Podcast intro'su neden robot gibi duruyor? Kendi sesimi klonladığımda anladıklarım
Geçen kış bir mülakat bölümü hazırlarken, konuğumun sesi tam bir mürekkep kâğıdı gibi çirkin çıkmıştı. Ben de intro'yu kendi sesimle kaydetmek istemeyip, rastgele bulduğum bir ücretsiz metin sese çevirme sayfasına giriş yapmıştım. Mikrofonun önüne geçmeden, klavyenin parmaklarımın üzerinde dans etmesiyle "Hoş geldiniz, bu bölümde sohbet edeceğimiz konu..." cümlesini makineye okuttum. Yayıma çıkarıp tam bir saat geçmeden dinleyici grubundan bir kız özel mesaj attı: "Yazar mı oldu? Intro neden bir süpürge motoru gibi duruyor?"
Ne ağlamalıyım ne gülebileyim bilmedim kaldım. Dinleyiciler çok hoşgörülüymüş, sadece hastalandığımı düşündüler, benim bir robota para verdiğimi söylemediler. Sonra birkaç farklı "spiker sesi" denedim, ücretsiz seslendirme araçlarıyla tekrar okuttum. Harfler doğrudu ama duygusu sıfır. O kadar sahteydi ki, direkt ilerleme çubuğunu çekmek istiyordunuz. O zaman hâlâ anlamıyordum: sorun araçta değil, insanların gerçekten konuşurken nefes alışlarını nasıl yönettiğini bilmemekle ilgiliydi.
O akşam yirmi kez tekrarladım, her dinlediğimde daha da doğru gelmedi. Makinenin "hoş geldiniz" demesi, sesin uçuyordu. Benim "hoş geldiniz" dememde ise sesin aşağı doğru inişi vardı. O küçük iniş, o anın ağırlığı, makine o zaman öğrenemiyordu. Şu an da belki öğrenemiyor.
Sahte sesin izleri çoğu kez harflerde değil, nefeste
İnsan konuşurken nefes alır. Uzun bir cümle okurken orta nefes yetişmezse, gizlice bir nefes alır; noktalama işaretinden önce ağızını biraz aşağı indirir; hatta bir kelimeyi düşünürken dil ucunu yarım saniye önce hazırlar. Makine bunları umurunda tutmaz. Eşit aralıklı okur, bir cetvel gibi tıpanak tıpanak okur.
Böyle bir intro'yu üç saniyede izleyici bağını koparır, çünkü gerçek hayatta kimse böyle konuşmaz — askeri eğitimdeki tebessümler hariç, asansördeki sesli reklamlar hariç.
Geçiş seslendirmesinde en korktuğum şey "eşit hız", bir saniyecik gibi
Podcastin orta kısmına geçtiğinde durum daha açık. Bir kez mülakattan reklama geçerken, ücretsiz AI seslendirme ile "Şimdi sponsorumuzun zamanı" dedirdim. Konuşma hızı düzgündü, ses tonu tekdüzeydi. Karam yanından geçip şu soruyu sordu: "Asansör reklamı mı çaldın?" Evet, geçiş seslendirmesinin en büyük düşmanı eşit hızdır. Bir kez eşit hızlı olunca dinleyicinin dikkati elektrik kesildiği gibi kopar. Siz program efekti yaptığınızı sanıyorsunuz, aslında dinleyiciye uyku çuvalı uzatıyorsunuz. Intro sahipse en çok yeni dinleyiciyi kıçar; geçiş sahipse eski dinleyiciye "ilerleme çubuğunu çek" diyor.
Ücretsiz araçları denedikten sonra benim kalanı olanlar
Hata yaptığımı öğrendikten sonra ciddi olarak araç aramaya başladım. Beş altı kez farklı ücretsiz TTS sitesini karşılaştırdım. İhtiyaçlarım çok basitti: kayıt olma gerekmesin, üyelik gerekmesin, dışa aktarma sırasında saçma sapan gürültü yok olsun. Şimdi tarayıcı favorilerimde duranlar arasında VoxClone var. Kayıtsız ses sentezi yapabileceğin bir sayfa, https://tr.web666.cc/ adresini açtıktan sonra doğrudan deneyebiliyorsun. Ayrıca kendini "sürekli ücretsiz ses klonlama" diye tanımlıyor, üç günlük deneme sürümü falan yok.
Neden sonunda onu seçtim? Çünkü bir intro için önceden telefon numarası doldurmak istemiyorum. Birçok site çok şık tasarlanmış, ama dışa aktarma tıkladığın anda giriş kutusu çıkıyor, heyecan aniden gider. VoxClone'da misafirsin ama sığır değilsin.
"Ücretsiz" kelimesini de ikinci menülerde gizlemedi. Ana sayfa doğrudan giriş kutusu, metni yapıştır, ses seç, oluştur, bitti. O kadar basit.
Kendi sesini klonla: Sesini AI'ya "yemek"
Benim kalıcılığı sağlayan şey ise ücretsiz ses klonlama özelliğiydi. "Klonlama" kelimesine başta yabancı bakıyordum, bilim kurgu filmlerindeki yüz değiştirme dolandırıcılığı sanıyordum. Ücretsiz ses klonlamayı denedikten sonra anladım ki, aslında kendi okunış alışkanlıklarını öğrenmek için kendi ses örneğini yüklüyorsun. Bu yapay zeka ses klonlama yöntemi, şöyle ki: tanıdık bir sunucu gibi değil, sen gibi duruyor, sadece daha energetik.
Örneği yüklerken özellikle nefes alışları içeren bir kayıt seçtim. Evet, doğru okudun: Makineye benim nefes alışımı öğretmek istedim. https://tr.web666.cc/clone sayfasına gittiğimde, sadece bir mikrofon izni istedi ve örnekimi yüklemeyi mümkün kıldı. Süreç de basitti, kayıtsız ses klonlama, bilgisayarına ses klonlama programı ücretsiz sürümünü indirmen gerekmiyor, tarayıcı içinde işlem bitiyor, biraz bekliyor ve dijital boğazın hazır oluyor.
İlk kez klonlanmış sesin yazdığım cümleleri söylesini duydum, uçurtma döküldü. Açıkçası benimkiydi, ama hızı daha stabil, duygusu daha net, paralel bir dünyadaki başkası gibi.
En pratik yanı ise klonlanmış sesin sadece intro için değil, acil durumlarda da kullanılabiliyor olması. Bir kez boğazım yanıksıydı, haftalık bir bölümün geçiş seslendirmesini buna verdim. Programa işlendikten sonra kimse fark etmedi, sadece ben bildiğim, o ses üç aylık eski kayıtımın içinde canlanan bir sesti.
Spotify'da podcastimi duyuran bir dinleyici bana mesaj attı: "Bu haftaki intro çok farklı, daha canlı gibi." Aslında tek değişken ses klonlama ücretsiz aracıyla kendi sesimi kullanmış olmamdı. O an anladım ki, insanlar mükemmel ses kalitesini istemiyor, sadece tanıdık bir ton istiyorlar.
Kayıt odam aslında bir dolaptı
Bunu söylemezsem eksik olur: İlk kayıtlarımı evdeki giyinti dolabında, başıma örtü sıvatarak çekmiştim. Dışarıdan gelen trafik gürültüsü, komşunun süpürge sesi, hatta buzdolabının çalışma sesi hepsi mikrofona yansıyordu. O zamanlar "kayıtsız ses senteşi" diye aradığım her şey, arka plan gürültüsüyle boğuşmakla geçiyordu. Daha sonra anladım ki, iyi bir ses klonlama örneği için mükemmel bir stüdyo gerekmez ama en azından sakin bir ortam gerekir. Türkiye'de evden çalışan içerik üreticileri için bu, çoğu zaman en zor olan kısmı.
Kendi sesini klonla dediğinizde, AI size sadece kelimeleri öğretmiyor, aynı zamanda o ortamdaki gürültüyü de öğrenme ihtimaline sahip. Bu yüzden ben ses örneğimi hazırlarken, pencereyi kapattım, telefonu sessize aldım ve dolabın içine sığınıyordum. Basit ama etkili.
Türkçe TTS'ın unutulan açığı: ünlü uyumu ve vurgusu
Başka bir şey de var, bunun üzerinde çok durulmuyor: Türkçe metin sese çevirme ücretsiz araçların çoğu, dilimizin ünlü uyumu ve doğru vurgusuna tam olarak uyum sağlayamıyor. "İstanbul" veya "Ankara" gibi kelimelerin heceleme mantığı, İngilizceye göre farklıdır. Bazı ücretsiz seslendirme programı ücretsiz seçenekleri denediğimde, "elma" kelimesinin "el-ma" yerine "el-ma" diye okunması gibi saçma sapan şeyler başıma geldi. O zamanlar text to speech türkçe ücretsiz diye arama yapıp, Türkçe'ye özel optimize edilmiş bir arayan kadar zor oluyordu.
VoxClone'da bu durum biraz daha iyi idi ama yine de Türkçe'nin özgünlüğünü tamamen yakalayamayan bir yapay zeka ses ücretsiz aracıyla çalışırken, son cümlede biraz el eklemek zorunda kaldım. Özellikle sesli kitap yapay zeka ücretsiz projelerde bu durum daha belirgin oluyor. Uzun bir metni okuttuğunuzda, AI'nın her cümlede aynı vurguyu kullanması dinleyiciyi yormaya başlıyor.
Neden ücretsiz seslendirme programı ücretsiz ararken dikkat etmelisin
İnternette "ses klonlama ücretsiz" diye arama yapıp çıkan her siteye güvenmemek gerekir. Bazıları ücretsiz olduğunu söyler ama dışa aktarma anında filigran ekler, bazıları ise ses kalitesini düşürür. Ben de birkaç kez bu tuzağa düştüm. Bir site, indirme butonuna bastığım anda "Premium üyelik alın" diye ekran kapladı. Başka birinde ise dışa aktarılan sesin arkasından sürekli bir zumbura gibi bir ses geliyordu.
Bu yüzden benim için en önemli kriterler şun oldu: kayıt olma zorunluluğu olmasın, gizlilik politikası net olsun ve Türkçe desteği gerçekten çalışsın. Türkiye'de KVKK yöntemleri de önemli. Ses kaydınız kişisel veri sayıldığı için, kendi sesini klonla diyerek bir platforma yüklemeden önce, verilerin nereye gittiğini ve kimlerin erişebileceğini kontrol etmek akıllıca olur.
Video içerikler için de kullanıyorum
Benim için bu sadece podcast kalmadı. Son zamanlarda Instagram Reels ve YouTube Shorts için video seslendirme yapay zeka araçlarını da deneyeyim dedim. Türkçe metinleri doğal okuma konusunda ilerleme kaydedilmiş ama hâlâ duygusal aralıklarda zayıf. O yüzden video geçişleri için klonlanmış sesimi kullanıyorum, izleyici "bu kim?" diye soruyor, ben de "benim" diyorum. Özellikle kısa formatlı videolarda, ilk üç saniyede duygusal bir bağ kurmak zor. Robot bir sesle bunu başarmak neredeyse imkansız.
Ayrıca sesli kitap yapay zeka ücretsiz seçenekleri hakkında da araştırma yaptım. Türkiye'de sesli kitap pazarı büyüyor, ama profesyonel stüdyo kiralamak pahalı. Kendi sesini klonlayıp kısa hikayeler okutmak, başlangıç için iyi bir alternatif olabiliyor. Tabii uzun romanlar için hâlâ insansız ses yorucu olabiliyor, bu yüzden karışık bir yöntem tercih ediyorum: önemli bölümler klonlanmış sesle, geçiş cümleleri ise normal TTS ile.
Şimdiki iş akışım: Yazmadan kesişme programına kadar
Evet, bazı arkadaşlar ücretsiz seslendirme API'sini kendi programlarına bağlayıp toplu işlem yapıp yapamayacağını soruyor. Bu programcı arkadaşların işi, ben Python kurulum dosyasını bulmak için yarım saat arama yapan biri için web sayfası zaten cennet. Aynı şeyi yapmak istersen, VoxClone'ın https://tr.web666.cc/dynamic sayfasındaki daha fazla rehberi inceleyebilirsin, resmi dokümantasyona bakıp kafanı karıştırmaktan çok daha rahat.
Şimdi iş akışım tören gibi sabitleşti: Önce intro metnini belgede yazıyorum, VoxClone'ı açıyorum, klonlanmış sesle ana cümleyi üretiyorum, sonra normal sesle geçişleri tamamlıyorum, beş kez dinliyorum, dışa aktarıyorum, kesişme programına atıp dalga formuna uyarlıyorum. Hepsi yirmi dakikayı geçmiyor, önemli olan ise — artık "mekanik ses de tarz olabilir" diye kendimi aldatmıyorum.
Aslında düşünürsen, teknik anlatım uzun sürdü ama temel tek cümle: Dinleyici mükemmellik istemiyor, "bir insan gibi" olmasını istiyor. AI'yı spiker yapmaya çalışmana gerek yok, AI'yı sen yapmaya çalışmalısın — nefes alan, duraklayan, cümle sonuna biraz güç veren sıradan bir insan.
Bu gecenin deneyebileceğin bir şey var: Podcastinin en sahte gelen on saniyelik intro'yu bul, kendi sesine çevir, AI'ın yerine sana okutmasını sağla. Değişikten sonra tekrar dinle, geri dönemezsin.