Sesim kısılınca masalları sesli kitaba çevirdim: ücretsiz ses klonlamada asıl mesele referans kaydıymış

Sesim kısılınca masalları sesli kitaba çevirdim: ücretsiz ses klonlamada asıl mesele referans kaydıymış

Geçen çarşamba akşamı saat dokuz buçukta kızım elinde kitapla yatağın kenarına dikildi: "Baba, bugün telefon okusun, sesin hiç çıkmıyor artık."

Haklıydı. İki haftadır her akşam masal okuyorum, boğazım resmen isyan bayrağını çekmişti. "Tamam" dedim, "bir de şu metin seslendirme işini deneyelim."

İlk sonuç... nasıl anlatsam. Kızım iki saniye dinledi, telefonu bana geri itti: "Bu sen değilsin."

Ses bendim ama ben değildim. Sanki biri bana bir toplantı tutanağı okutmuş, üstelik ağzında maske varmış gibi.

Sorun araçta değil, o referans kaydında

Başta kayıt isteyen, telefon numarası isteyen bir ücretsiz metin sese çevirme sitesiyle başladım. Referans olarak WhatsApp'tan bir sesli mesaj attım — otuz saniyelik, "ya o işi yarın bir daha bakar mısın" dediğim bir kayıt. Sonuç: kelimeler düzgün, duygu sıfır. Yeni mezun bir spiker adayı gibi.

Sonradan dank etti. WhatsApp sesli mesajı sıkıştırılmış oluyor, örnekleme oranı düşük, üstüne yankı ve cızırtı biniyor. Böyle bir malzemeyi modele verirsen, bulanık bir fotoğraftan portre çizmesini istemiş olursun.

İşin özü şu: herkes model parametrelerine bakıyor, oysa kaderi belirleyen o otuz saniye.

Ücretsiz ses klonlama sayfasına geçip referans kaydı baştan aldım. Aynı model, bambaşka bir sonuç.

Referans kaydı nasıl alınır da robot gibi çıkmaz

Ücretsiz seslendirme işinin zor kısmı model değil, malzeme. Burada biraz detaya gireceğim, çünkü ben dört kez baştan aldım.

Salonda kaydetmeyin. Salonda buzdolabının uğultusu, dışarıdan araba sesi var. İnsan kulağı bunları otomatik filtreliyor, mikrofon filtrelemiyor. Ben en sonunda dolabın içine girdim — kıyafetler sesi yutuyor, sonuç şaşırtıcı derecede iyi. Dolap yoksa yorganla bir çadır kurun, telefonu içine sokun.

On beş-otuz saniye, fazlasına kaçmayın. Çok kısa olursa model tınıyı yakalayamıyor; çok uzun olursa aradaki her öksürük, her sayfa çevirme sesi öğreniliyor. Bir keresinde neredeyse iki dakika kaydettim, sonuçta her cümlenin sonunda benim boğaz temizleme sesim vardı. Ürkütücüydü.

Metin okumayın. En ters mantıklı kısım bu. "İki kere iki dört" der gibi okursanız sunucu tonu çıkıyor. Günlük konuşun: "Akşam ne yiyelim, buzdolabında yarım kutu çilek var, yemezsek bozulur." Normal hızda, biraz duyguyla, hatta gülümseyerek. Model sizin nasıl konuştuğunuzu öğreniyor, nasıl okuduğunuzu değil.

Mikrofon bir yumruk uzaklıkta, kırk beş derece açıyla. Ağzınıza yapıştırmayın, patlama olur; çok uzaklaştırmayın, odanın yansıması girer.

Bir seferde üç kayıt alın, en iyisini seçin. Kulağa zahmetli geliyor ama beş dakikalık iş. Benim alışkanlığım dolapta oturup üç farklı şey söylemek, sonra "masal anlatan ben"e en çok benzeyeni seçmek.

Bir detay daha: kayıttan önce ılık su için, soğuk içmeyin. Boğaz gerginken ses titriyor, o titreme de öğreniliyor.

Bu arada, bir haftadır kullandığım online metin seslendirme sitesi kayıt istemiyor, açıp kullanıyorsunuz. Kayıt olmadan ses sentezleme, benim gibi form doldurmaya üşenen biri için büyük nimet — başka bir platformda kayıt adımlarının yarısında pes etmiştim. Bir arkadaşım kullanmak istedi, o kadar üşendi ki kayıt olmadan vazgeçti; o an anladım bunun ne kadar önemli olduğunu. Üstelik "sınırsız" dedikleri şeye gerçekten denk gelmedim, sınırsız metin seslendirme uzun hikâye yapanlar için kritik. Bir çocuk kitabı iki üç bin kelime, kelime sınırı koyan araçla iş bitmiyor.

Bir haftada gerçek akışım

Pazartesi akşamı evdeki kitaplardan üç tanesini seçip not defterine geçirdim. Yazarken şunları yaptım:

• Rakamları yazıyla yazdım. "3 keçi" değil "üç keçi", yoksa İngilizce "three" diye okuyor.
• Uzun cümleleri böldüm, virgül ve noktaları nefes alacağım yerlere koydum. Noktalama eşittir duraklama.
• Yabancı kökenli kelimeleri önceden kontrol ettim. Türkçede "ğ", "ı", "ş" harflerinde takılma olabiliyor; yanlış okursa çocuk anında düzeltiyor zaten.

Sonra sentezle, dinle, beğenmezsen noktalamaya dön. İlk iki akşam epey uğraştım, üçüncü akşamdan itibaren rayına oturdu — çünkü referans kaydı sabitlenmişti, geriye sadece metin işi kalmıştı. Yapay zeka ses klonlama birkaç saniyede çalışıyor, asıl zamanı metni düzeltmek alıyor.

Açıkçası iki yıl önce yapay zeka ses ücretsiz diye bir şeye inanmazdım. Ya üç günlük deneme olur ya da kalite çamur gibi olur derdim. Şimdi geldiği nokta beklentimin üstünde. Hatta düşündüm, çocuk biraz daha büyüyünce ücretsiz ses sentezleme API'siyle otomatik masal okuyan bir şey yaparım diye... ama o başka bir bataklık, şimdilik girmeyeyim.

Bir de şu var: aynı yöntem video işleri için de geçerli. Instagram Reels ya da YouTube videolarınızı sonradan konuşturmak isterseniz, yapay zeka video seslendirme tarafında da mantık aynı — iyi bir referans kaydı, kötü bir modelden daha çok iş görüyor. Ses klonla ücretsiz diye başlayıp video seslendirmeye geçen çok kişi tanıyorum.

Bu arada bir tuzağa düştüm: bir platform "seslendirme programı ücretsiz" diye reklam yapıyor, sonra ücretsiz sürümde sadece bir dakika sentezleyebiliyorsun, fazlası kuyrukta bekliyor. Sentezin ortasında takıldım, çocuk yanımda bekliyor, hiç hoş bir sahne değildi. Araç seçerken önce "gerçekten sınırsız mı" diye bakın.

Sesli kitap yapay zeka ücretsiz çözümler arıyorsanız, text to speech türkçe ücretsiz diye arattığınızda karşınıza çıkan sitelerin çoğu ya ücretli ya da Türkçe telaffuzu berbat. Voice cloning türkçe online yapmak isteyenler için en büyük fark, kayıt istemeyen ve Türkçeyi gerçekten konuşan bir araç bulmak. Kendi sesini klonla demek kolay, asıl mesele o sesin sonunda size benzemesi.

FAQ: En çok sorulan birkaç şey

Referans kaydı ne kadar uzun olmalı?

On beş-otuz saniye. Bence yirmi saniye en ideali. On saniyenin altında tını kayabiliyor; bir dakikanın üstünde gürültü karışma ihtimali hızla artıyor. Sessiz bir yer bulamıyorsanız, uzun ve kirli yerine kısa ve temiz bir parça seçin.

Telefonun kendi mikrofonu yeterli mi?

Yeter. Üç yıllık bir telefon kullanıyorum, kaydı dinlediğimde harici mikrofonla farkı duymuyorum. Mesele cihazda değil, ortamda. Dolapta telefonla kaydetmek, salonda profesyonel mikrofonla kaydetmekten büyük ihtimalle daha iyi sonuç verir.

Çocuğumun sesini klonlayabilir miyim? "Kendi kendine masal anlatan" bir versiyon istiyorum

Teknik olarak mümkün ama tavsiye etmem. Birincisi çocuğun sesi hâlâ değişiyor, tını oturmuyor, referans kalitesini tutturmak zor. İkincisi... nasıl desem, bir çocuğun "kendi sesini" masal anlatırken dinlemesi biraz tuhaf hissettiriyor. Ben kendi sesimi kullanmayı tercih ederim, kusurlu olsa da.

Başkaları nasıl yapıyor görmek isterseniz, daha fazla rehber sayfasında örnekler var; birkaç tanesini okudum, hata listeleri gayet dürüst yazılmış.

Buraya kadar

Benim şu anki düzenim şöyle: pazar akşamı yirmi dakika ayırıp gelecek hafta okuyacağım beş kitabı sentezliyorum, bir klasöre atıyorum. Çocuk hangisini isterse kendisi açıyor. Sesim iyiyken yine kendim okuyorum — makinenin yerini tutmuyor o kısım.

Ama en azından boğazım şiştiği akşamlar masal yarıda kalmıyor.

Siz de deneyecekseniz, doğrudan uzun metinlerle uğraşmayın. Önce yirmi saniyelik bir referans kaydı alın, tek bir cümle sentezleyin, kendinize benziyor mu dinleyin. Benziyorsa devam edin; benzemiyorsa dolaba geri dönün. Bu adım on dakika sürmez ama sonrasının tamamını belirliyor.