Geçen ay bir YouTube kanalı için içerik hazırlayan arkadaşıma video seslendirme yapay zeka işinde yardım ediyordum. Bana üretilmiş sesi attı, ilk cümlede gülüyordum zaten — bu sadece robot sesi değil, robot sesine üstelik bir de cızırtı karışmış hali. Çok alınmıştı: 'Aynı aracı kullanıyorum, başkaları nasıl doğal yapıyor da benimki bu kadar yapay?'

Referans kaydını istedim. Dinleyince her şeyi anladım. Sorun o otuz saniyenin içindeydi.

Ses klonlamada asıl belirleyici: referans kayıt

Çoğu insan ses klonlama ücretsiz araçların kalitesinin tamamen yazılıma bağlı olduğunu düşünür. Oysa işin yarısı araç, diğer yarısı ona yuttuğunuz kayıt. Model sizin örneğinizden öğreniyor — örnekte ne kusur varsa, onu büyüterek geri veriyor.

Arkadaşım kaydı yatak odasında, klima açıkken almış. Arka planda uğuldayan bir uğultu var, model tabii ki bunu da öğrenmiş, çıkan seste bir 'sunucu odası' havası var. Daha kötüsü: kaydı ezberci gibi, tek düze, harf harf okumuş. Modelin öğrendiği ton da buydu; doğal olarak seslendirme de öyle çıktı.

Yani aracı suçlamadan önce kendi kaydınıza geri dönün: arka plan gürültüsü var mı? Ton çok mu düz? Dudak şaklaması, nefes hışırtısı duyuluyor mu?

Nasıl kaydetmeli ki robot gibi çıkmasın

Kendi hatalarımdan çıkardığım, hiç şık olmayan ama gerçekten işe yarayan birkaç detay:

  • Ortam: Klimayı, vantilatörü kapatın. Gerekirse dolabın içinde ya da battaniye altında kaydedin — önemli olan yankıyı ve alçak frekanslı uğultuyu öldürmek. Telefonun kendi kayıt uygulaması çoğu zaman yeterli; pahalı mikrofon, sessiz ortamın yerini tutmaz.
  • Süre: 30 saniye ile 1 dakika arası ideal. Kısa olursa model eksik öğrenir; çok uzun olursa kayıt boyunca değişen ruh halinizi de öğrenir.
  • Ton: En kritik madde bu. Normalde konuşurken kullandığınız tonda konuşun — vurgular, kısa duraklamalar, doğal iniş çıkışlar olsun. Üründe nasıl bir his istiyorsanız, kaydı öyle alın. Samimi olsun istiyorsanız gülümseyerek kaydedin; ciddi bir anlatım istiyorsanız biraz toparlanın.
  • İçerik: Doğal bir paragraf okuyun, tekerleme ya da terim yığını değil. Normal hızda, cümleler arasında nefes payı bırakarak.

Kaydı bitirince önce kendiniz dinleyin. Sizin kulağınıza iyiyse, modelin çıktısı da büyük ihtimalle iyi olur.

Benim güncel seslendirme akışım

Araç olarak VoxClone kullanıyorum. Sebebi basit: kayıt gerektirmiyor, açıyorsun çalışıyorsun. Bir seslendirme için önce üyelik doldurmakla vakit kaybetmek istemiyorum.

Akış şöyle: Önce ses klonla sayfasına kaydettiğim referansı yüklüyorum, isim veriyorum — mesela 'ders anlatımı-sıcak ton'. Sonra metin sese çevirme sayfasına dönüp metni yapıştırıyorum, az önce klonladığım sesi seçiyorum, üretiyorum, dinliyorum, gerekirse noktalama düzeltip tekrar üretiyorum.

Evet, noktalama çok önemli. Bir yerde duraklamasını istiyorsanız virgülle ya da noktayla 'yönlendirin'; bir kelimenin öne çıkmasını istiyorsanız cümleyi yeniden kurgulayın. TTS sizin alt metninizi bilmez — noktalama, onun replik kitabıdır.

Bir de metnin kendisini konuşma diline çevirin. Yazı dili olduğu gibi yapıştırılırsa ses hep biraz yamuk çıkar: 'Sonuç olarak' yerine 'kısacası' yazın, uzun cümleleri bölün. Fark hemen belli olur.

Sık sorulanlar

Referans kaydı mutlaka canlı mı kaydedilmeli? Videodan ses çekebilir miyim?

Çekilir ama şartları var. O ses parçasında müzik olmamalı, birden fazla konuşan olmamalı, yankı olmamalı. Podcast kayıtları ya da temiz vokaller kullanılabilir; film sahnesi neredeyse hiç olmaz — fon müziği bir kez karıştı mı, klonladığınız ses de kendiliğinden 'sahne havası' taşır.

Bir kez klonladığım sesi tekrar tekrar kullanabilir miyim?

Evet. Kendi sesini klonla dediğinizde elde ettiğiniz şey yeniden kullanılabilir bir 'ton' olur; sonraki tüm projelerde doğrudan çağırırsınız, her seferinde tekrar yüklemezsiniz. Ben farklı tarzlarda birkaç ton tutmanızı öneririm: anlatım, özet, örnek... Metnin bölümüne göre geçiş yapın, baştan sona tek tonda gitmekten çok daha doğal duruyor.

Metin uzunsa ne olur, limit var mı?

Sınırsız metin desteği var; uzun yazıyı olduğu gibi yapıştırabilirsiniz, kendiniz parçalamanıza gerek yok. Yine de ben bölüm bölüm üretmeyi tercih ediyorum — bir bölümü tek başına yeniden üretmek kolay oluyor, ayrıca ses dosyalarını kurguda bölmek de pratikleşiyor.

Kapanış

Açık konuşayım: ses sentezleme ücretsiz araçlarla yapılabilecek kadar kolaylaştı, asıl emek kayıt için ayırdığınız on dakikada. Bir dahaki sefere ses robot gibi çıkarsa, aracı değiştirmeyin — referans kaydını yeniden alın. Sessiz bir köşede, kendi anlatım tonunuzla, gülümseyerek o otuz saniyeyi bir daha okuyun.

Bir kez deneyince farkı görürsünüz. Kayıt ve klonlama detayları için dinamik sayfasındaki rehberlere bakabilirsiniz, hepsi uygulamadan çıkan notlar.