Ses örneği ne kadar uzun olmalı?

İlk denemeyi neden gece yaptım?

Gece yarısına doğru, ertesi sabah yayınlayacağım kısa videonun seslendirmesini hâlâ bitirememiştim. Ev sessizdi ama benim sesim yorgundu; aynı cümleyi dört kez okuyup her seferinde başka bir yerde takılıyordum. Tam o sırada, telefonda daha önce kaydettiğim bir ses notunu buldum ve aklıma şu soru geldi: Ses örneği ne kadar uzun olmalı?

Daha önce hiç ses klonlama yapmamıştım. Açıkçası biraz çekiniyordum. Kendi sesimi bir sisteme yüklemek tuhaf hissettirdi, fakat bunu yalnızca hazırladığım videonun seslendirmesi için denemek istiyordum. Kayıt ya da üyelikle uğraşmadan çalışan bir araç ararken VoxClone karşıma çıktı. Ücretsiz ses klonlama sayfasını açtım ve birkaç dakika içinde denemeye başladım.

İlk bakışta iş kolay görünüyordu. Bir ses dosyası yükleyecek, metni yazacak ve sonucu dinleyecektim. Ne kadar zor olabilirdi ki? Meğer asıl mesele dosyayı yüklemek değil, sisteme nasıl bir ses verdiğinizmiş.

İlk ses kaydım neden işe yaramadı?

İlk kaydı hazırlarken oldukça aceleci davrandım. Telefonun mikrofonunu ağzıma çok yaklaştırdım, odada açık olan bilgisayarın fanı da kayda girdi. Üstelik metni doğal okumak yerine, sanki bir an önce bitsin diye hızlı hızlı konuştum. Kayıt yaklaşık on iki saniyeydi. Bana yeterli gibi gelmişti ama sonuç çıktığında sesim tanıdık olmasına rağmen garip, kesik ve biraz da mekanik duyuluyordu.

İlk birkaç kelime fena değildi. Sonra cümle sonlarında sesim inceliyor, bazı kelimelerin vurgusu kayboluyor ve nefes araları anlamsız yerlere denk geliyordu. Dinlerken kendi kendime, “Bunu gerçekten ben mi söyledim?” diye sordum. Ses klonlama ücretsiz olduğunda kalite de mutlaka kötü olur diye düşündüm, fakat sorunun araçtan çok benim hazırladığım örnekte olduğunu kısa sürede anladım.

Bir başka hata da kaydın tek bir cümleden oluşmasıydı. İçinde farklı sesler, soru cümleleri, uzun kelimeler ve doğal duraklamalar yoktu. Sistem benim konuşma biçimimi anlayacak kadar çeşitlilik görememişti. Kısacası kısa kayıt kullanmak tek başına sorun değildi; kötü ve tekdüze bir kayıt kullanmak asıl sorundu.

İkinci denemede süreyi nasıl belirledim?

İkinci kez kayıt alırken süreye körü körüne takılmamaya karar verdim. İnternette kimi yerde birkaç saniyenin yeterli olduğu, kimi yerde ise dakikalarca konuşmak gerektiği yazıyordu. Benim için daha mantıklı ölçü şuydu: Ses dosyası, konuşma tarzımı gösterecek kadar uzun; gürültü ve gereksiz tekrarları artırmayacak kadar kısa olmalıydı.

Bu kez yaklaşık kırk beş saniyelik bir metin hazırladım. Metinde normal cümleler, kısa bir soru, birkaç uzun kelime ve farklı noktalama işaretleri vardı. Hızlanmadan, ama tiyatro sahnesindeymişim gibi de abartmadan okudum. Bir cümlede hata yaptığımda kaydı tamamen çöpe atmak yerine o bölümü yeniden aldım.

Kayıt sırasında telefonu masanın üzerine koydum ve mikrofonla arama çok yaklaşmadım. Pencereyi kapattım, bilgisayarın fanını susturdum, odadaki yankıyı azaltmak için perdeyi çektim. Bunlar küçük ayrıntılar gibi görünüyor ama ses klonlama yapay zeka araçlarında temiz bir başlangıç örneği büyük fark yaratıyor.

Sonuç bu defa belirgin biçimde daha iyiydi. Sesim hâlâ yüzde yüz aynı değildi; zaten böyle bir beklentiye girmek doğru olmaz. Fakat tonum, konuşma hızım ve kelimelerin genel vurgusu daha tanıdık geliyordu. İlk denemede yapay duran cümleler, ikinci kayıtta çok daha rahat dinleniyordu.

Temiz kayıt, uzun kayıttan daha önemli

Denemelerimden sonra şunu net biçimde anladım: Uzun bir ses örneği her zaman iyi bir ses örneği değildir. On dakika boyunca arka planda trafik sesi, yankı, sandalye gıcırtısı ve düzensiz konuşma varsa, bu kayıt kısa ama temiz bir örnekten daha fazla işe yaramayabilir.

Benim tavsiyem, ilk denemede otuz ila altmış saniye arasında temiz bir kayıt hazırlamak. Bu aralık, yeni başlayan biri için hem yönetilebilir hem de yeterince çeşitli. Sesiniz çok kısa sürede yoruluyor ya da kayıt sırasında çok hata yapıyorsanız, iki ayrı temiz bölüm hazırlamak da mantıklı olabilir; ancak dosyayı gereksiz yere uzatmak kaliteyi kendiliğinden artırmaz.

Kayıtta müzik, yankı, başka birinin sesi ve ani ses patlamaları olmamasına dikkat edin. “P”, “B” ve “T” gibi harflerde mikrofona sert üflememek de önemli. Ben ilk kaydımda özellikle bu patlayan sesleri fark etmemiştim. Sonucu dinleyince bazı kelimelerin başında küçük bir çatlama olduğunu anladım.

Ücretsiz ses klonlama programı arayanların çoğu doğrudan süreye odaklanıyor. Oysa kayıt mesafesi, ses seviyesi ve okuma biçimi de en az süre kadar belirleyici. Yani “Daha uzun kaydedersem kesin daha iyi olur” düşüncesi her zaman doğru değil.

Okuma biçimim sonucu nasıl değiştirdi?

İlk seferde metni neredeyse haber spikeri gibi okumuştum. Kelimeleri fazla net söylemeye çalışırken günlük konuşma ritmimi kaybetmiştim. İkinci kayıtta ise bir arkadaşıma bir konuyu anlatıyormuşum gibi konuşmaya çalıştım. Bu küçük değişiklik, ortaya çıkan sesin doğallığını ciddi biçimde etkiledi.

Duraklamalar da önemli çıktı. Her cümleyi aynı hızda okuyunca ses düz bir çizgiye dönüşüyor. Oysa gerçek konuşmada bazı kelimeleri öne çıkarıyor, cümlenin ortasında kısaca duruyor ve soru sorarken ses tonumuzu değiştiriyoruz. Kayıt metninde bu çeşitlilik bulununca, ücretsiz yapay zeka ile ses klonlama denemesi daha inandırıcı bir sonuca yaklaşıyor.

Burada mükemmel okumaya çalışırken gerilmemek gerekiyor. Ben ilk kayıtta hata yapmamak için o kadar kasıldım ki sesim normalden daha ince çıktı. İkinci kayıtta birkaç küçük duraksamayı olduğu gibi bıraktım. Sonuç daha az kusursuz, ama daha çok bana ait gibiydi.

Klon ödeme kuruluşu anonim şirketi gibi alakasız ifadelerle karşılaştığım bazı arama sonuçlarında, ses örneği hazırlama konusu gereksiz biçimde karmaşık anlatılıyordu. Benim deneyimimde temel kural çok daha basit: Temiz bir ortam, doğal bir okuma ve anlamlı cümlelerden oluşan kısa bir örnek.

VoxClone ile metni sese çevirme denemem

İkinci kaydı yükledikten sonra sıra metni sese çevirme aşamasına geldi. Bunun için online metni sese çevirme sayfasını açıp daha önce hazırladığım kısa metni kutuya yapıştırdım. Metin yaklaşık yüz kelimeydi ve özellikle ilk denememde yapay duran cümleleri yeniden seçmiştim.

Ses oluşturulduğunda önce kulaklıkla, sonra telefonun kendi hoparlörüyle dinledim. Kulaklıkta nefes geçişleri daha belirgin duyuluyordu; telefonda ise genel akış daha doğal geliyordu. Bu yüzden tek bir cihazla karar vermemek gerektiğini düşünüyorum. Seslendirmeyi nerede kullanacaksanız, mümkünse orada da kontrol edin.

Metni sese çevirme ücretsiz türkçe seçeneği arayan biriyseniz, Türkçe karakterlerin ve kelime vurgularının nasıl duyulduğuna özellikle bakın. “ğ”, “ı”, “ö” ve “ş” gibi harfler bazı sistemlerde farklı tınlayabiliyor. Benim sesimde “r” harfi belirgin olduğu için, içinde çok fazla r bulunan cümleleri ayrıca dinledim.

Sonuç kusursuz değildi ama videoda kullanabileceğim kadar iyiydi. En çok hoşuma giden şey, yeniden kayıt almak zorunda kalmadan metni değiştirebilmem oldu. Bir cümleyi beğenmezsem metni düzenleyip tekrar deneyebiliyordum. Bu yönüyle ücretsiz yapay zeka ile ses klonlama, uzun bir seslendirme projesinde zaman kazandırabiliyor.

Ben olsam yeni başlayanlara ne öneririm?

Ben olsam ilk denemede doğrudan uzun bir kayıt hazırlamazdım. Önce otuz saniyelik temiz bir örnekle sistemi dener, sonucu dinler ve eksik kalan noktaları not ederdim. Ses çok düz mü geliyor, kelime sonları kayboluyor mu, nefesler fazla mı duyuluyor? Bu soruların cevabı, kaydı uzatmaktan daha değerli.

Ardından kırk beş ya da altmış saniyelik ikinci bir örnek hazırlardım. Aynı kişiye ait, benzer ortamda alınmış kayıtlar kullanmak da önemli. Bir kaydı mutfakta, diğerini boş bir odada alırsanız arka plan farkı sonucu etkileyebilir. Ses klonlama ai free aramalarında karşıma çıkan birçok öneri süreyi öne çıkarıyordu, fakat benim yaşadığım deneyimde ortam ve okuma biçimi daha belirleyiciydi.

Kendi sesinizle çalışırken mahremiyet konusunu da düşünün. Yalnızca size ait olan ve kullanma hakkınız bulunan bir ses örneği yükleyin. Başka birinin sesini izinsiz taklit etmeye çalışmak hem doğru değil hem de ciddi sorunlar doğurabilir. Ben bu aracı yalnızca kendi hazırladığım içeriklerin seslendirmesini kolaylaştırmak için kullandım.

Daha sonra farklı metinlerle denemeler yapmak isterseniz daha fazla rehbere göz atabilirsiniz. Benim için asıl faydalı olan, tek seferde mükemmel sonuç beklemek yerine küçük denemelerle hangi kayıt biçiminin daha iyi çalıştığını görmemdi.

Ertesi sabah aldığım gerçek sonuç

Ertesi sabah videoyu yeniden açtım ve gece hazırladığım seslendirmeyi baştan sona dinledim. İlk on iki saniyelik kayıtla oluşturduğum sürüm hâlâ bilgisayarın yapay bir okuması gibi geliyordu. İkinci, yaklaşık kırk beş saniyelik örnekle hazırlanan sürümde ise cümlelerin iniş çıkışı daha dengeliydi. Özellikle giriş bölümünde sesimin tanıdık ritmi duyuluyordu.

O an şunu fark ettim: “Ses örneği ne kadar uzun olmalı?” sorusunun tek bir sayıyla cevaplanması zor. Yeni başlayan biri için otuz ila altmış saniye iyi bir başlangıç noktası olabilir, ama bu süreden daha önemli olan şey kaydın temiz, anlaşılır ve doğal olması. Beş dakikalık kötü bir kayıt, kırk saniyelik özenli bir kaydı geçmeyebilir.

Akşam tekrar bir video hazırlamam gerekse, önce sessiz bir oda bulup kısa bir prova yapacağım. Sonra doğal bir tonda, farklı cümle yapıları içeren yaklaşık bir dakikalık kayıt alıp VoxClone’da deneyeceğim; siz de ilk adım olarak temiz bir ortamda otuz saniyelik örnekle başlayın.