Media Eksternal SillyTavern di 2026: Ulasan Sebenarnya

Media eksternal di SillyTavern merujuk pada kemampuan melampirkan gambar, file audio, atau media lain ke pesan yang dikirim ke karakter AI. Saat diaktifkan, konteks karakter mencakup metadata atau deskripsi media, sehingga AI dapat mengakui dan bereaksi terhadapnya. Fitur ini didukung melalui beberapa backend API, termasuk KoboldAI, OpenAI (dengan model vision seperti GPT-4V), dan Claude. Media biasanya dikonversi menjadi deskripsi teks atau input berkode base64, tergantung API. Misalnya, gambar matahari terbenam dapat dideskripsikan AI sebagai "langit oranye hangat di atas laut yang tenang," dan karakter dapat memasukkannya ke dalam roleplay. Media eksternal tidak aktif secara default dan memerlukan konfigurasi manual di pengaturan ekstensi. Ini adalah alat yang ampuh untuk meningkatkan penulisan kreatif, penceritaan visual, dan petualangan interaktif, tetapi juga meningkatkan penggunaan token dan waktu respons.

Untuk mengaktifkan media eksternal di SillyTavern, pertama pastikan kamu menggunakan API yang kompatibel. Untuk OpenAI, kamu memerlukan GPT-4V atau yang lebih baru; untuk KoboldAI, gunakan model dengan dukungan vision seperti LLaVA. Buka antarmuka SillyTavern dan navigasikan ke menu Extensions (ikon puzzle). Temukan ekstensi 'External Media' atau 'Media Upload' dan aktifkan. Kamu mungkin perlu mengatur ukuran file maksimum (misalnya, 5 MB) dan jenis file yang diizinkan (png, jpg, mp3). Selanjutnya, konfigurasikan endpoint API: jika menggunakan OpenAI, atur model ke 'gpt-4-vision-preview' dan pastikan API key-mu memiliki akses. Untuk KoboldAI, arahkan ke instance lokalmu yang menjalankan model kompatibel vision. Setelah diaktifkan, tombol unggah media (ikon kamera atau klip kertas) muncul di bilah input chat. Unggah gambar atau file audio, lalu kirim pesan. AI akan memproses media dan menghasilkan respons yang merujuknya. Perhatikan bahwa beberapa API menagih per token untuk pemrosesan gambar, jadi pantau penggunaannya.

Ekstensi media eksternal SillyTavern mendukung beberapa format: gambar (JPEG, PNG, GIF, WebP), audio (MP3, WAV, OGG), dan dalam beberapa konfigurasi, video atau PDF. Batas ukuran file bergantung pada penyedia API. Untuk OpenAI GPT-4V, setiap gambar bisa mencapai 20 MB, tetapi gambar yang lebih besar akan diperkecil. Model lokal KoboldAI mungkin memiliki batas lebih rendah, biasanya 5-10 MB per file. File audio biasanya dibatasi hingga 25 MB dengan integrasi Whisper OpenAI. SillyTavern sendiri tidak memberlakukan batas keras, tetapi pengaturan ekstensi memungkinkanmu mengatur ukuran unggahan maksimum (default 5 MB) dan memblokir jenis MIME tertentu. Untuk roleplay, gambar di bawah 2 MB bekerja paling baik untuk pemrosesan cepat. GIF animasi didukung tetapi mungkin diperlakukan sebagai frame statis oleh beberapa API. Transkripsi audio menggunakan Whisper dan dapat menangani klip 30 detik. Unggahan video bersifat eksperimental dan memerlukan konversi ke frame.

Perilaku media eksternal berbeda-beda tergantung backend API. Dengan OpenAI GPT-4V, gambar diproses secara native—model melihat gambar dan bisa mendeskripsikannya dengan akurat. Ini ideal untuk bercerita visual (misalnya berbagi potret karakter). KoboldAI dengan LLaVA atau model multimodal serupa juga mendukung gambar, tapi kualitasnya tergantung ukuran model (7B vs 13B parameter). Untuk audio, Whisper dari OpenAI mentranskripsikan ucapan, yang lalu masuk ke konteks chat; karakter bisa mendengar dan merespons. Claude (Anthropic) lewat proxy juga mendukung input gambar. Tapi tidak semua model multimodal: kalau kamu pakai model teks saja, media diabaikan atau ditambahkan sebagai tautan teks. Agar hasilnya terbaik, pilih model yang memang dirancang untuk penglihatan atau audio. Wiki SillyTavern mencantumkan model yang kompatibel untuk setiap backend. Ingat bahwa memproses media menghabiskan token ekstra—sebuah gambar bisa memakan 1.000+ token, jadi atur anggarannya.

Mengunggah media eksternal ke SillyTavern punya implikasi privasi. Kalau kamu pakai API cloud seperti OpenAI, gambar dan audiomu dikirim ke server mereka dan diproses sesuai kebijakan privasi mereka. Untuk konten sensitif, pertimbangkan memakai API lokal seperti KoboldAI atau llama.cpp dengan model multimodal, sehingga semua data tetap di mesinmu. SillyTavern tidak menyimpan media secara permanen; media dikirim sebagai bagian dari konteks chat dan bisa tersimpan di log chat kalau kamu menyimpannya. Pengaturan ekstensi memungkinkanmu menonaktifkan pencatatan media. Perlu diketahui juga bahwa beberapa API (misalnya OpenAI) mungkin memakai gambar yang diunggah untuk pelatihan model kecuali kamu menolaknya. Selalu periksa kebijakan penanganan data penyedia API. Untuk privasi maksimal, jalankan semuanya secara lokal dengan model seperti LLaVA 13B, yang bisa memproses gambar di GPU-mu tanpa transmisi eksternal.

Kalau media eksternal gagal terkirim, pertama pastikan kunci API punya izin untuk endpoint penglihatan/audio. Periksa konsol SillyTavern (F12) untuk pesan error: '400 Bad Request' sering berarti berkasnya terlalu besar atau formatnya tidak didukung. Kurangi resolusi gambar ke 1024x1024 piksel atau konversi ke JPEG. Untuk audio, pastikan ukurannya di bawah 25 MB dan terenkode dengan benar (mono, 16kHz untuk Whisper). Kalau model mengabaikan media, kemungkinan ia tidak mendukung multimodal—ganti ke GPT-4V atau LLaVA. Masalah umum lainnya adalah ekstensi 'External Media' dinonaktifkan atau bentrok dengan ekstensi lain seperti 'Character Expressions'. Nonaktifkan ekstensi lain satu per satu untuk menemukan konfliknya. Untuk skenario roleplay, AI mungkin tidak merespons media kalau kartu karakter tidak memuat instruksi untuk mengakui media. Tambahkan catatan di deskripsi karakter: "You can see images sent by the user." Mulai ulang SillyTavern setelah mengubah pengaturan.