Konversi JPG menjadi MP3

Pemutar khusus suara, alur kerja audiobook, atau layanan aksesibilitas mungkin memerlukan MP3 ketika sumbernya berupa halaman yang difoto atau screenshot. Karena JPG berisi piksel gambar, bukan audio, alur kerja yang biasanya berguna adalah OCR yang dilanjutkan dengan text-to-speech.

Yang terdapat dalam file JPG

JPG, yang juga disebut JPEG, adalah format gambar raster lossy yang digunakan untuk foto kamera, scan, screenshot, grafik web, dan gambar yang diekspor oleh aplikasi seperti Adobe Photoshop, Preview, dan Microsoft Paint. Kamera, ponsel, desainer, penerbit, dan situs web umumnya menggunakan file seperti photo.jpg dan scan.jpeg karena JPG mengompresi gambar fotografi secara efisien.

JPG tidak berisi suara, teks yang dapat dipilih, timing, atau data musik. Kata-kata yang terlihat pada halaman hasil scan harus dikenali dengan optical character recognition (OCR) sebelum speech engine dapat membacakannya.

Yang terdapat dalam file MP3

MP3 adalah format audio terkompresi lossy yang digunakan untuk suara, musik, podcast, audiobook, ponsel, stereo mobil, dan media player lama. Format ini didukung secara luas dan biasanya jauh lebih kecil daripada audio WAV atau AIFF yang tidak terkompresi.

MP3 dapat memuat narasi yang dibuat dari teks, tetapi tidak dapat mempertahankan foto sebagai konten yang dibacakan tanpa OCR atau deskripsi yang ditulis secara manual. Metadata MP3 dapat menyertakan JPG sebagai artwork album; hal ini menyematkan gambar dalam file audio dan tidak mengubah gambar menjadi audio.

Membuat narasi MP3 dari JPG

1. Siapkan gambar. Gunakan gambar yang tajam, lurus, dan memiliki kontras tinggi. Untuk dokumen kertas, lakukan scan pada sekitar 300 dpi, potong batas kosong, dan perbaiki rotasi sebelum OCR.
2. Ekstrak teks. Tesseract OCR adalah opsi desktop gratis untuk Windows, macOS, dan Linux. Setelah data bahasa Inggris terpasang, jalankan tesseract input.jpg page -l eng; perintah ini membuat page.txt. Gunakan kode bahasa lain yang terpasang, seperti deu, fra, atau spa, jika sesuai.
3. Perbaiki output OCR. Periksa nama, angka, singkatan, tanda baca, judul, dan isi tabel dalam page.txt. Speech engine akan membaca kesalahan pengenalan persis seperti yang tertulis.
4. Hasilkan suara dan enkode sebagai MP3. Di Windows, buka teks di Balabolka, pilih voice Windows yang terpasang, lalu gunakan File → Save Audio File dan pilih MP3. Di macOS, buat audio AIFF dengan say -f page.txt -o narration.aiff, lalu jalankan ffmpeg -i narration.aiff -c:a libmp3lame -b:a 96k narration.mp3.
5. Gunakan alur kerja Linux offline jika diperlukan. Buat suara WAV dengan espeak-ng -f page.txt -w narration.wav, lalu enkode menggunakan ffmpeg -i narration.wav -c:a libmp3lame -b:a 96k narration.mp3. eSpeak NG dapat dipahami, tetapi umumnya kurang alami dibandingkan voice cloud modern.

Untuk alur kerja online, upload gambar yang tidak sensitif ke Google Drive, gunakan Open with → Google Docs untuk memperoleh teks OCR, perbaiki hasilnya, lalu tempelkan ke layanan text-to-speech seperti NaturalReader atau ElevenLabs. Download MP3, pilihan voice, dan batas karakter bergantung pada layanan dan paket yang dipilih. Jangan upload dokumen identitas, rekam medis, kontrak, atau materi yang belum dipublikasikan sebelum ketentuan penyimpanan, retensi, dan penggunaan datanya dapat diterima.

Untuk foto tanpa teks yang dapat dibaca, tulis deskripsi yang akurat atau gunakan sistem deskripsi gambar, lalu sintesis deskripsi tersebut. Layanan yang mengklaim dapat mengonversi file JPG arbitrer secara langsung menjadi MP3 mungkin menghasilkan suara yang dipetakan dari nilai piksel, noise, atau MP3 dengan cover art yang disematkan; tidak satu pun dari hal tersebut menghasilkan pembacaan lisan yang akurat dari gambar.

Batasan kualitas dan kompatibilitas

Tulisan tangan, font dekoratif, foto buram, pantulan cahaya, resolusi rendah, dan tabel yang padat mengurangi akurasi OCR serta memerlukan koreksi manual. Bitrate MP3 yang lebih tinggi tidak dapat memperbaiki kesalahan OCR atau meningkatkan pengucapan sintetis.

Untuk suara, 64–96 kbps mono MP3 biasanya sudah memadai; gunakan 128 kbps jika perangkat target menolak file dengan bitrate rendah atau jika narasi mencakup musik. Simpan JPG asli dan page.txt yang telah dikoreksi bersama narration.mp3, karena MP3 tidak dapat memulihkan piksel asli atau merekonstruksi teks persis secara andal.