Karyawan AI untuk Alt Text dan Subtitle: Konten Aksesibel Tanpa Mengarang Detail

Ditulis oleh Nugraha Labib Mujaddid, pembuat AgentBuff.

Karyawan AI untuk alt text dan subtitle adalah agen kerja yang mengubah bukti visual dan audio menjadi draf alternatif teks, caption bertimestamp, subtitle terjemahan, serta transkrip; lalu menandai bagian yang tidak pasti untuk diperiksa manusia. Tugasnya bukan menebak apa yang “mungkin” terjadi di gambar atau audio. Tugasnya adalah membuat informasi penting dapat diakses dalam bentuk lain tanpa mengubah makna.

Ini use case yang cocok untuk kreator, online seller, kampus, agensi kecil, dan UMKM yang menerbitkan katalog, tutorial, webinar, podcast, atau video pendek. Beban manualnya nyata: melihat setiap aset, menyalin ucapan, mengenali pembicara, menandai bunyi penting, menyusun timecode, dan menyesuaikan deskripsi dengan konteks halaman. AI dapat mempercepat pekerjaan tersebut, tetapi hasil otomatis belum layak langsung tayang.

World Wide Web Consortium (W3C) menyatakan bahwa konten nonteks perlu memiliki alternatif teks yang melayani tujuan setara. Untuk video rekaman, caption harus menyinkronkan informasi audio—termasuk identitas pembicara dan bunyi nonverbal yang penting—dengan media. Karena itu, “AI sudah menghasilkan teks” bukan kriteria selesai. Kriteria selesai adalah makna penting terwakili secara akurat dan dapat digunakan oleh orang yang membutuhkan alternatif tersebut.

Bedakan lima keluaran yang sering dicampur

Sebelum membuat workflow, tentukan produknya. Lima istilah berikut tidak saling menggantikan:

W3C membedakan caption bahasa yang sama dari subtitle terjemahan, walau pemakaian istilah berbeda antarwilayah. Caption bukan sekadar kata yang diucapkan: ia dapat memuat efek suara, musik, tawa, lokasi suara, dan identitas pembicara jika diperlukan untuk memahami konten. Panduan caption W3C menjelaskan perbedaan tersebut.

Mengapa hasil otomatis tidak boleh langsung dipublikasikan

Kesalahan aksesibilitas sering tidak terlihat oleh pembuat konten yang masih dapat melihat gambar dan mendengar audio. Tiga kegagalan paling berbahaya adalah:

1. Makna berubah. Kata “tidak”, angka, nama produk, dosis, harga, atau langkah kerja salah ditranskripsi.
2. AI menambah fakta. Model menyebut identitas, emosi, lokasi, merek, warna, atau hubungan antarmanusia yang tidak dapat dipastikan dari aset.
3. Formatnya ada, fungsinya gagal. Alt text mengulang caption di sekitar gambar, gambar dekoratif diberi uraian panjang, atau caption tidak sinkron sehingga sulit diikuti.

W3C memperingatkan bahwa caption otomatis tidak memenuhi kebutuhan pengguna atau persyaratan aksesibilitas kecuali sudah dipastikan sepenuhnya akurat; biasanya dibutuhkan penyuntingan berarti. Contoh W3C menunjukkan bahwa hilangnya satu kata dapat membalik instruksi. YouTube juga mendorong kreator untuk meninjau semua caption otomatis dan menyebut audio buruk, pembicara tumpang tindih, serta beberapa bahasa sekaligus sebagai sumber masalah.

Kesimpulan praktisnya: gunakan AI sebagai pembuat draf dan pemeriksa konsistensi, bukan sebagai penerbit tanpa review.

Kontrak data: jangan mulai dari file mentah saja

Satu video atau gambar jarang cukup untuk menghasilkan teks yang akurat. Beri agen sebuah evidence packet:

Tanpa konteks, alt text untuk foto yang sama bisa salah arah. Foto seorang barista menuang susu dapat berarti “suasana kedai” di halaman profil, “teknik menuang” di tutorial, atau hanya dekorasi pada banner. Deskripsi yang baik menjelaskan fungsi gambar pada halaman, bukan membuat katalog seluruh piksel.

Workflow sembilan langkah dari aset ke teks yang dapat diperiksa

1. Inventarisasi dan klasifikasikan aset

Daftarkan setiap gambar, audio, dan video beserta lokasi publikasinya. Untuk gambar, tandai sebagai informatif, fungsional, kompleks, berisi teks, redundan, atau dekoratif. Untuk audio-video, tandai apakah ada ucapan, bunyi penting, visual penting yang tidak dijelaskan audio, beberapa pembicara, atau campuran bahasa.

Jangan memaksa alt text pada semua gambar. Pohon keputusan alt W3C menyarankan atribut alt kosong untuk gambar dekoratif atau gambar yang hanya mengulang teks nyata di dekatnya. Ikon tombol harus menjelaskan tindakan; grafik kompleks membutuhkan penjelasan atau data di tempat lain pada halaman.

2. Tetapkan tujuan alternatif sebelum menulis

Tuliskan satu kalimat: “Tanpa melihat atau mendengar aset ini, informasi apa yang harus tetap diterima pengguna?” Kalimat tersebut menjadi acceptance criterion. Agen tidak boleh mengejar deskripsi yang paling puitis; ia harus mengejar kesetaraan fungsi.

3. Ekstrak bukti, jangan langsung membuat prosa

Untuk gambar, pisahkan teks yang terbaca, objek yang jelas, posisi yang relevan, data pada grafik, dan bagian yang tidak pasti. Untuk video, ekstrak audio, transkripsi awal, perubahan pembicara, bunyi nonverbal, teks di layar, serta frame pada pergantian adegan. Setiap temuan perlu timecode atau koordinat aset agar reviewer dapat melacaknya.

Gunakan status observed, from_source, inferred, atau uncertain. Hanya dua status pertama yang boleh masuk ke output tanpa peringatan. Detail inferensial harus dihapus atau dikonfirmasi.

4. Buat alt text berdasarkan konteks

Alt text sebaiknya ringkas untuk gambar sederhana, tetapi “ringkas” bukan berarti kehilangan fungsi. Jangan membuka dengan “gambar dari” atau “foto berupa” kecuali jenis media memang penting. Hindari keyword stuffing dan jangan mengulang teks yang sudah berada di dekat gambar.

Untuk grafik atau diagram kompleks, gunakan alt pendek sebagai identifikasi lalu sediakan ringkasan pola dan data penting di teks halaman atau tabel. WCAG 2.2 menjelaskan bahwa alternatif pendek dan panjang dapat digunakan sesuai kebutuhan, dan informasi grafik kompleks dapat diberikan dalam deskripsi lebih panjang atau tabel. Lihat Understanding SC 1.1.1.

5. Susun caption dengan timecode dan bunyi bermakna

Mulai dari transkrip otomatis, lalu pecah menjadi unit yang mengikuti ucapan dan mudah dibaca. Identifikasi pembicara ketika pergantian suara tidak terlihat jelas. Masukkan bunyi nonverbal hanya jika memengaruhi pemahaman: [alarm berbunyi], [pelanggan tertawa], atau [mesin berhenti mendadak] bisa penting; musik latar generik belum tentu.

Format publikasi harus mengikuti kanal. W3C mencantumkan WebVTT sebagai format umum dan juga menyebut SRT serta TTML. Simpan naskah sumber terpisah dari file bertimestamp agar revisi mudah dilakukan.

6. Perlakukan subtitle terjemahan sebagai pekerjaan kedua

Jangan menerjemahkan transkrip mentah yang belum diverifikasi. Kunci dulu caption bahasa sumber, kemudian terjemahkan dengan glosarium, gaya bahasa, batas karakter, dan konteks adegan. Nama produk, angka, URL, serta istilah teknis harus melalui pemeriksaan khusus.

Terjemahan dapat mengubah panjang kalimat sehingga pemenggalan dan timecode perlu disetel ulang. Bila lelucon, dialek, atau istilah lokal tidak punya padanan langsung, tandai untuk keputusan editor—jangan membuat penjelasan baru diam-diam.

7. Bangun transkrip yang memang berguna dibaca

Menghapus timecode dari caption belum otomatis menghasilkan transkrip yang baik. Gabungkan potongan menjadi paragraf, beri nama pembicara, tambahkan heading, dan sertakan visual penting yang tidak dijelaskan dalam audio. W3C menyebut transkrip dasar sebagai versi teks dari ucapan dan informasi audio nonverbal; transkrip deskriptif juga menyertakan informasi visual yang dibutuhkan untuk memahami konten. Lihat panduan transkrip W3C.

Tambahan editor harus dibedakan dari ucapan asli, misalnya dengan tanda kurung siku atau bagian berjudul. Jangan membuat kutipan yang sebenarnya ringkasan.

8. Lakukan dua lintasan QA

Lintasan isi: reviewer memutar media dari awal sampai akhir sambil memeriksa kata, nama, angka, negasi, bunyi penting, pergantian pembicara, dan timecode. Untuk alt text, reviewer membaca halaman tanpa melihat gambar lalu menilai apakah fungsi tetap dipahami.

Lintasan teknis: unggah ke lingkungan pratinjau, periksa encoding, bahasa, urutan cue, tumpang tindih, pemenggalan, tampilan di mobile, serta apakah field alt benar-benar terbaca teknologi bantu. File yang benar di folder belum berarti sudah terpasang pada aset yang benar.

9. Publikasikan dengan bukti dan mekanisme koreksi

Simpan asset_id, versi output, model/detektor yang digunakan, sumber glosarium, reviewer, hasil QA, waktu publikasi, dan tautan final. Ketika aset video berubah, tandai caption serta transkrip lama sebagai usang. Sediakan cara melaporkan kesalahan karena nama, istilah lokal, dan audio yang samar tetap dapat lolos.

Contoh praktis untuk online seller dan kreator

Foto produk marketplace

Sebuah toko menjual tas dengan tiga warna. Product master menyebut varian “hijau sage”, bukan “abu-abu”. Agen melihat foto, mencocokkannya dengan variant_id, lalu membuat alt text: “Tas selempang hijau sage dengan satu kompartemen depan dan tali yang dapat diatur.” Jika bahan tidak tercatat dan teksturnya tidak pasti, agen tidak menulis “kulit asli”.

Video tutorial minuman

Audio mengatakan, “Jangan tuang sirup sebelum es,” sementara transkripsi otomatis menghilangkan kata “jangan”. Agen menandai negasi sebagai token berisiko tinggi, membandingkan dengan naskah, dan meminta review. Bunyi timer dimasukkan bila menjadi penanda proses, tetapi musik latar tidak perlu dideskripsikan setiap kali.

Potongan podcast

Dua pembicara saling memotong. Agen tidak mengarang atribusi saat suaranya tumpang tindih; cue diberi status speaker_uncertain untuk editor. Transkrip akhirnya menggabungkan baris caption menjadi paragraf dan menautkan sumber yang memang disebut dalam percakapan.

Instruksi kerja siap pakai

Anda membuat draf alt text, caption, subtitle, dan transkrip dari evidence packet. Tujuan utama adalah mempertahankan makna, bukan mendeskripsikan sebanyak mungkin. Bedakan fakta yang terlihat/terdengar, fakta dari sumber terverifikasi, inferensi, dan ketidakpastian. Jangan menyimpulkan identitas, emosi, kondisi kesehatan, etnis, hubungan, bahan, merek, atau lokasi tanpa bukti. Untuk gambar, klasifikasikan informatif, fungsional, kompleks, redundan, atau dekoratif sebelum menulis. Untuk audio-video, pertahankan angka, negasi, nama, istilah, pembicara, bunyi bermakna, dan timecode. Jangan menerbitkan; keluarkan draf, daftar ketidakpastian, bukti sumber, dan checklist review manusia.

Prompt tersebut sengaja membatasi agen pada draf. Untuk istilah konsisten, hubungkan glosarium dan product master melalui knowledge base karyawan AI. Data identitas pembicara atau pelanggan juga perlu mengikuti prinsip minimisasi dalam panduan karyawan AI dan UU PDP.

Paket uji sebelum workflow dipakai rutin

Uji setidaknya kasus berikut:

1. gambar dekoratif yang seharusnya memakai alt kosong;
2. ikon tombol yang harus menjelaskan tindakan;
3. foto produk dengan warna mirip tetapi variant_id berbeda;
4. infografik yang membutuhkan deskripsi panjang atau tabel;
5. audio dengan kata negasi;
6. angka harga dan ukuran yang mudah tertukar;
7. dua pembicara yang saling tumpang tindih;
8. nama Indonesia, singkatan, dan istilah daerah;
9. bunyi penting tanpa ucapan;
10. video berisi teks di layar yang tidak diucapkan;
11. campuran bahasa Indonesia dan Inggris;
12. revisi video yang membuat caption lama tidak sinkron.

Untuk setiap kasus, tetapkan keluaran benar, kesalahan fatal, toleransi timecode, dan kondisi eskalasi. Gunakan metode golden set dari panduan menguji karyawan AI sebelum tugas rutin.

Metrik yang lebih berguna daripada jumlah file selesai

• persentase alt text yang lolos review tanpa perubahan makna;
• tingkat gambar dekoratif yang salah diberi deskripsi;
• word error rate sebagai indikator transkripsi, ditambah audit khusus angka, nama, dan negasi;
• persentase cue dengan identitas pembicara benar;
• deviasi timecode dan cue yang tumpang tindih;
• istilah glosarium yang konsisten;
• jumlah inferensi tanpa bukti;
• rasio eskalasi pada audio/visual yang memang ambigu;
• waktu review manusia per menit video;
• kesalahan yang dilaporkan setelah publikasi dan waktu koreksinya.

Jangan memakai satu skor akurasi untuk semua risiko. Kesalahan tanda baca pada video santai tidak setara dengan hilangnya kata “tidak” pada instruksi keselamatan atau salah angka pada harga.

Di mana AgentBuff relevan

AgentBuff adalah platform Karyawan AI asal Indonesia. Pengguna mengelola tenaga kerja AI melalui chat, memberinya peran, skills, tools, dan akses data kerja agar agen dapat menjalankan workflow serta mengembalikan hasil nyata. Dalam produksi aksesibilitas, peran yang jujur adalah mengorkestrasi inventaris aset, ekstraksi bukti, pembuatan draf, pemeriksaan terhadap glosarium, antrean review, dan laporan hasil—bukan menjanjikan kepatuhan otomatis.

Mulailah dari satu jenis aset dan satu kanal. Beri agen akses baca ke file sumber, minta keluaran draf, dan tahan publikasi sampai reviewer menyetujui. Setelah pengujian stabil, otomatisasi bagian berisiko rendah seperti inventarisasi dan format ekspor. Pelajari konsep produknya di halaman karyawan AI, lalu gunakan AgentBuff bila alur kerja tersebut sesuai kebutuhan Anda.

FAQ

Apakah caption otomatis sudah cukup untuk aksesibilitas?

Belum tentu. Caption otomatis dapat menjadi titik awal, tetapi perlu diperiksa terhadap audio, pembicara, bunyi penting, angka, nama, negasi, dan sinkronisasi sebelum diterbitkan.

Apakah semua gambar membutuhkan alt text yang mendeskripsikan gambar?

Tidak. Gambar dekoratif atau yang mengulang teks di dekatnya biasanya perlu alt kosong agar tidak mengganggu pengguna pembaca layar. Ikon fungsional harus menjelaskan tindakan, sedangkan grafik kompleks membutuhkan penjelasan lebih panjang.

Apa beda caption dan subtitle?

Dalam panduan W3C, caption biasanya memakai bahasa yang sama dengan audio dan mencakup informasi nonverbal; subtitle menerjemahkan ucapan ke bahasa lain. Penggunaan istilah dapat berbeda antarplatform dan wilayah.

Bolehkah AI menebak siapa orang dalam gambar?

Jangan. Gunakan identitas hanya jika diberikan oleh sumber yang sah dan memang relevan. Hindari menyimpulkan atribut sensitif, hubungan, emosi, atau kondisi seseorang dari tampilan semata.

Siapa yang sebaiknya mereview?

Orang yang memahami isi dan bahasa sumber. Untuk konten penting, tambahkan reviewer yang memahami aksesibilitas serta, bila memungkinkan, pengujian dengan pengguna teknologi bantu.

Kesimpulan

Karyawan AI dapat memangkas pekerjaan mekanis dalam alt text, caption, subtitle, dan transkrip, tetapi kualitasnya bergantung pada bukti, konteks, dan review. Workflow yang kuat mengklasifikasikan aset terlebih dahulu, memisahkan observasi dari inferensi, mengunci caption sumber sebelum menerjemahkan, menjalankan QA isi dan teknis, lalu menyimpan bukti publikasi. Hasil akhirnya bukan sekadar “ada teks”, melainkan alternatif yang mempertahankan makna tanpa menambah fakta.

Sumber dan bacaan utama

• W3C WCAG 2.2 — Understanding SC 1.1.1 Non-text Content
• W3C WAI — Alt Decision Tree
• W3C WCAG 2.2 — Understanding SC 1.2.2 Captions
• W3C WAI — Captions/Subtitles
• W3C WAI — Transcripts
• YouTube Help — Use automatic captioning

---

Tentang penulis: Nugraha Labib Mujaddid membangun AgentBuff untuk membantu individu dan bisnis Indonesia bekerja dengan karyawan AI.