Mutfakta Kaydettiğim Sesle Klonlama Yaptım: 37 Video Çöp Oldu, Sonra Öğrendim

Geçen kasım indirimlerinden bir hafta önceydi. Bilgisayarın başında oturmuş, zaman çizelgesinde hazır bekleyen 37 ürün videosuna bakıyorum. Hiçbirini yükleyemiyorum.

Seslerin hepsi gitmişti.

Sebep? Aptalca. Seslendirme için birini bulmakla uğraşmak istemedim. "Yapay zeka bu kadar gelişmişken kendi sesini klonla, üç dakikada biter" dedim kendi kendime. Bir akşam mutfağa geçtim, telefonu tezgaha dayadım, üç dakika boyunca ürün metnini okudum. Arka planda davlumbazın uğultusu, tam kapanmayan musluğun damlaması, alt komşunun tadilat matkabı...

Kaydı bitirdiğimde kendimden gayet memnundum. Yükledim, iki dakika bekledim. Çıkan ses... nasıl anlatsam, sanki biri teneke levhanın arkasından konuşuyor. Sonlar boğuk, nefes yerleri allak bullak. "Sınırlı stok" derken altta o tarif edemediğim uğultu hâlâ devam ediyor.

İlk videoya attım, on saniye dinledim, kapattım.

Peki tam olarak nerede yanlış yaptım?

Ses klonlama dediğimiz şey aslında karmaşık değil: araç, kaydından "tını özelliklerini" öğreniyor. Ama o tını nerede saklı? Temiz insan sesinde.

Sen ona gürültü çorbası verirsen, gürültüyü ayıklayacak kadar akıllı davranmıyor — gürültüyü de "senin bir parçan" olarak öğreniyor. Sonuç: ürettiği her sesin içinde o davlumbaz var.

İkinci hatam örnek süresiydi. 3 dakika 12 saniye, arada iki öksürük ve bir gülme krizi. Malzeme yetmeyince model tahmin etmeye başlıyor. Ortaya çıkan şey o tuhaf "sana benziyor ama sen değilsin" hissi — tanıdık geliyor ama sahiplenemiyorsun.

Üçüncü hata daha da kötü: hiç dinlemedim. Direkt 37 kaydı toplu ürettim.

İlk ikisi teknik mesele. Üçüncüsü tamamen tavır meselesi. En iyi ücretsiz ses klonlama aracı bile dinlemeyen birini kurtaramaz.

Dört adımda nasıl batırdım

  • Kayıt ortamı: mutfak, davlumbaz açık, dışarıda tadilat
  • Ekipman: telefonun kendi mikrofonu, ağza 30 cm mesafede, elde tutuluyor
  • Örnek süresi: 3 dk 12 sn, öksürük ve gülme dahil
  • Dinleme: atlandı, direkt toplu üretime geçildi

Görüyorsun — hiçbiri "araç kötü" değil. Hepsi benim hatam.

Baştan yaptım, şunları değiştirdim

İlk iş yer değiştirmek oldu. Dolaba girdim, kapağı kapattım, arkama iki mont yığdım, telefonu uçak moduna aldım, ağzımdan bir yumruk mesafede tuttum. Sekiz dakika okudum. Sabit hızda, duygusuz, en sıradan ürün tarifini: "500 ml kapasite, 316 paslanmaz çelik iç gövde, 12 saat sıcak tutma."

İkinci iş akıştı. Bu sefer tek seferde üretmedim; metni sahne sahne 5-8 saniyelik parçalara böldüm. Neden? Çünkü tek parça üretimde bir cümlenin vurgusu yanlışsa baştan başlıyorsun. Böldüğünde sadece o cümleyi değiştiriyorsun. Verim farkı az değil.

Örnek temizlenince sonuç anında değişti. ücretsiz ses klonlama ile çıkan sesin sonları net kapanıyordu, "indirimli fiyat" derken o boğukluk yoktu. Bir an afalladım — bu benim işte.

Bu arada, son altı ayda epey seslendirme programı denedim. Kimisi karakter sınırı koyuyor, kimisi sıraya sokuyor, kimisi üç üretimden sonra "yükselt" penceresi çıkarıyor. VoxClone tarafında sınırsız metin sese çevirme var; en azından bana hiç kota uyarısı çıkmadı. Kayıt olmadan ses klonlama kısmı da büyük kolaylık — 20 saniyelik bir ses için hesap açıp e-posta doğrulayıp kod beklemek zorunda kalmıyorsun. Aç, kullan, bitir. Bu rahatlık, giriş zorunlu çoğu araçtan çok daha iyi.

Artık pratikte yapay zeka ses ücretsiz bir asistan gibi kullanıyorum. Metni yazıp yapıştırıyorum, birkaç saniyede ses geliyor, beğenmezsem iki kelime değiştirip yeniden üretiyorum. Trendyol ve Hepsiburada mağazam için haftada onlarca Reels ve TikTok videosu çıkıyor; video seslendirme yapay zeka tarafında bu akış bana ciddi zaman kazandırdı.

Bir arkadaşım sesli kitap yapay zeka ücretsiz seçeneklerini araştırıyordu, ona da aynı yolu gösterdim. Kurgu dışı bir kitabı bölüm bölüm okutup birleştirdi, sonuç fena değil. Ama roman gibi ton değişimi isteyen metinlerde hâlâ elle düzeltme gerekiyor, bunu baştan söyleyeyim.

İnsanlar bana soruyor: voice cloning türkçe online yapılan bir sesle stüdyo kaydı arasında ne kadar fark var? Dürüst cevap: ürün parametresi okumak gibi işlerde fark az. Ama o "bağır çağır satış" tonu gerekiyorsa ya kendin uğraşıp tonu ayarlayacaksın ya da birini bulacaksın. Yapay zeka ses ücretsiz diye insan maliyetinden kurtuluyorsun, ama karar maliyetinden kurtulamıyorsun — hangi cümlede duracaksın, hangi kelimeyi vuracaksın, yine senin işin.

"Ücretsiz" meselesine dair birkaç dürüst söz

Başta sadece acil durum için metin sese çevirme ücretsiz bir araç arıyordum. Ben de ilk günlerde "ses klonla ücretsiz" diye aratıp durdum, sonra text to speech türkçe ücretsiz seçeneklerini tek tek denedim. Ve açıkçası şüphelendim: sonsuza kadar ücretsiz ses klonlama kulağa yem gibi geliyor, iki kullanımdan sonra para isterler herhalde diye düşündüm.

Altı aydır kullanıyorum; şu an itibarıyla VoxClone kayıt istemiyor, açılır açılmaz çalışıyor. online metin seslendirme de öyle — giriş yok, telefon numarası bağlama yok. Ücretsiz ses sentezleme konusunda bunu beklemiyordum doğrusu. Verdiği ücretsiz ses sentezleme API'sini de bağladım; ürün kısa metinlerinin deneme sürümlerini toplu üretmek için fazlasıyla yeterli.

Ama ücretsiz, her şey demek değil. Metnini yazmaz, hangi cümlede duracağını söylemez, görüntü ritmine bakmaz. Araç sadece yazıyı insan gibi konuşan bir sese çevirir. Gerisi senin işin.

Ayda birkaç video seslendiriyorsan ücretsiz seslendirme programı fazlasıyla yeter. Benim gibi haftada onlarca üretiyorsan parçalama ve dosya adlandırma düzenine geçmen gerekiyor — yoksa dosya yığınının içinde hangisinin hangi ürüne ait olduğunu bulamazsın. Yaşadıklarımı not almaya başladım, daha fazla rehber altında benzer içerikler de var, göz atabilirsin.

Sık sorulan sorular

Kayıt ortamı gürültülüyse önce gürültüyü temizleyip sonra mı klonlamalıyım?

Bir miktar temizlenir, fazlasını beklemeyin. Gürültü azaltma algoritması "davlumbaz" ile "sesindeki nefes payı"nı ayırt edemiyor; gürültüyü keserken tını detaylarını da kesiyor. Beş dakika yeniden kaydetmek daha iyi. İmkân yoksa dolaba girin, kapağı kapatın, arkanıza kıyafet yığın — bu ilkel yöntem çoğu gürültü eklentisinden iyi çalışıyor.

E-ticaret videosu seslendirmesinde tek seferde ne kadar üretmeli?

Sahneye göre bölün, tek parça 5-8 saniye. Çok uzun olursa vurgu ve ritim görüntüye oturmuyor; çok kısa olursa ton sert kesiliyor. Parça parça üretip birleştirmek, tek seferde üretmekten çok daha esnek — ve düzeltmesi de acıtmıyor.

Ücretsiz ses klonlama ile çıkan sesi ticari olarak kullanabilir miyim?

Platform şartlarına da bakmak lazım, kendi kullanımına da. KVKK tarafını da hafiften düşünmek gerekiyor: ses biyometrik veriye yakın bir şey, izinsiz kullanımda işin rengi hızla değişir. Benim kendi kuralım net — sadece kendi sesimi ya da açıkça izin veren bir iş arkadaşımın sesini klonluyorum. Ünlülerin, yayıncıların, kaynağı belirsiz hiçbir sesin yanına yaklaşmıyorum. Başkasının sesiyle ürün videosu yapmak, araç ne kadar kolay olursa olsun, riski gerçek. Bu konuda esneklik yok.

Şu an akışım sabit: dolapta sekiz dakika temiz kayıt → yükle, klonla → parça parça üret → tek tek dinle → kurguya hizala. 37 videonun sesini iki akşamda tamamladım.

Sen de ürün videolarına seslendirme yapacaksan, toplu üretime atlamadan önce beş dakikanı ayır. Sessiz bir köşe bul, telefonu sabitle, düzgün bir kayıt al. Bu, öğrendiğim bütün tekniklerden daha çok işe yarıyor. Gerçekten — bu dersi 37 çöp videoyla ödedim.