Yapay zeka seslendirmen neden robota benziyor? Sorun sende değil, kaydettiğin referans ses kaydında
Geçen ay bir arkadaşımın Instagram Reels'i için seslendirme yaparken başıma geldi. Aynı metin, aynı araç, iki farklı sonuç — onunki gece kuşu radyo spikeri gibi akıyor, benimki ise navigasyon cihazının "300 metre sonra soldan" diyen hali. Aradaki fark bu kadar barizdi.
Önce aracın ayarlarında bir şey var sandım. Yarım saat parametrelerle boğuştuktan sonra anladım ki sorun bende değil, referans ses kaydında. Bu detayı kimse senin yüzüne söylemez çünkü herkesin bildiğini varsayarlar. Ben bildim bileli anlatıyorum.
Yapay zeka seni taklit ediyor, yaratmıyor
Ses klonlama hakkında yaygın bir yanlış anlaşılma var: bir ses kaydı at, AI sana güzel bir ses versin. Hayır. O kayıttaki ton, konuşma hızın, nefes alışların, hatta kayıt sırasındaki gerginliğin dahil her şeyi öğreniyor.
Kaydı gergin, kuru, kelime kelime yapıştırmışsan? Klonlanan ses de öyle olacak. Yani "AI seslendirme insansız duruyor" demeden önce şunu sormalısın — referans kaydım zaten doğal konuşan bir insana benziyor mu?
Referans ses kaydı için altın kurallar
Ekipmandan önce ortam. Pahalı mikrofonlara para dökme, önce şunları hallet:
- Küçük, sessiz bir oda bul. Gardırobun yanı harika olur — kıyafetler sesi emer, ev stüdyosu mantığı
- Telefonu yüzüne çok yaklaştırma; bir buçuk-iki yumruk mesafe ideal, yoksa "p" ve "b" harflerinde patlama sesi alırsın
- Baştan sona aynı tonda konuş, bir yerde bağırıp bir yerde fısıldama
Süre olarak 30 saniye ile 1 dakika yeterli. Kısa olursa sesini tam öğrenemez, çok uzun olmasının da anlamı yok. İçerik önemli: metni ezber gibi okuma. Günlük konuşmanda kullandığın tona geç, hafif iniş çıkışlar, hatta gülümseme olsun. Türkçemizde cümle sonlarını yukarı çekerek konuşuruz ya, o doğallık kayıtta da olmalı.
Kaydettiysen önce kendin dinle. Sen bile tuhaf buluyorsan, yapay zekadan mucize bekleme.
Metin nasıl yazılmalı ki seslendirme saçma durmasın
Referans kaydı hallettin, sıra seslendireceğin metinde. Burada da şaşırtıcı bir gerçek var: yazılı dil ile konuşma dili aynı şey değil.
"Yukarıda belirtilen hususlar dikkate alındığında, söz konusu ürün avantaj sağlamaktadır" — bunu kim okursa okusun robot gibi çıkar. "Bakın, bu iş gerçekten tutuyor" de, fark anında hissedilir. Noktalama da ritim demek: virgül kısa durak, nokta uzun durak, üç nokta derin bir nefes.
Ücretsiz metin sese çevirme aracıyla çalışırken benim rutinim şu: metni önce yüksek sesle okuyorum. Takıldığım, dilime dolanan yerleri düzeltiyorum. Metin akıyorsa ses de akıyor.
En sık düştüğüm tuzaklar
Arka planda klima sesi, klavye tıkırtısı varsa kayıt, "cırt cırt" bir alt sesle klonlanıyor. Ne kadar oynasan da gitmiyor, tek çare yeniden kaydetmek. İçine müzik karışmış bir kayıt da felaket — AI melodiyi bile senin ses tonun sanıyor, çıkan sonuç gerçekten garip oluyor.
Bir de film ya da dizi sahnesinden ses almak var. Ben denedim; karakter duygusal bir sahnede, cazip geliyor ama sonuç gelgit gibi oluyor, aynı cümle bir yerde yükselip bir yerde düşüyor. Dramatik efekt istemiyorsan temiz, kuru bir sesle kal.
Türkçe için ayrıca şunu ekleyeyim: referans kaydında "ş", "ç" gibi sert ünsüzlerin net duyulduğundan emin ol. Bazı yabancı araçlar Türkçe karakterlerde hırıltı yapabiliyor; bu yüzden text to speech türkçe ücretsiz destekleyen bir araç seçmek, sonradan baş ağrısından kurtarıyor.
SSS
Referans ses kaydı ne kadar uzun olmalı?
30 saniye - 1 dakika yeter. Önemli olan uzunluk değil kalite — sessiz, temiz, doğal bir kayıt, beş dakikalık uğraşmadan çok daha iyi sonuç verir.
Telefonla kaydettiğim ses olur mu?
Olur. Günümüz telefonlarının mikrofonları gayet iyi; sessiz bir ortamda kaydedersen fazlasıyla yeterli. Hoparlörü açma, arabada kayıt alma (yankı korkunç oluyor).
Ücretsiz araçlar yeterli mi?
Yeter. Şu an düzenli kullandığım araç VoxClone'un ses klonlama ücretsiz sayfası — kayıt gerekmiyor, sayfayı açıp sesini yüklüyorsun, deniyorsun. Kayıt olmadan ses klonla ücretsiz olması, arada bir ihtiyaç duyanlar için büyük kolaylık. Sonuç memnun etmezse yüzde dokuz ihtimalle sorun araçta değil, kayıttadır.
Kapanış
Özetle — pardon, o kelimeyi de yasakladım kendime. Şöyle diyeyim: yapay zeka seslendirmenin insana benzeyip benzememesi, yüzde yetmiş referans kaydına, yüzde otuz metne bağlı. Araç en son düşüneceğin şey; zaten denemesi bedava.
Elinde seslendirmek istediğin bir metin varsa, şimdi kalk, evin en sessiz köşesine geç ve 30 saniyelik bir kayıt al. On tutorial okumaktan daha çabuk öğreneceksin. Bir de merak edenler için: sesli kitap yapay zeka ücretsiz tarafında da aynı mantık geçerli — iyi kayıt, her yerde iyi sonuç demek.