Yapay zeka ile sesi metne çevirme: Nasıl çalışır, nerede yanılır?

Konuşma metne nasıl dönüşür?

AI ses transkripsiyonu kabaca dört aşamadan oluşur:

1. Konuşma ayıklanır. Ayrı bir küçük model sesin neresinde konuşma olduğunu bulur. Sessizlik ve müzik mümkün olduğunca dışarıda bırakılır.
2. Ses görüntüye çevrilir. Ses dalgası, hangi anda hangi frekansın baskın olduğunu gösteren bir tabloya dönüşür.
3. Model sözcükleri tahmin eder. Whisper sesi en çok 30 saniyelik pencerelerle okur ve metni parça parça, bağlama bakarak yazar.
4. Sonuç temizlenir. Yazılımımız tekrarları, sessizlikte uydurulan kalıpları ve kararsızlık seslerini ayıklar.

Bu zincirde hiçbir aşama anlamı “bilmez”. Model, eğitildiği çok büyük metin ve ses verisine göre en olası devamı seçer.

Yapay zeka nerede yanılır? Uydurma cümle, özel ad, sayı

En tehlikelisi sonuncusudur, çünkü ortaya düzgün ve inandırıcı bir cümle çıkar. Hakemli Careless Whisper çalışması bu sorunu İngilizce kayıtlarda belgeledi. Haber işindeki sonuçlarını gazetecilikte yapay zeka yazımızda ele aldık.

Sessizlikte uydurulan cümleler

Whisper internetten toplanan ses ve metin çiftleriyle eğitildi ve bunların önemli bir bölümünün altyazı olduğu anlaşılıyor. Sessizlik, müzik ya da alkış duyunca altyazıların sonunda görülen kalıpları yazmaya eğilimli olması da buradan geliyor. Motorumuzu geliştirirken Türkçe yayınlarda en sık şunlarla karşılaştık:

• “Altyazı M.K.”
• “İzlediğiniz için teşekkürler.”
• “Abone olmayı unutmayın.”
• “…Sesli Betimleme Derneği’ne yaptırılmıştır.”
• “[Müzik]”, “(alkış)” gibi ses notları

LiveType bunları filtreler, sona eklenen sessizliği modele göndermez ve değişmeyen sesi yeniden çalıştırmaz. Bu önlemler sık görülen kalıpları temizler, ama her uydurmayı yakalayamaz. Yeni bir cümle biçimini önceden bilemeyiz.

ChatGPT ile sesi metne dönüştürme

Sık sorulan bir soru da budur. OpenAI’nin yardım sayfasına göre ses dosyası yükleme ücretli planlarda var, ücretsiz planda yok; çok uzun kayıtlarda işlem zaman aşımına uğrayabilir ve konuşmacı tanıma güvenilir olmayabilir (Kasım 2026). Mikrofonla dikte ise bütün planlarda çalışıyor.

ChatGPT kısa bir kaydı metne çevirmek ve ardından soru sormak için pratiktir. Uzun bir kaydı yazılırken düzeltmek, paragraftan sese dönmek ya da sesi cihazdan çıkarmamak gerekiyorsa deşifre için yapılmış bir araç daha uygundur. Hangisini seçerseniz seçin aynı kural geçerli: Metni sesle karşılaştırın.

Canlı deşifre gecikmesi: Soluk metin, kesin metin

Gerçek zamanlı transkripsiyonda model bir sözcüğü, sonrasını duymadan güvenle yazamaz. Bu yüzden ekranda önce soluk bir tahmin belirir. Aynı sözcükler ardışık çalışmalarda doğrulanınca koyulaşır ve kesinleşir:

Gecikmeyi üç şey belirler: Modelin büyüklüğü, cihazın ekran kartı ve konuşmanın akışı. Sayfa gecikmeyi anlık olarak gösterir, cihazınız geride kalırsa daha küçük bir model önerir, fazla gücü varsa daha doğru olanı. Kesinleşen metni deşifre sürerken düzeltebilirsiniz. Bir alıntı kullanacaksanız kesinleşmesini bekleyin.

Konuşmacı ayırma nasıl çalışır?

Whisper tek başına kimin konuştuğunu söylemez, yalnızca metin yazar. “Kim ne dedi” sorusunu ayrı modeller cevaplar:

1. Bölme: Konuşma sürerken bir model son saniyelere bakar ve kaç farklı kişinin konuştuğunu bulur.
2. Tanıma: İkinci model her konuşmacının sesinden bir ses izi üretir. İzler karşılaştırılır, aynı ize aynı numara verilir.

Yöntem bilerek temkinlidir. İki kişiyi tek numarada birleştirmek sonradan düzeltilemez, oysa bir kişiyi ikiye bölmek aynı adı vererek çözülür. Bu yüzden gerçek kişi sayısından fazla numara görebilirsiniz. Ses izleri biyometrik veri sayılabileceği için sunucuya gönderilmez, cihazınızda şifreli durur. Etiketlere ad vermeyi ve konuşmacı ayrımını kapatmayı konuşmacılar sayfası anlatıyor.

Bulut deşifresi Türkçede: Parça süresi neden önemli?

Bulutta ses tek parça hâlinde değil, parça parça gönderilir ve parçalar sessizliklerden kesilir, böylece sözcük ortadan bölünmez. Bu yüzden bulutta soluk metin yoktur: Metin her parça bitince gelir.

Parçanın uzunluğu Türkçede sonucu etkiliyor. Groq Whisper ile yaptığımız Türkçe denemelerde iki dakika ve daha uzun parçalarda metnin bozulduğunu gördük, bu yüzden dosyaları bir dakikalık parçalarla gönderiyoruz. Bu bir araştırma ölçümü değil, kendi denememizdir. Hangi seçeneğin size uygun olduğunu bulut deşifresi ve uzak cihaz sayfasında karşılaştırdık.

Ses deşifre yapay zekasından daha iyi sonuç almak

• Kaydı temiz alın. Mikrofonu konuşana yaklaştırmak her ayardan daha çok işe yarar.
• Doğru dili seçin. Yanlış dil metni bozar.
• Cihazın taşıyabildiği en büyük modeli kullanın. Model seçimi buna yardım eder.
• Adları baştan düzeltin. Önceden ad listesi veremezsiniz: Whisper’a verilen metin, biçimiyle birlikte kopyalandığı için bu yolu kapattık. Düzeltmeyi metin üzerinde yaparsınız.

İnsan kontrolü ne zaman şart?

Metin bir kişiye atfedilecekse, hukuki sonuç doğuracaksa, yayımlanacaksa ya da araştırma verisi olacaksa insan kontrolü şarttır. Makine metni taslaktır, sorumluluk onu kullananındır. Sesi dinlemeden yapılan bir alıntıyı doğrulanmış saymayın. Adım adım kontrol için ses kaydı deşifre rehberindeki listeyi kullanabilirsiniz.