapan dan suara teknologi — keluarga sistem AI di mana saluran lisan membawa interaksi: pengenalan ucapan otomatis (ASR) yang mentranskripsikan, menganalisis, dan menilai apa yang dikatakan pembelajar; text-to-speech (TTS) yang menghasilkan instruksi bernarasi atau berbentuk dialog; agen voice-first yang mengadakan percakapan lisan waktu-nyata dengan pembelajar; serta penangkapan dan penilaian otomatis atas kinerja lisan. Jika riset AI Percakapan sebagian besar tentang chatbot teks dan Pembelajaran Bahasa mencakup pedagogi bahasa kedua secara luas, halaman ini mengikuti audionya sendiri — apa yang diubah antarmuka suara tentang pembelajaran, berapa biayanya, dan siapa yang disertakan atau dikecualikan ketika antarmukanya adalah suara alih-alih layar.

Pertanyaan untuk Dipertimbangkan

Umpan balik ASR lebih membantu pembelajar yang lebih kuat daripada yang lebih lemah: dalam satu survei terhadap 325 mahasiswa Tiongkok, imbalan dari perilaku reflektif dan motivasi lemah dan tidak signifikan pada kemampuan rendah serta tumbuh jauh lebih kuat pada tingkat rata-rata dan tinggi. Jika sebuah alat menaikkan rata-rata sambil melebarkan kesenjangan, apakah itu keberhasilan?
Narasi TTS menyamai suara pengajar sendiri pada pemahaman, konsentrasi, dan evaluasi keseluruhan — tetapi TTS berformat dialog mengalahkan TTS pembicara tunggal pada pemahaman dan keterlibatan kognitif meskipun terdengar kurang alami. Mana yang akan Anda pilih untuk pengenalan pertama sebuah konsep, dan mana untuk panduan prosedural yang padat?
Dua temuan berlawanan dengan intuisi: siswa yang paling banyak membaca keluaran AI selama tugas interpreting memiliki kelancaran penyampaian paling lemah, dan pembelajar yang menjawab dengan dua kata ditandai benar sementara jawaban lisan yang lebih lengkap justru ditandai. Seberapa jauh antarmuka suara mengukur kelancaran verbal alih-alih pemahaman?
Agen suara beraksen Britania diperlakukan sebagai alat, sementara agen beraksen India dan Afrika-Amerika dipersonifikasikan dan diperlakukan sebagai sejawat dalam K-12 kerja kelompok. Jika aksen mengubah cara pembelajar berhubungan dengan agen, siapa yang seharusnya memutuskan suara mana yang dibawa sebuah produk pendidikan?
Sistem voice-first dan offline terutama ada untuk menjangkau pembelajar yang dikecualikan edtech berbasis layar — anak tunanetra, pembelajar tuli dan gangguan pendengaran, pembelajar di bengkel tanpa konektivitas. Apa yang diperlukan agar aksesibilitas menjadi asumsi awal sebuah produk suara alih-alih perbaikan di kemudian hari?
Hampir setiap klaim di halaman ini berasal dari studi pendek, satu lokasi, berbasis laporan diri, dengan urutan penyajian tetap. Mana dari temuan ini yang cukup Anda percayai untuk mengubah penilaian atau desain pelajaran Anda sebelum replikasi tersedia?

Pendahuluan

Ucapan adalah antarmuka pendidikan tertua dan yang terbaru bagi AI. Sistem yang mendengar dan berbicara kini berada di kelas bahasa, bengkel vokasi, dan pelajaran inkuiri SMA. Sistem-sistem itu menarik karena alasan biasa — ucapan cepat, bekerja tanpa tangan dan tanpa mata, dan merupakan medium tempat pelafalan, kelancaran, serta penalaran lisan hidup — dan karena alasan yang lebih baru: jawaban lisan yang dibatasi waktu sulit dialihdayakan ke generator teks, yang menjadikan saluran lisan kandidat jawaban atas tekanan Integritas Akademik pada penilaian tertulis.

Riset di sini terbagi menjadi empat kluster: umpan balik pelafalan ASR, instruksi yang dihasilkan TTS, pendamping voice-first dan mitra dialog lisan, serta Penilaian lisan berbantuan AI. Melintasi keempatnya ada pertanyaan tentang keadilan — antarmuka suara menghapus satu hambatan (penglihatan, kecepatan membaca, literasi mengetik) sambil memasukkan hambatan lain (aksen, akurasi pengenalan, perangkat keras, konektivitas).

ASR dan Umpan Balik Pelafalan

Pesan paling konsisten dari kerja ASR adalah bahwa alatnya bukanlah perlakuan — desain umpan baliknyalah yang menjadi perlakuan. Chen et al. (2026) menyurvei 325 mahasiswa sarjana di sebuah universitas pelatihan guru di Tiongkok dan memodelkan akurasi, frekuensi penggunaan, kualitas umpan balik, dan desain tugas refleksi terhadap perilaku reflektif dan Motivasi intrinsik, lalu terhadap peningkatan berbicara. Koreksi kesalahan yang akurat dan tugas refleksi yang terstruktur mendorong internalisasi Umpan Balik sekaligus refleksi. Penggunaan yang lebih sering meningkatkan refleksi tetapi tidak memiliki efek independen pada motivasi. Akurasi pengenalan menaikkan motivasi, masuk akal karena membangun kepercayaan pada alat, tetapi tidak dengan sendirinya memicu pemrosesan yang lebih mendalam — seorang pembelajar dapat mencatat adanya kesalahan yang ditandai tanpa menganalisis penyebabnya. Refleksi adalah prediktor keuntungan berbicara yang lebih kuat, dan kemampuan memoderasi kedua jalur: lemah dan tidak signifikan pada kemampuan rendah, jauh lebih kuat pada tingkat rata-rata dan tinggi. Saran yang menyusul adalah menjelaskan kesalahan secara artikulatoris alih-alih hanya menandainya, meningkatkan kompleksitas sesuai kesiapan, dan membingkai koreksi secara suportif.

Untai kedua menanyakan apakah umpan balik pelafalan AI mengubah disposisi pembelajar untuk berbicara. Lu et al. (2026) menyurvei 1,701 pembelajar EFL universitas di Tiongkok dan menggunakan pemodelan persamaan struktural berbasis kovarians dengan bootstrapping terkoreksi bias untuk menguji apakah persepsi atas umpan balik pelafalan AI Generatif berkaitan dengan kemauan berkomunikasi, dengan Efikasi Diri pelafalan sebagai mediator. Asosiasinya positif, dan efikasi diri memediasi sebagian: jalur tidak langsung menyumbang 69.9% dari efek total sementara efek langsung tetap ada. Semua konstruk merupakan laporan diri pada satu titik waktu, sehingga studi ini menggambarkan mekanisme yang dipersepsikan pembelajar, bukan mekanisme yang dimanipulasi.

Umpan balik pelafalan otomatis juga dapat dibangun tanpa label kesalahan. Kawamura (2026) mendeskripsikan Profy, yang mempelajari seperti apa pelafalan baik dan buruk dari ucapan yang sebagian besar tanpa anotasi melalui pembelajaran swa-supervisi, lalu menunjukkan kepada pembelajar wilayah gelombang mana yang mendorong penilaian tersebut dan seberapa jauh akustik mereka dari distribusi penutur asli. Dengan 10 pembelajar bahasa Inggris asal Jepang yang dinilai oleh lima pendengar Amerika, keterpahaman meningkat, dan berbeda dari baseline imitasi-terelisitasi, interval kepercayaan pra- dan pasca-latihan tidak saling tumpang tindih — sampel kecil, tetapi sampel yang memberi di mana dan seberapa banyak alih-alih putusan biner.

ASR juga melayani kelas dalam peran kedua — mengubah masukan lisan menjadi teks yang dibaca pembelajar. Stanchev (2026) menyajikan sebuah bagian buku ajar Bahasa Inggris Medis sepanjang 2,692 token tentang protein dengan satu suara text-to-speech (15:27, perempuan Kanada) dan mengirimkan audio yang identik ke empat layanan ASR daring, lalu mengukur word error rate (WER) sekaligus cakupan (kata yang dikembalikan sebagai bagian dari referensi). Kedua layanan gratis mengembalikan transkrip yang nyaris lengkap (cakupan 87.96% dan 88.34%, WER 15.23% dan 15.00%), sementara kedua layanan berbayar hanya mengekspor pratinjau (cakupan 32.76% dan 55.35%, WER 73.21% dan 48.77%). Titik pengukurannya adalah bahwa WER saja mencampuradukkan teks yang tidak tersedia dengan teks yang tidak akurat dan akan memeringkat pembatasan ekspor sebagai kegagalan transkripsi, sehingga cakupan perlu berdampingan dengan laju kesalahan. Penghapusan mendominasi setiap layanan dan mengelompok pada penanda struktural seperti rujukan gambar dan nomor halaman, tetapi beberapa substitusi yang mengubah makna — imino → amino, cystine → cysteine, protonated → protonatid, pH → phase — masing-masing membalikkan fakta biokimia, itulah sebabnya para penulis mengusulkan alur kerja tiga tahap (hasilkan masukan, ekspor transkrip penuh, verifikasi terminologi domain) sebelum transkrip sampai kepada pembelajar, dan mengapa tahap terminologi adalah pagar pengaman termurah untuk bahasa Inggris medis.

Keuntungan akurasi tampaknya merupakan sifat sistem yang dirancang khusus, bukan sifat saluran lisan itu sendiri. Di sepuluh studi, hanya chatbot yang dirancang untuk pembelajaran bahasa — Andy English bot dan Xiaoying — yang meningkatkan akurasi, dengan penurunan kesalahan 14% pada satu kelompok kontrol berbanding 38% pada kelompok perlakuan (Soriano-Gonzalez & Belda-Medina (2026)). Tinjauan yang sama mendokumentasikan ASR yang gagal pada ucapan beraksen dan nama non-Inggris, termasuk bot yang tidak dapat mengenali nama Vietnam bahkan ketika pelafalannya akurat.

TTS dan Instruksi yang Dihasilkan Suara

Narasi yang dihasilkan ternyata merupakan pengganti yang layak bagi guru yang direkam, dan variasi yang menarik terletak di dalam formatnya, bukan di antara manusia dan mesin. Kumoi et al. (2026) membangun alur tiga tahap dengan manusia dalam lingkar di mana Model Bahasa Besar (LLM) menyusun slide dan narasi yang dioptimalkan untuk TTS sementara pendidik memeriksa faktanya pada setiap tahap, lalu menjalankan studi within-subject dengan 245 siswa tahun pertama di sebuah SMA prefektur Jepang pada video bersuara pengajar, TTS pembicara tunggal, dan TTS dialog Expert-×-Novice. Pemahaman, konsentrasi, dan evaluasi keseluruhan tidak berbeda secara signifikan di antara ketiganya (p > .14, r < 0.11), dan uji kesetaraan menempatkan ketiganya dalam margin ±0.5: narasi sintetis tidak menurunkan pengalaman. Narasi dialog lebih baik pada pemahaman (p = .006, r = .130), pada pemikiran yang dilaporkan lebih mendalam (p = .019, r = .121), dan pada kemampuan menjelaskan konten kepada teman (p = .004, r = .152), dan 66.9% memilihnya sebagai yang paling menyenangkan. Dua catatan: audio dialog dinilai secara signifikan kurang alami (r = −.238), konsisten dengan beban tambahan dari banyak pembicara, dan kelompok dialog datang dengan pengetahuan awal yang lebih sedikit (66.0% melaporkan tahu "sama sekali tidak tahu" berbanding 34.1%), yang menjadikan keunggulannya estimasi yang konservatif.

Tindak lanjutnya berargumen bahwa format sebaiknya dicocokkan dengan pembelajar, bukan dengan konten. Watanabe et al. (2026) memberikan pelajaran dialog guru–siswa (TS), siswa–siswa (SS), dan guru–guru (TT) yang dihasilkan LLM dan disuarakan melalui API TTS kepada 222 siswa SMA tahun pertama, lalu mencocokkan model efek campuran linear melalui lensa interaksi aptitude-treatment. TT menaikkan Motivasi lebih dari TS, tetapi efeknya bergantung pada gaya belajar: interaksi dengan faktor Concrete Experience positif (b = 0.162, p < .001) sementara interaksi dengan faktor refleksi-dan-konseptualisasi negatif (b = −0.238, p = .002). TT juga memperoleh evaluasi keseluruhan yang secara signifikan lebih rendah daripada TS (b = −0.126, p = .005), yang menurut para penulis disebabkan beban kognitif intrinsik dari pertukaran pakar-ke-pakar yang padat; respons bebas menyebut "kekakuan bicara" pada TT dan "cara bicara yang tidak alami" pada SS. Kedua studi TTS mencampuradukkan format dengan konten dan urutan menonton yang tetap, sehingga ukuran efeknya masih awal.

Pendamping Voice-First dan Mitra Dialog Lisan

Apa yang berubah ketika lawan bicaranya mesin? Scheinberg et al. (2026) meminta 78 pembelajar bahasa Jerman di tingkat universitas dari empat lokasi menyelesaikan tugas spot-the-difference yang diimbangi urutannya bersama sejawat manusia dan mitra AI waktu-nyata, lalu menganalisis transkrip ASR yang telah didiarisasi. Dialog manusia lebih cepat dan lebih seimbang, dengan banyak giliran pendek, sementara kondisi AI tampak seperti monolog yang didukung — giliran lebih sedikit dan lebih panjang, porsi bicara pembelajar lebih kecil, dan kelancaran di dalam giliran lebih tinggi. Masukan AI yang bertele-tele dan teratur secara sintaksis berkaitan dengan pengambilan jangka pendek yang lebih besar dan priming sintaksis yang lebih kuat setelah volume masukan dikontrol, dan kepuasan mengikuti kelancaran produksi pembelajar sendiri alih-alih seberapa banyak yang mereka serap.

Desain voice-first menjadi keharusan alih-alih kemudahan ketika pembelajar tidak dapat menggunakan layar. Kutti AI (Fadurudeen 2026) membalik asumsi visual edtech untuk menjangkau sekitar 1.4 juta anak tunanetra di seluruh dunia: anak-anak mendengar konten kurikulum, menjawab dengan lisan, dan menerima umpan balik bersuara tanpa ketergantungan visual. Tiga pilihan membawa desainnya — mesin deteksi kesulitan ringan yang memadukan latensi respons, jumlah percobaan salah, dan isyarat keraguan berbasis kata kunci untuk memutuskan kapan memberi petunjuk atau menyederhanakan; alur pencocokan jawaban lintas bahasa agar alih kode dan variasi pelafalan tidak dihukum; serta jalur ASR offline di perangkat yang menghapus kebutuhan konektivitas. Ini adalah kontribusi sistem tanpa evaluasi hasil belajar, sehingga klaim pedagogisnya masih berupa hipotesis.

Aksen, sementara itu, adalah variabel desain dengan konsekuensi sosial. Ravi et al. (2026) meminta 33 guru berinteraksi dengan agen suara GenAI dalam kondisi aksen Britania, India, dan Afrika-Amerika dalam pembelajaran kolaboratif K-12. Agen beraksen Britania sebagian besar diperlakukan sebagai alat dan dilibatkan dengan cara yang berjarak dan berbasis kegunaan, sementara agen beraksen India dan Afrika-Amerika lebih mudah dipersonifikasikan dan diintegrasikan sebagai sejawat, dengan kepercayaan dan ketergantungan yang lebih kuat seiring waktu. Pergantian giliran, pola bertanya, dan kehadiran sosial yang dipersepsikan semuanya bergeser bersama aksen — suara yang membuat agen mudah diperlakukan sebagai sumber daya netral dapat membuatnya lebih mudah diabaikan sebagai kolaborator.

Penggunaan yang lebih berat atas alat pendukung lisan tidak otomatis lebih baik. Kuang, Li dan Weng (2026) meminta 22 peserta pelatihan interpreting menyelesaikan tugas interpreting konsekutif berbantuan komputer dua arah dalam sistem yang dibangun di atas ASR dan terjemahan mesin, sambil merekam gerakan mata, catatan pena, dan keluaran suara. Empat profil interaksi muncul — Intensive Engagers, Fast Scanners, Traditionalists, dan Frequent Switchers — dan 58.3% observasi tingkat tahap berpindah profil antara memahami sumber dan memproduksi sasaran. Hanya pola tahap pemahaman yang memprediksi kualitas produk, dan kluster yang paling banyak menggunakan AI memperoleh skor terendah pada kelancaran penyampaian (5.46 berbanding 6.17–6.46) dan kualitas bahasa sasaran (5.70 berbanding 6.35–6.67). Atensi yang dihabiskan membaca transkrip AI adalah atensi yang tidak dihabiskan membangun representasi sendiri; para penulis menyarankan mengajari pembelajar merenungkan strategi mereka sendiri alih-alih menetapkan satu strategi, karena pola itu tidak terlihat kecuali dimunculkan.

Sebuah eksperimen lapangan acak terpreregistrasi menguji saluran lisan terhadap teks yang diketik dalam tutor yang sama, dan menemukan bahwa pembelajarannya ada pada tutoring-nya, bukan pada suaranya. Yang, Van Alstyne dan Dellarocas (2026) mengacak 86 siswa dalam modul keuangan korporasi MBA daring antara tutor terstruktur yang berpijak pada materi mata kuliah dan kelompok holdout, lalu mengganti saluran setiap siswa yang di-tutoring secara mingguan antara suara dan teks sehingga perbandingannya teridentifikasi di dalam diri setiap siswa: penguasaan mingguan berbeda sebesar −0.01 poin dari 11 (p = .98), dan dua uji satu sisi menolak perbedaan sebenarnya yang lebih besar dari ±0.3 SD. Suara mengubah prosesnya — 1.34 giliran dialog per menit berbanding 0.75 pada minggu teks, dan 11.3 pertanyaan berbanding 4.6 — sementara jeda berpikir menciut (median jarak balasan tutor-ke-siswa 27 detik pada suara berbanding 54 pada teks, di mana giliran yang diketik menghabiskan 25.9 detik sebelum ketukan tombol pertama ditambah 13.9 detik menyusun) dan saluran lisan berbiaya 2.8× lebih mahal untuk disampaikan, yaitu $0.22 per menit suara berbanding $0.0165 per pesan teks ($413.46 untuk suara dan $149.13 untuk teks selama lima minggu untuk 52 kursi). Berdasarkan bukti ini, suara adalah pengungkit adopsi dan keterlibatan, bukan pengungkit pengodean — yang justru merupakan trade-off yang harus diberi harga oleh setiap institusi yang menambahkan saluran lisan.

Tumpukan suara yang sama kini diusulkan untuk arah sebaliknya: Tamme, Schilling & Hantel (2026) merencanakan agen telepon berbasis ElevenLabs yang mewawancarai siswa tentang sebuah mata kuliah dalam percakapan 5–7 menit dengan pertanyaan lanjutan adaptif. Pilot Munich mereka yang telah selesai menetapkan kelayakannya; studi lapangan yang direncanakan, di satu mata kuliah MIT Sloan dengan sekitar 60 siswa, belum melaporkan hasil.

AI dalam Penilaian Lisan dan Berbicara

Penilaian lisan selalu kuat secara pedagogis dan mahal secara logistik, dan teknologi ucapan kini menyerang sisi biayanya. Pentland, Lowenthal dan Krier (2026) mendeskripsikan penilaian lisan asinkron (AOA): prompt yang dikirim tepat waktu, respons webcam singkat yang dibatasi waktu dan tidak dapat ditinjau ulang, serta penilaian terhadap rubrik yang tertanam dengan transkrip yang dihasilkan otomatis. Di dua mata kuliah yang diajarkan oleh satu pengajar tanpa kendala penjadwalan, siswa memperoleh skor lebih tinggi pada AOA daripada pada ujian pilihan ganda tatap muka — signifikan pada Studi 2 (median ujian tengah semester 92.5 vs 70, p < .001; ujian akhir 94.2 vs 86.4, p = .002) dan searah pada Studi 1, dengan korelasi lintas format yang moderat (τ = .44; τ = .25, tidak signifikan). Siswa beralih ke persiapan yang lebih aktif, 90.91% memandang format itu lebih dekat ke komunikasi dunia kerja daripada ujian tertulis, dan 81.82% melaporkan terlibat lebih aktif dengan konten. Para penulis berhati-hati bahwa ini adalah perbedaan skor antformat, bukan bukti keuntungan belajar, dan bahwa keunggulan integritasnya disimpulkan alih-alih diukur; pemeriksaan penilaian ulang dengan LLM menemukan skor pengajar secara sistematis lebih tinggi dengan kesepakatan moderat hingga baik (ICC 0.73 dan 0.60), yang ditawarkan sebagai pemeriksaan keandalan dan bukan dukungan bagi penilaian otomatis.

Fenton (2025) menyediakan alasannya dalam bentuk tinjauan: karena ujian lisan bersifat waktu-nyata dan interaktif, siswa tidak dapat menghasilkan jawaban lebih dulu lalu menghafalnya, dan format itu menyelidiki penalaran pada tingkat taksonomi Bloom yang lebih tinggi alih-alih daya ingat. Manfaatnya — personalisasi, keautentikan, kesiapan kerja, pengetahuan yang lebih mendalam — datang dengan biaya yang disebutkan: penjadwalan dan logistik, kecemasan pembelajar, dan risiko bias seputar gender, etnisitas, bahasa, kecepatan respons, dan penilaian non-anonim, meskipun buktinya menunjukkan ujian lisan dapat sama inklusifnya dengan ujian tertulis bagi sebagian pembelajar, termasuk mereka dengan disleksia.

Dua penerapan menunjukkan apa yang ditambahkan teknologi itu. AkoVoice (Adams 2026) menilai 33 pembelajar di empat kelas Otomotif Level 3 dan satu kelas Teknik Level 3 di Selandia Baru, pada ponsel milik pembelajar dengan satu laptop kelas menengah yang menjalankan model berbobot terbuka — Mistral 7B melalui Ollama, faster-whisper untuk speech-to-text, Chatterbox untuk TTS — dengan hingga 12 pembelajar dinilai secara bersamaan dan tanpa koneksi internet sama sekali. AI diposisikan sebagai pemuncul bukti alih-alih hakim, sehingga pertimbangan asesor tetap utuh. Reaksi pembelajar positif: 21 dari 33 (64%) menyebut tugasnya realistis, dan tidak satu pun dari 33 menyatakan tidak setuju bahwa berbicara secara waktu-nyata terasa tepat dibandingkan portofolio tertulis. Data kinerjanya lebih menarik. Jumlah kata untuk pertanyaan yang identik bervariasi lima hingga delapan kali lipat antar pembelajar di setiap kohort (93–523, 92–796, 309–811), namun banyaknya kata tidak memprediksi akurasi pada pertanyaan tertutup; sembilan pembelajar menjawab dalam 2 sampai 13 kata dan semuanya ditandai benar, yang terpendek adalah "3500 kgs", sementara jawaban yang lebih lengkap "beban kerja aman itu tiga ton" ditandai terhadap panduan penilaian 3.5 ton. Uji coba Hortikultura (14 pembelajar) dan Peternakan Sapi Perah (11 pembelajar) yang berdekatan menemukan kecocokan 95% antara nilai awal agen dan nilai tutor manusia. Pada sisi butir soal, Aryadoust dan Wong (2026) membandingkan rekayasa prompt iteratif dengan penyetelan halus untuk butir menyimak L2, menghasilkan 40 tes dan 240 butir pilihan ganda: penyempurnaan prompt meningkatkan kualitas tetapi mendatar, sementara penyetelan halus GPT-4.1 pada prompt yang dioptimalkan dengan desain prompt dipegang konstan lebih lanjut meningkatkan generasi. Penilaian lisan juga berisiko mengukur hal yang salah — Morphew et al. (2026) melacak gestur bersama ucapan yang ditranskripsikan dan berargumen bahwa menilai ucapan saja melewatkan bukti pemahaman yang terwujud dalam tubuh, sehingga kelancaran dapat disalahartikan sebagai pengetahuan konseptual.

Aksesibilitas dan Keadilan dalam Saluran Lisan

Rekam jejak aksesibilitas teknologi ucapan bercampur: saluran yang sama yang menghapus satu hambatan dapat memasang hambatan lain. Pembelajar tuli dan gangguan pendengaran adalah ketidakcocokan yang paling jelas. Chen et al. (2026) merancang sistem penghasil pertanyaan LLM untuk pembelajar DHH yang menonton video, dengan berpijak pada Language Deprivation Theory untuk menjelaskan mengapa prompt berbasis teks kurang cocok dengan bahasa pertama berbasis isyarat. Sistem itu menambahkan Pertanyaan Visual (stempel waktu di mana informasi visual kemungkinan salah dibaca — gerakan cepat, takarir yang tidak sejajar, teks di layar yang padat) dan Pertanyaan Emosi (stempel waktu di mana pembelajar DHH sebelumnya melaporkan frustrasi atau kebingungan), lalu menyempurnakan bank akhir berisi 30 pertanyaan bersama pembelajar dan pengajar. Dengan 16 pengguna, prototipe itu meningkatkan Efikasi Diri (M = 5.70, SD = 1.12 pada skala 7 poin), dan partisipan Tuli lebih sering memilih pertanyaan visual daripada partisipan gangguan pendengaran, yang melaporkan membaca takarir cukup cepat sehingga tidak membutuhkannya. Aksesibilitas di sini harus dibangun ke dalam generasi, bukan ditempelkan padanya.

AkoVoice menambahkan dua pertimbangan keadilan yang jarang muncul bersamaan. Pertama, data: rekaman dienkripsi saat disimpan, dihosting secara lokal, dan dihapus setelah 90 hari, dan para penulis memperlakukan suara partisipan sebagai ekspresi pribadi dan kultural alih-alih sumber daya untuk melatih model atau membangun profil biometrik — sikap yang penting karena EU AI Act mengklasifikasikan AI yang digunakan untuk mengevaluasi hasil belajar dalam pelatihan vokasi sebagai berisiko tinggi. Kedua, aksen dan register: akurasi speech-to-text tidak diuji sepenuhnya pada aksen pembelajar, dan kriteria rubrik seperti "menarik" ditandai sebagai spesifik kultural dan berpotensi merugikan penutur bahasa kedua, sehingga mendorong adanya bidang catatan tinjauan. Diletakkan bersebelahan dengan temuan aksen dalam kerja kelompok K-12 dan asumsi visual yang nyaris total dari edtech arus utama, polanya adalah bahwa antarmuka suara menghapus hambatan penglihatan, kecepatan membaca, dan konektivitas sambil membiarkan aksen, akurasi pengenalan, biaya perangkat keras, dan register kultural tetap terbuka.

Pemeriksaan cakupan. Halaman ini tentang saluran lisan dan teknologi yang membawanya. Untuk pedagogi bahasa kedua secara luas — perkembangan menulis, akurasi gramatikal, motivasi, praktik guru — bukalah Pembelajaran Bahasa, yang mencakup pengajaran L2 dengan AI dan memperlakukan berbicara sebagai salah satu untai di antara beberapa. Untuk chatbot berbasis teks dan desain dialog yang independen dari modalitas, bukalah AI Percakapan; beberapa artikel di sini melibatkan dialog, tetapi pertanyaannya adalah tentang ucapan, bukan tentang memberi prompt pada model obrolan. Untuk pembaca layar, takarir, grafik taktil, dan alat bantu yang tidak terutama berbasis ucapan, bukalah Teknologi Bantu, yang berada di bawah untai Aksesibilitas dan Pembelajaran Inklusif yang lebih luas dalam wiki ini.

Apa yang Masih Tidak Pasti

Hampir setiap klaim kuat di sini bersandar pada satu studi pendek. Kedua studi pelajaran TTS berjalan di satu SMA Jepang dengan urutan penyajian tetap yang mencampuradukkan format dengan konten, dan ukuran hasil belajarnya merupakan laporan diri pada skala buatan sendiri. Model umpan balik ASR berasal dari satu universitas Tiongkok dan bersifat lintas-seksional, sehingga temuannya tentang moderasi kemampuan menggambarkan kovarians alih-alih kausalitas. Studi kemauan berkomunikasi mengukur persepsi atas umpan balik, bukan kualitas umpan balik. Studi profil interpreting adalah analisis eksploratif 22 partisipan di mana efek tahap keluaran tidak mencapai signifikansi. Penerapan AOA dan AkoVoice bersifat satu institusi, dan AkoVoice tidak melaporkan bukti belajar sumatif karena penilaian lisannya berjalan paralel dengan penilaian sebenarnya. Kutti AI adalah kontribusi sistem tanpa evaluasi hasil sama sekali. Yang didukung oleh kumpulan ini adalah seperangkat klaim desain: kualitas umpan balik mengalahkan volume latihan dalam penggunaan ASR, narasi dialog dapat membantu pemahaman dengan mengorbankan kewajaran, format sebaiknya dicocokkan dengan karakteristik pembelajar alih-alih ditetapkan, AI sebaiknya memunculkan bukti alih-alih menggantikan asesor manusia, dan berbicara secara waktu-nyata mengukur sesuatu yang tidak diukur oleh menulis — termasuk akurasi yang mengejutkan tidak peduli berapa banyak kata yang dipakai pembelajar. Apakah semua itu berlaku di lokasi lain, bahasa lain, atau tahun lain, belum teruji.

Miskonsepsi Umum

"Layanan suara berbayar mengungguli yang gratis." Kedua layanan gratis mengembalikan transkrip yang nyaris lengkap (cakupan 87.96% dan 88.34%, dengan word error rate 15.23% dan 15.00%), sementara kedua layanan berbayar hanya mengekspor pratinjau, pada cakupan 32%. Harga tidak memprediksi kegunaan, dan tingkat berbayar membatasi keluarannya alih-alih memperbaikinya.
"Chatbot pembelajaran bahasa apa pun meningkatkan pelafalan." Di sepuluh studi, hanya chatbot yang dirancang untuk pembelajaran bahasa — Andy English bot dan Xiaoying — yang meningkatkan akurasi, dengan perbandingan penurunan kesalahan 14% pada satu kelompok kontrol. Agen percakapan generik tidak menghasilkan keuntungan itu.
"Keuntungan efikasi diri berarti keuntungan keterampilan." Asosiasi antara teknologi dan hasilnya positif dengan efikasi diri memediasi sebagian: jalur tidak langsung menyumbang 69.9% dari efek total sementara efek langsung tetap ada. Sebagian besar efeknya berjalan melalui kepercayaan diri, yang merupakan mekanisme sekaligus peringatan.

Konsep terkait

Metadata

Disiplin	Language Learning
Tingkat	K 12, Higher Ed, Adult Learning
Audiensi sasaran	Instructors, Learners, Researchers, Instructional Designers
Teknologi dan teknik	AI Generatif, AI Multimodal
Asesmen dan pengukuran	Penilaian
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Aksesibilitas, Pembelajaran Inklusif

Sumber Riwayat Sunting Obrolan