Metin Seslendirme: Yapay Zeka Sesi Neden Artık Robot Gibi Değil?

Eski seslendirme yazılımlarını hatırlıyorsanız o sesi de hatırlarsınız: her kelime doğru telaffuz ediliyordu ama cümle bir türlü cümle gibi akmıyordu. Vurgu yanlış yere düşüyor, sorular soru gibi çıkmıyor, virgüller duyulmuyordu.

Bugünkü sesler bunu büyük ölçüde aştı. Aradaki fark daha iyi kayıt değil, tamamen farklı bir üretim biçimi — ve o farkı bilmek, bu araçların nerede hâlâ tökezlediğini de açıklıyor.

Eski yöntem: parçaları yan yana dizmek

İlk nesil sistemler bir kütüphaneden çalışıyordu. İnsan sesiyle kaydedilmiş küçük parçalar — heceler, ses geçişleri — saklanıyor, metin geldiğinde uygun parçalar bulunup arka arkaya ekleniyordu.

Sonuç anlaşılırdı ama cümle bütünü hiç var olmuyordu. Her parça kendi kaydındaki tonlamayı taşıyordu; yan yana geldiklerinde ortaya çıkan şey bir konuşma değil, bir dizilimdi.

Bu yöntemin imzası hâlâ tanıdık: kesik kesik ritim, aynı tonda ilerleyen cümleler, vurgusuz sorular.

Yeni yöntem: sesi baştan üretmek

Bugünkü sistemler parça birleştirmiyor. Ses dalgasını, tıpkı bir görselin gürültüden çıkarılması gibi, baştan üretiyorlar. → Yapay Zeka Görseli Nasıl Üretiyor? Cümleden Resme Giden Yol

Kritik fark şu: model önce cümlenin tamamını okuyor, sonra ses üretmeye başlıyor. Yani nerede vurgu olacağını, sorunun nerede bittiğini, hangi kelimenin öne çıkacağını üretmeden önce biliyor.

Bir örnek bunu netleştiriyor. “Bunu sen mi yaptın?” cümlesinde vurgu üç ayrı yere düşebilir ve üçü üç ayrı anlam verir: sen mi yaptın (başkası değil), bunu mu yaptın (şunu değil), yaptın mı (yapmadın mı). Parça birleştiren bir sistem bu seçimi yapamıyordu çünkü kelimeleri tek tek işliyordu. Cümleyi bütün olarak okuyan bir sistem yapabiliyor.

İkinci fark, konuşma dışı seslerin de üretilebilmesi: nefes, kısa duraklama, hafif bir tereddüt. Bunlar anlamsız gibi görünüyor ama doğallığın büyük kısmını taşıyorlar — insan konuşması kesintisiz değil.

Metin nasıl yazılırsa ses düzelir?

Seslendirme kalitesi yalnızca modele bağlı değil; verdiğiniz metne de bağlı ve bu en az bilinen kısım.

Noktalama tonlamayı belirliyor. Virgül duraklama, nokta düşen ton, soru işareti yükselen ton üretiyor. Noktalaması zayıf bir metin monoton okunuyor — model bilmediği yere vurgu koymuyor.

Uzun cümle nefes yerini kaybettiriyor. Yazıda okunabilen kırk kelimelik bir cümle seslendirildiğinde boğucu oluyor. Sesli okunacak metin, okunacak metinden kısa cümleli olmalı.

Kısaltma ve sayı riskli. “3-5 gün”, “vb.”, “1994-2003” gibi ifadeler beklediğinizden farklı okunabiliyor. Kritik yerlerde açık yazmak en güvenli çözüm.

Yabancı kelime ve özel ad tökezletiyor. Türkçe metnin içindeki İngilizce marka adı ya da teknik terim çoğu zaman Türkçe okuma kurallarıyla seslendiriliyor.

Pratik sonuç: seslendirilecek metni yazarken sesli okuyun. Tökezlediğiniz her yer modelin de tökezleyeceği yer.

Somut örnek: aynı metnin iki hâli

Bir ürün tanıtımının açılış cümlesi. Yazı olarak ikisi de sorunsuz okunuyor — sesli olarak arasında uçurum var.

Ham hâli:

Yeni sürümde 3-5 kat daha hızlı çalışan ve kullanıcıların
%80'inin talep ettiği toplu düzenleme özelliğini ekledik vb.
birçok iyileştirme yaptık.

Burada seslendirmeyi bozan dört şey var. 3-5 “üç eksi beş” okunabiliyor. %80 yüzde işaretinin yeri dile göre değişiyor. vb. ya harf harf okunuyor ya atlanıyor. Ve cümle tek nefeste bitmesi imkânsız uzunlukta — model duraklayacak yer bulamıyor, ses boğuluyor.

Seslendirme için düzeltilmiş hâli:

Yeni sürüm üç ila beş kat daha hızlı çalışıyor.
Ayrıca kullanıcıların yüzde sekseninin istediği
toplu düzenleme özelliğini ekledik.

Aynı bilgi, üç cümle, açık yazılmış sayılar, kısaltma yok. Model artık nerede duracağını ve neyi vurgulayacağını biliyor.

Değişen şey içerik değil, metnin sese hazırlanmış olması. Bu yüzden seslendirme iş akışında ayrı bir adım var: metni yazmak ve metni seslendirmeye hazırlamak aynı iş değil.

Sesin ayarları: hız, ton, duraklama

Metni düzeltmek ilk adım; ikinci adım araçların sunduğu ayarlar. Üçü hemen her yerde bulunuyor ve üçünün de bir ödünleşimi var.

Hız. Anlatım hızı genellikle bir çarpanla ayarlanıyor. Hızlandırmak süreyi kısaltıyor ama anlaşılırlığı düşürüyor — özellikle teknik terim ya da sayı geçen metinlerde dinleyici yakalayamıyor. Eğitim içeriğinde varsayılanın altına inmek çoğu zaman daha iyi.

Ton ve enerji. Bazı araçlar sesin canlılığını ayarlatıyor. Yüksek enerji tanıtım metinlerinde işe yarıyor, uzun anlatımda yorucu oluyor. On dakikalık bir seslendirmede sürekli yüksek enerji, dinleyiciyi ilk üç dakikada kaybettiriyor.

Duraklama. En çok işe yarayan ve en az kullanılan ayar. Cümleler arası duraklamayı uzatmak metni “acele etmiyor” gösteriyor; paragraf geçişlerinde belirgin bir duraklama, dinleyicinin konu değiştiğini anlamasını sağlıyor.

Genel kural: ayarları metnin türüne göre seçin, sese göre değil. Kulağa hoş gelen bir ayar, on dakika sonra yorucu olabiliyor. Uzun içerikte kısa bir parçayı ayarlayıp beğenmek yanıltıcı — kararı vermeden önce en az iki dakika dinleyin.

Türkçe’de nerede tökezliyor?

Genel sorunların üstüne Türkçe’ye özgü birkaç zorluk biniyor.

Ekler vurguyu kaydırıyor. Türkçe’de vurgu genellikle son heceye yakın durur ama ek aldıkça yeri değişir. Uzun ekli kelimelerde model bazen yanlış heceyi öne çıkarıyor.

Bileşik kelimeler bölünüyor. Tek kelime olarak okunması gereken bir yapı iki ayrı kelime gibi seslendirilebiliyor; araya girmemesi gereken bir duraklama giriyor.

Şapkalı harfler ve inceltme. Kar ile kâr, hala ile hâlâ — yazımda işaret yoksa model bağlamdan tahmin etmek zorunda ve her zaman tutturamıyor.

Devrik cümle. Türkçe’de yaygın olan devrik yapı, vurgunun nereye düşeceğini belirsizleştiriyor.

Bunlara bir de kişi ve yer adları ekleniyor. Türkçe’de yaygın olmayan bir soyadı ya da yabancı kökenli bir yer adı, model tarafından okuma kurallarına göre seslendiriliyor ve çoğu zaman yanlış çıkıyor. Kurumsal bir metinde geçen isimler, yayımlamadan önce tek tek dinlenmesi gereken yerler.

Bunların hiçbiri çözümsüz değil: metni düzeltmek çoğunu kapatıyor. Ama hiçbiri de otomatik düzelmiyor — kontrol etmeden yayımlanan uzun bir seslendirmede bu hatalardan birkaçı mutlaka bulunuyor.

Hangi işler için yeterli?

Rahatça yapılabilenler: video seslendirmesi, eğitim materyali anlatımı, erişilebilirlik için metin okuma, iç sunum, taslak dinleme.

Dikkatle yapılabilenler: müşteriye giden içerik. Yeterli ama kontrol edilmeden yayımlanmamalı — telaffuz hataları metinde görünmüyor, yalnızca dinlerken çıkıyor.

Bugün için zorlayanlar: duygu geçişi gereken anlatı, karakter canlandırma, şiir. Bunlarda ses teknik olarak temiz çıkıyor ama yorum taşımıyor.

Ayrımı kuran soru şu: metin bilgi mi taşıyor, duygu mu? Bilgi taşıyorsa seslendirme yeterli; duygu taşıması gerekiyorsa insan okuması hâlâ önde.

Bu ayrım kalite değil tür meselesi ve karıştırıldığında yanlış beklenti üretiyor. Bir eğitim videosunun anlatımı duygu taşımıyor: amacı bilgiyi net aktarmak. Orada yapay zeka seslendirmesi yalnızca yeterli değil, bazen daha iyi — tempo sabit, telaffuz tutarlı, tekrar kaydetmek bedava.

Bir reklam metni ya da bir hikâye anlatımı ise duygu taşıyor. Orada eksik olan şey ses kalitesi değil yorum: hangi kelimenin altını çizeceğine, nerede duraksayıp dinleyiciyi bekleteceğine karar vermek. Model bu kararları metinden okuyabildiği kadar veriyor; metinde yazmayanı üretmiyor.

Pratik sonuç: seslendirmeyi denemeden önce metnin hangi türden olduğuna karar verin. Yanlış türde deneyip “yapay zeka sesi yetersiz” sonucuna varmak, bu alanda en sık yapılan değerlendirme hatası.

Sınırlar

Bu yazı ses klonlamayı kapsamıyor. Var olan bir kişinin sesini taklit etmek ayrı bir konu ve ayrı bir etik tartışma taşıyor. → Ses Klonlama Nedir? Nasıl Çalışır, Rıza Nerede Başlar

Ters yön de ayrı bir iş. Sesten metne çevirmek (altyazı, transkript) bambaşka bir problem. → Konuşmadan Metne: Otomatik Altyazı ve Çeviri Nerede Tutuyor, Nerede Tutmuyor?

Ürettiğiniz sesin kullanım hakkı aracın koşullarında yazıyor. Ücretsiz katmanlarda ticari kullanım kısıtlı olabiliyor; video tarafındaki aynı kontrol listesi burada da geçerli. → 10.4.3.3^yakında

Araç adı vermedik. Bu alandaki araçlar hızlı değişiyor ve kayıt defterimizde doğrulanmış TTS kaydı henüz yok. Doğrulanmamış ad yazmak, projenin kendi kuralına aykırı — ve altı ay sonra okuyan için yanlış bilgi olurdu.

Ses kalitesi ölçülmedi. Buradaki “yeterli” ve “tökezliyor” ifadeleri kategorinin gözlenen davranışını anlatıyor, bir karşılaştırma testinin sonucunu değil. Kendi metninizle denemek, herhangi bir genel değerlendirmeden daha çok şey söyler.

Özet

Eski seslendirme kayıtlı parçaları yan yana diziyordu; yenisi ses dalgasını baştan üretiyor ve üretmeden önce cümlenin tamamını okuyor. Vurgu, tonlama ve nefes bu yüzden yerine oturuyor.

Kalite yalnızca modele değil metne de bağlı: noktalama tonlamayı belirliyor, uzun cümle boğuyor, kısaltma ve yabancı ad tökezletiyor.

Türkçe’de ekler, bileşik kelimeler ve şapkalı harfler ayrıca zorluyor — çoğu metni düzelterek kapanıyor ama hiçbiri otomatik düzelmiyor.

Bilgi taşıyan metinlerde yeterli; duygu taşıması gereken metinlerde insan okuması hâlâ önde. Ve bu bir kalite değil tür ayrımı — yanlış türde deneyip genel bir sonuca varmak en sık yapılan değerlendirme hatası.

Sık sorulanlar

İlgili yazılar