Metinden Sese Nedir? Sade Bir Rehber

Konuşma sentezi olarak da bilinen metinden sese (TTS), metni sesli okuyan bir yazılımdır. Ona bir cümle verirsiniz; o da size bu cümleyi okuyan bir sesin ses dosyasını ya da canlı akışını geri verir. Bu ses, sizin yazdığınız kelimeleri okuyan bir insanın kaydı değildir. Belirli bir sesin sesleri, kelimeleri ve cümleleri nasıl telaffuz ettiğini öğrenmiş bir bilgisayar modeli tarafından o anda üretilir.

TTS’yi neredeyse kesin olarak daha önce duymuşsunuzdur: navigasyon yol tariflerinde, telefon menülerinde, görme engelli ve az gören kişilerin kullandığı ekran okuyucularda, e-kitapların "sesli oku" özelliklerinde ve giderek daha sık olarak YouTube anlatımlarında ve kısa videolarda.

Güncel sistemlerin çoğu genel hatlarıyla üç aşamada çalışır. Bu aşamaları hiçbir zaman görmezsiniz, ama onları bilmek bazı metinlerin neden sorun çıkardığını anlamanıza yardımcı olur.

1. Metni okumak ve normalleştirmek

Sistem önce gerçekte ne söylenmesi gerektiğini belirler. "Dr." "doktor", "Cad." ise "caddesi" diye okunmalıdır; "2026" genellikle "iki bin yirmi altı" diye okunur, ama "2,026" "iki virgül sıfır yirmi altı" olur; "5 TL" ise "beş lira" haline gelir. Sistem ayrıca metni cümlelere böler ve yazılan her kelimenin nasıl telaffuz edileceğine karar verir. Bu, göründüğünden daha zordur: Türkçede "hala" kelimesi, "Halam geldi" cümlesinde başka, "Hâlâ bekliyorum" cümlesinde başka okunur.

2. Sesi planlamak

Ardından bir sinir ağı cümlenin nasıl duyulması gerektiğini tahmin eder: hangi hecelerin vurgulanacağını, perdenin nerede yükselip alçalacağını, her sesin ne kadar süreceğini ve kısa nefeslerin nereye geleceğini. Bu melodi ve ritme prozodi denir ve insan gibi duyulan bir sesle bir listeyi okuyan makine gibi duyulan bir ses arasındaki temel fark budur.

3. Sesi üretmek

Son olarak başka bir model (genellikle vokoder olarak adlandırılır) bu planı çalabileceğiniz gerçek bir ses dalgasına dönüştürür. Eski sistemler önceden kaydedilmiş küçük konuşma parçalarını birbirine yapıştırırdı; bu yüzden kesik kesik duyulurlardı. Sinir ağı tabanlı sistemler ses dalgasını doğrudan üretir; bugünkü seslerin akıcı duyulmasının nedeni budur.

• Prozodi. Doğal ritim ve tonlama, ham ses kalitesinden daha önemlidir. Temiz ama tekdüze bir ses yine de yapay duyulur.
• Dil ve aksan uyumu. Bir dil için eğitilmiş bir ses, genellikle başka bir dilin kelimelerinde zorlanır. Metninizin diline ve ideal olarak dinleyicilerinizin beklediği aksana uygun bir ses seçin.
• Metnin kendisi. Kısaltmalar, alışılmadık adlar, eksik noktalama ve çok uzun cümleler tuhaf sonuçların en yaygın nedenleridir. Metinden sese için metin yazma rehberimiz bunların nasıl düzeltileceğini anlatıyor.
• Hız ve perde ayarları. Küçük değişiklikler çok işe yarar; aşırı ayarlar ise her sesi tuhaf duyurur.

• Erişilebilirlik. Okumak yerine dinlemek; az gören, disleksisi olan, yorgunluk ya da başka okuma güçlükleri yaşayan kişilere yardımcı olur. Bkz. erişilebilirlik için metinden sese.
• Video anlatımı. İçerik üreticileri, kendi seslerini kaydedemediklerinde ya da kaydetmek istemediklerinde YouTube açıklama videoları, eğitimler ve kısa videolar için TTS kullanır. Bkz. YouTube seslendirmesi hazırlamak.
• Dil öğrenmek. Bir cümleyi anadili aksanına sahip bir sesten, daha yavaş bir hızda dinlemek telaffuza yardımcı olur. Bkz. dil öğrenimi için metinden sese.
• Düzelti. Kendi yazınızı sesli dinlemek, kötü kurulmuş cümleleri ve eksik kelimeleri yakalamanın en hızlı yollarından biridir.
• Sesli kitaplar ve uzun dinleme. Bkz. TTS ile sesli kitap seslendirmek.

İyi yapay zekâ sesleri bile nadir adları, marka adlarını ve başka dillerden alınmış kelimeleri yanlış telaffuz edebilir. Metninizi bir insan anlatıcı gibi anlamazlar; bu yüzden şakalar, iğneleme ve güçlü duygular çoğu zaman nötr çıkar. Ayrıca sentetik sesler artık gerçekçi olduğundan, asla gerçek bir kişiyi taklit etmek veya dinleyicileri aldatmak için kullanılmamalıdır.

Bu sınırların çoğuna pratik çözüm, sesle uğraşmak değil metni düzenlemektir: zor adları okunduğu gibi yazın, uzun cümleleri bölün ve duraklama istediğiniz yerlere noktalama işareti ekleyin.

Stüdyo bölümünde tek seferde en fazla 2.000 karakter yapıştırabilir, 76 dilde 583 ses arasından seçim yapabilir, hızı ve perdeyi ayarlayabilir, dinleyebilir ve sonucu indirebilirsiniz. Hesap gerekmez. Hangi sesle başlayacağınızdan emin değilseniz doğru yapay zekâ sesini nasıl seçeceğinizi okuyun.