Yapay zeka sesi, TTS ve dublaj
Metinden konuşmaya, bir modelin metninizi sesli okuması demektir; dublaj ise mevcut bir videodaki sesin başka bir dilde yeni bir sesle değiştirilmesidir. Farsça için sonucu gerçekten belirleyen tek şey, seçtiğiniz modelin dilleri arasında Farsçayı sayıp saymadığıdır ve tanınmış bir satıcıda herkesin ilk uzandığı model bunu yapmıyor.
- Ders 9 / 10
- Orta
- Ücretsiz, kayıt yok
Tek istekte karakter tavanı, satıcının kendi sayfasından
Sütun karakter tavanıdır. Aşağıdaki üç işaret tek bir satıcının üç metinden konuşmaya modelidir.
- Eleven v3, Farsçası varDil listesi Farsçayı fas koduyla yazıyor. On dakikalık bir metin burada birkaç dosya olur.
- Multilingual v2, 29 dilSayfada 29 dilin hepsi adıyla anılıyor ve Farsça aralarında yok.
- Flash v2.5, 32 dilAynı 29 dil artı Macarca, Norveççe ve Vietnamca. En hızlı ve en ucuz, ve Farsçasız.
Bu sütun kaliteyi değil uzunluk tavanını ölçer: buradaki en yüksek satır Farsçası olmayan modeldir. Sayılar bir projenin değil tek bir isteğin tavanıdır; daha uzun metni cümle sınırında siz bölersiniz.
Son kontrol: Bu dersteki bilgiler ve araç adları bu tarihte kaynaklarıyla yeniden doğrulanır.
TTS ve dublaj iki ayrı iştir
Metinden konuşmaya tek bir girdi alır: metin. Cümleleri verirsiniz, bir ses dosyası alırsınız. Zamanlama, duraklar ve sesin hangi çekimin altına oturacağı modelin işi değildir.
Dublaj ise üç aşamalı başka bir iştir ve yalnızca biri metinden konuşmadır: özgün konuşmayı deşifre etmek, cümle uzunluğunu gözeterek çevirmek ve sonra aynı zaman penceresine sığan yeni bir ses üretmek. Üçüncü aşama işin zorlaştığı yerdir, çünkü İngilizce bir cümlenin Farsça çevirisi genellikle daha uzun çıkar ve sesin, özgün konuşmacının ağzının çoktan belirlediği bir çerçeveye sığması gerekir.
Yani kendi videonuzu yapıyor ve metni siz yazdıysanız dublaj istemezsiniz; metinden konuşmaya yeter ve gerçek bir avantajı vardır: metni kulak için yeniden yazabilir, uzunluğunu kendiniz belirleyebilirsiniz. Başkasının videosunu Farsçaya taşıyorsanız, o dublajdır ve sığdırmak için cümleleri kısaltmayı beklemelisiniz. Bu bir yazılım ayarı değil, bir çeviri kararıdır.
İnsanların seslendirme dediği ve dememesi gereken üçüncü bir iş daha var: ses değiştirme, yani bir kişinin kaydını alıp başka bir sesle örtmek. Onun girdisi metin değil sestir ve rıza sorusunu diğer ikisinden önce gündeme getirir.

Yeni anlatım mı dublaj mı? Metnin kime ait olduğuna bağlı
İki yol da doğru, ama iki farklı durum için. Yanlışını seçmek, hiç yaşamak zorunda olmadığınız bir zamanlama sorunuyla boğuşmak demek.
Metin başkasınınsa: dublaj
- Üç aşama: deşifre, çeviri, sesi üretme
- Farsça çeviri genellikle özgününden uzun çıkar
- Aynı pencereye sığması için cümleleri kısaltmanız gerekir
- Özgün konuşmacının sesi yeniden kurulacaksa rıza devreye girer
Metin sizinse: yeni anlatım
- Cümle uzunluğunu siz belirler ve görüntüye uydurursunuz
- Metin üretimden önce kulak için yeniden yazılabilir
- Aynı metin sonra altyazı metni olarak da işe yarar
- Bir aşama eksik: deşifreye gerek yok
İki yol da Farsça bir sesin yokluğunu çözmez. O bir model kısıtıdır ve bir sonraki bölüm onu açıyor.
Farsça kullanıcıyı düşüren tuzak
ElevenLabs'in birkaç metinden konuşmaya modeli var. Farsça yalnızca bir ailenin listesinde.
Bu dersin yazıldığı gün satıcının iki sayfasını da yeniden okuduk ve kanıt bundan daha temiz olmuyor. Metinden konuşmaya yeteneği sayfası, multilingual v2 modellerinin 29 dili desteklediğini söylüyor ve ardından 29'unu da sayıyor: İngilizce, Japonca, Çince, Almanca, Hintçe, Fransızca, Korece, Portekizce, İtalyanca, İspanyolca, Endonezce, Felemenkçe, Türkçe, Filipince, Lehçe, İsveççe, Bulgarca, Romence, Arapça, Çekçe, Yunanca, Fince, Hırvatça, Malayca, Slovakça, Danca, Tamilce, Ukraynaca ve Rusça. Farsça o listede yok. Aynı sayfadaki bir sonraki cümle, Flash v2.5'in 32 dili desteklediğini söylüyor: v2 modellerinin tüm dilleri artı Macarca, Norveççe ve Vietnamca. Üç dil eklenmiş ve hiçbiri Farsça değil, yani Farsça Flash listesinde de yok ve bunu bir tahminden değil, listenin kendi tanımından biliyoruz.
Buna karşılık Eleven v3 dil listesi Farsçayı fas koduyla açıkça yazıyor. Bu sitenin yapay zeka bölümünün veri katmanı bunu 28 Ağustos'ta kaydetti ve bugün de yerindeydi.
Şimdi bunun neden basit bir fark değil de bir tuzak olduğu. Aynı satıcının modeller sayfası Flash v2.5'i üç özellikle tanıtıyor ve üçü de bir kurgucu için çekici: yaklaşık 75 ms ile çok düşük gecikme, tek istekte 40.000 karakter tavanı ve API'de karakter başına yüzde elli daha düşük fiyat. Bu üçünün karşısında, Farsçası olan modelin tavanı 5.000 karakter, yani sekizde biri. Böylece biri kaydolur, mevcut en makul seçimi yapar, Farsça metin verir, kötü bir sonuç alır ve bu satıcının Farsça beceremediği sonucuna varır. Doğru cümle şu: o modeli beceremiyor.
Duruşumuz ve bu tek satıcıdan uzun yaşayan ders: modeli hız ya da fiyat rozetinden değil, dil listesinden seçin. Bu kural başka hiçbir kategoride bu kadar gerekli değildir, çünkü çeviride ya da kodda kötü çıktı hemen kötü görünür; burada çıktı, kelimeleri yanlış okuyan akıcı bir sestir ve dili bilmeyen biri bunu ayırt edemez.
Bir dil listesinin söylemediği şey
Bir dil listesi bir ölçüm değil, bir satıcı iddiasıdır. Bu dili destekliyoruz der ve aksanın nasıl çıktığı hakkında hiçbir şey söylemez. Bu ayrımı açıkça söylemek gerekir, çünkü bu sütunu taşıyan her tablo onu kalite diye okumaya heveslenir.
Bir dil listesinin size söyleyemeyeceği iki belirli şey. Birincisi, Farsça bir sesin var olup olmadığı. Bu sitenin yapay zeka bölümündeki ses sıralamasının Farsça için üç düzeyi var ve ikinci düzey, satıcının Farsça için kurulmuş bir sesi de duyurmuş olması demek; hiçbir aday oraya ulaşmadı. Yani Farsçayı listeleyen model bile onu başka bir dil için kurulmuş bir sesle okuyor. Satıcının kendi kılavuzu, en doğal sonuç için aksanı hedef dilinize ve bölgenize uyan bir ses seçmenizi söylüyor ve Farsça bir ses yokken bu cümlenin kendisi cevaptır.
İkincisi, isimler ve sayılar. Hiçbir dil listesi, modelin bir İran şehrinin ya da bir soyadın adını doğru okuyup okumadığını söylemez. Aynı satıcının belgelerinde az kişinin okuduğu pratik bir not var: multilingual v2 modeli sayıları normalleştirmede daha iyi ve düşük gecikmeli uygulamalar için kendi önerileri, metni konuşma modeline ulaşmadan önce bir dil modeline normalleştirtmek. Farsça için pratiğe çevirisi: sayıları, tarihleri ve kısaltmaları kendiniz yazıyla yazın, sonra gönderin. Bu tek satırlık bir iş ve herhangi bir ayardan daha çok çıktı kurtarıyor.
Ve bilmediğimiz ve bildiğimizi iddia etmeyeceğimiz bir şey: gerçekte nasıl duyulduğu. Bu modelleri tek ve aynı Farsça metin üzerinde çalıştırıp karşılaştırmadık. Yaptığımızda sayıyı yöntemiyle birlikte yayımlayacağız.
Ses klonlama: rıza, lisans ve kaymayan bir sınır
Bir kişinin kaydından yeni bir ses kurmak bugün teknik olarak kolay ve etik ile hukuki açıdan bir o kadar ağır. Duruşumuz tek cümle ve pazarlığa kapalı: hiç kimsenin sesini açık ve yazılı rızası olmadan klonlamayın, ses herkese açık olsa bile ve iş kurum içi olsa bile.
Sebep yalnızca yasa değil. Ses, yüz gibi kimliktir ve yüzden farklı olarak bir telefon görüşmesinde ya da sesli mesajda kimlik doğrulaması olarak da çalışır. Tek bir proje için kurulmuş kısa bir örnek, o proje teslim edildikten sonra da var olmaya devam eder ve onu siz denetlemezsiniz. Gerçek bir kişinin sesinin üretildiği bir iş yapıyorsanız, rızasını alın, kullanım kapsamını o rızanın içine yazın ve proje bitince dosyaları silin.
Ve açıkça söylenmesi gereken bir çelişki. Bu sitenin yapay zeka bölümündeki ses sıralamasında birinci olan model, kendi kullanım şartlarında İran'ı adıyla anıyor: ElevenLabs'in ihracat kontrol maddesi, kullanıcının ABD ekonomik yaptırımları altındaki bir ülkede olmadığını beyan etmesini istiyor ve İran o listeye yazılmış. Bunu yazıyoruz çünkü doğru ve gizlemek kimseye yaramaz. Yazmadığımız şey ise bunun etrafından dolaşma yolu. Hesap satmıyoruz, aracı önermiyoruz ve yaptırım dolanma yöntemi anlatmıyoruz.
Bir alternatif yol da var ve koşuluyla birlikte söylenmeli: Mistral'in Voxtral TTS modeli açık ağırlık yayımlıyor, yani önünde ülke listesi olmadan kendi donanımınızda çalışabiliyor. Ancak lisansı CC BY-NC 4.0 ve NC ticari kullanım yok demek. Yani doğası gereği müşteri için özel seslendirme olan bir işte, erişim bakımından en iyi model lisans bakımından en kullanışsız olanıdır. Alıştırma ve kişisel proje için evet; fatura için hayır.
Yeni bir ses kurmadan önce bu sayfayı doldurun
Başlamadan önce elinizde olması gerekenler
- Sesin sahibinden, projeyi adıyla anan yazılı rıza
- Kullanım kapsamı açıkça: nerede, ne kadar süre, hangi diller
- Kullandığınız modelin lisansı, varsayılmış değil okunmuş
- Örnek dosyaların ne zaman silineceğine dair bir karar
Rıza sayılmayan şeyler
- Ses internette erişilebilirdi
- İç iş, yayımlanmayacak
- Sözlü olarak sorun yok dedi
- Sadece bir taslak, finalde kalmayacak
Bu sayfa hukuki danışmanlık değildir ve sözleşmenin yerini tutmaz. Yaptığı şey, teslim edilemez kararları anında ve düşünmeden almanızı engellemektir.
Bir videoyu seslendirmek, işi kurtaran sırayla
Burada sıra, model seçiminden daha önemli ve yaygın hata hep aynı: video önce kurgulanıyor, ses sonra aranıyor.
Metni göz için değil kulak için yazın. Kısa cümleler, cümle başına tek fikir, parantez yok ve ortaya katlanmış yan cümle yok. Okunan metinle duyulan metin iki ayrı şeydir ve model bunları sizin yerinize ayırmaz.
Sonra metni normalleştirin: sayıları, tarihleri ve kısaltmaları yazıyla yazın. Bir yıl, bir yüzde ve bir baş harf kümesi, modelin her seferinde başka türlü okuyabileceği üç şeydir ve on dakikalık iş bunu şansın elinden alır.
Şimdi metni modelinizin karakter tavanının altına sığan parçalara bölün ve kesimi cümlenin içine değil cümle sınırına koyun. 5.000 karakterlik tavanla on dakikalık bir metin birkaç dosya olur ve kesim cümlenin ortasına düşerse o cümlenin ezgisi birleşme yerinde kırılır. Karakter tavanının size gerçekten zarar verdiği tek yer burasıdır ve çözümü teknik değil, editoryal bir karardır.
Üretin, sonra dinleyin ve yalnızca yanlış okunan cümleleri yeniden üretin. Daha iyi sonuç umuduyla bütün metni yeniden üretmek, insanların görsellerde yaptığı hatanın aynısıdır ve burada da işe yaramaz.
Son olarak görüntüyle eşleyin. Video üretildiyse çekimleri sessiz tutun ve tüm ses yatağını tek seferde kurun; yapay zeka ile video üretme dersi nedenini anlatıyor. Çıktı altyazı da alacaksa, aynı normalleştirilmiş metin sizin altyazı metninizdir ve deşifre edilecek bir şey kalmaz; altyazı ve kapalı altyazı dersi tam buradan başlıyor.
Yapay zekayla hızlı yol
Buradaki hızlı yol daha iyi bir model değil. Farsça bir eğitimde neredeyse hiç göremeyeceğiniz iki hamle: metni ses modeline ulaşmadan önce bir metin modeliyle kulak için yeniden yazıp normalleştirin ve aynı geçişte karakter tavanının altındaki kesimleri cümle sınırlarına işaretleyin. İkinci hamle, birkaç dosyayı tek ve kesintisiz bir anlatıma dönüştüren şeydir. Bunun için hızlı ve ucuz bir metin modeli yeter; güncel seçimimiz <a class="text-link" href="/tr/ai/">yapay zeka bölümünde</a>, ses modelini de <a class="text-link" href="/tr/ai/audio/">seslendirme sıralamasından</a> alın.
- Modeli önce hız rozetinden değil dil listesinden seçin. O modelin karakter tavanını not edin; yolun geri kalanı bu sayının üstüne kurulur.
- Aşağıdaki tarifi kendi metniniz ve tavanınızla bir metin modeline verin. Çıktının ikinci bölümü, yani modelin yanlış okuyabileceği şeylerin listesi, geri aldığınız en değerli şeydir.
- Parçaları sırayla, hepsi tek ses ve tek ayarla üretin. Sesi yarı yolda değiştirmeyin; birbirine yakın iki sesle iki parça, belirgin biçimde farklı iki sesle iki parçadan daha kötü duyulur.
- Dinleyin ve yalnızca yanlış okunan cümleleri yeniden üretin. Bir isim iki kez yanlış çıkarsa, yeniden üretmek yerine metne fonetik yazımını yazın.
- Sonunda iki şeyi kendiniz denetleyin: isimler ve sayılar doğru okundu mu ve gerçek bir kişinin sesi söz konusuysa yazılı rızası elinizde mi.
Kopyalamaya hazır şablon
Rol: metinden konuşmaya modeli için metin hazırlayan konuşma metni editörü.
Metnin dili: {diliniz}
Modelimin karakter tavanı: {örneğin 5000}
Ton: {örneğin sakin ve açıklayıcı ya da yüksek enerjili ve kısa}
Ham metin:
{metninizi buraya koyun}
Tam olarak şu dört bölümü döndür:
1. Kulak için yeniden yazılmış metin. Uzun cümleleri böl, parantezleri ve
cümle ortası yan cümleleri kaldır ve her sayıyı, tarihi ve kısaltmayı
yazıyla yaz. Anlamı değiştirme ve hiçbir şey ekleme.
2. Modelin yanlış okuma ihtimali olanların listesi: özel adlar, yer adları,
başka dildeki bir cümlenin içindeki İngilizce kelime, sayılar. Her biri
için bir fonetik yazım öner ve neden riskli olduğunu söyle.
3. Yeniden yazılmış metni, her biri yukarıdaki tavanın altında kalan
parçalara böl. Her kesim tam olarak bir cümlenin sonuna düşmeli. Her
parçanın numarasını ve karakter sayısını yaz.
4. Tek cümle: bu metnin hangi bölümünü, herhangi bir ses üretilmeden önce bir
insanın okuması gerekir ve neden.
Hiçbir modelin kalitesi ya da aksanı hakkında iddia yazma.Çıktıya güvenmeden önce: Bu yol üç şeyi çözmez ve üçü de insan işidir. Birincisi, aksan: metni normalleştirmek sayıların ve isimlerin yanlış okunmasını engeller, aksanı düzeltmez, çünkü bugün Farsçaya özgü bir ses yok. İkincisi, rıza sınırı: hiçbir tarif, bir kişinin sesini kullanma izninin yerine geçmez. Üçüncüsü, lisans: açık ağırlıklı bir model ticari işe mutlaka izin vermez ve lisansını kendiniz okumalısınız. Hızlı olmak denetimsiz olmak demek değildir.
Bu işte yapay zeka
Bu dersin tamamı yapay zeka ile çalışmakla ilgili, bu yüzden bu bölüm metinde dağılmış olanı toplar: hangi model neyi duyurdu ve her biri İran'dan nerede duruyor. Tek cümleyle duruşumuz: <strong>bu kategoride dil listesi en önemli sütundur ve diğer her ölçüt ondan sonra gelir, çünkü Farsçası olmayan bir model Farsça metin için biraz daha kötü değil, sıfırdır.</strong>
Gerçekten işe yarayan araçlar
- Eleven v3 Burada dil listesine Farsçayı fas koduyla yazan tek üst sınıf model; ayrıca ücretli planlarda ticari lisanslı yeni ses oluşturma. Tek istekte tavanı 5.000 karakter, aynı satıcının hızlı modelinin sekizde biri. ElevenLabs kullanım şartları ihracat kontrol maddesinde İran'ı adıyla anıyor ve biz dolanma yolu anlatmıyoruz.
- Eleven Flash v2.5 Burada olmasının nedeni yaygın yanlış seçim olması: yaklaşık 75 ms ile en hızlısı, 40.000 karakter tavanı ve API'de karakter başına yüzde elli daha ucuz. 32 dillik listesi kendini v2 listesi artı Macarca, Norveççe ve Vietnamca olarak tanımlıyor, yani Farsça içinde yok. İngilizce iş için iyi bir seçim, Farsça için hiç seçim değil.
- Voxtral TTS Burada ağırlıkları yayımlanmış tek model, yani önünde ülke listesi olmadan kendi donanımınızda çalışıyor. Lisansı CC BY-NC 4.0 ve NC ticari kullanım yok demek; bir seslendirmecinin yapmak istediği tam da budur. Mistral onun için dil listesi de yayımlamıyor, bu yüzden Farsçası hakkında bir iddiada bulunmuyoruz.
- ElevenLabs Satıcı sayfası; modellerinin tüm ailesini yan yana görmek ve hangi modelin hangi yeteneği taşıdığını anlamak istediğinizde. Bu dersteki bulgunun ilk kaydedildiği yer orası, 28 Ağustos'ta; bugün yeniden okuduk ve hâlâ yerindeydi.
Nerede geri teper
Burada üç belirli risk var ve yalnızca biri teknik.
Birincisi, sessiz hata. Listesinde dilinizi taşımayan bir model hata döndürmez; size kelimeleri yanlış okuyan akıcı bir ses verir. Dili kendiniz bilmiyorsanız bu hatayı göremezsiniz. Tek savunma, modeli seçmeden önce dil listesini okumaktır.
İkincisi, rıza. Bir kişinin sesini açık izni olmadan kurmak, taslak için bile ve kurum içi bile olsa kırmızı çizgidir. Ses, sesli mesajda ve telefon görüşmesinde kimlik doğrulaması olarak çalışır ve bir kez kurulmuş bir örnek proje bittikten sonra da var olur.
Üçüncüsü, okumadığınız bir lisans. Açık ağırlık, onu çalıştırabilirsiniz demektir, satabilirsiniz demek değil. Voxtral TTS bunun açık örneği. Herhangi bir işi faturalamadan önce modelin lisansını kendiniz okuyun.
İran'dan erişim konusunda ise hiçbir dolanma yolu önermiyoruz. Her aracın durumunu görmek için İran'da yapay zeka ve satın alma rehberi sayfalarına bakın.
Kaynaklar: ElevenLabs: models, character limits and latency ElevenLabs: text to speech supported languages ElevenLabs: terms of use, export control Mistral: models overview, Voxtral TTS licence
Bu tavsiyenin sınırı
Bu ders bu modellerin hiçbirini tek ve aynı Farsça metin üzerinde çalıştırmadı ve içindeki hiçbir sayı bizim dinleme testimizden gelmiyor; okuduğunuz her şey satıcıların kendi listelerinden ve belgelerinden. Üç şey bilerek yok. Farsça aksan kalitesine dair hiçbir yargı, çünkü hiçbir satıcı bir sayı yayımlamıyor ve biz de ölçmedik. Hiçbir fiyat sütunu, çünkü bu satıcıların birimleri karşılaştırılabilir değil: biri aylık kredi satıyor, biri token üzerinden faturalıyor, biri yalnızca ağırlık yayımlıyor. Ve İran'dan erişim için hiçbir yol. Bir sınır daha: bu ders konuşma üretmekle ilgili, onu deşifre etmekle değil; işiniz deşifreyse cevabınız bu değil altyazı dersidir.
Kendi işimizden
Bu bulgu ilk kez bir blog yazısında değil, bu sitenin yapay zeka bölümünün veri katmanında kaydedildi: seslendirme kategorisinde bir modelin Farsça okuyup okumadığı ölçütü 100 üzerinden 35 ağırlık taşıyor; o tablodaki en ağır ölçüt ve diğer kategorilerde benzeri yok. Nedeni de aynı sayfada yazılı: kodda ya da görselde çıktının dili mesele değildir; burada çıktının kendisi dildir. Bu dersin yazıldığı gün iki satıcı sayfasını da yeniden okuduk ve bulgu yerinde duruyordu; üstelik özgün kayıtta olmayan ve bugün bulduğumuz bir kanıtla: Flash v2.5'in 32 dillik listesi kendini v2 modellerinin tüm dilleri artı Macarca, Norveççe ve Vietnamca olarak tanımlıyor. Yani Farsçanın o listede olmayışı artık uzun bir listeyi saymanın sonucu değil, listenin tanımından çıkıyor. Aynı denetim başka herhangi bir araç için bir dakika sürer: desteklenen diller sayfasını açın ve toplam dil sayısını değil, kendi dilinizin adını arayın.
Gerçek devam soruları
Farsça seslendirme için en iyi yapay zeka hangisi?
Bu sitenin yapay zeka bölümündeki seslendirme sıralamasında en yüksek puan Eleven v3'te, çünkü hem Farsçayı listeleyen hem de ticari lisanslı yeni ses oluşturma sunan tek üst sınıf model o. Yalnız modeli elle seçmeye dikkat edin; daha hızlı olan varsayılan, Farsçası olmayanıdır.
Farsça çıktım neden kötü çıktı?
Ayarlardan önce modeli denetleyin. Seçtiğiniz model dil listesinde Farsçayı taşımıyorsa hiçbir ayar onu kurtarmaz ve aynı model her ayarda aynı sonucu verir. Model doğruysa ve isimlerle sayılar hâlâ yanlış çıkıyorsa metni normalleştirin: sayıları, tarihleri ve kısaltmaları yazıyla yazın.
Tanınmış bir sesi klonlayabilir miyim?
Hayır ve bu cevabın bir örneğin erişilebilir olup olmamasıyla ilgisi yok. Ses kimliktir ve sahibinin açık yazılı rızası olmadan yeniden kurulmamalıdır; taslak için bile ve yayımlanmayacak olsa bile. Benzer bir ses istiyorsanız hazır sesleri kullanın ve sesin sentetik olduğunu açıkça belirtin.
On dakikalık bir video kaç ses dosyası alır?
Videonun uzunluğuna değil, modelinizin karakter tavanına bağlı. 5.000 karakterlik tavanla on dakikalık bir metin birkaç dosya olur ve kesimleri cümle sınırlarına koymanız gerekir. 40.000 karakterlik tavanla aynı metin tek dosyadır, ama o modelde Farsça yok; bu dersin konusu tam da bu çelişki.