tag erişilebilirlik
Text-to-Speech (TTS) (Metinden Sese)
Bu sayfada erişilebilirlik (Text-to-Speech (TTS) (Metinden Sese)) etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Metinden konuşmaya dönüştürme (text-to-speech, TTS), yazılı metni doğal duyulan insan sesi kalitesinde ses sinyaline dönüştüren yapay zeka teknolojisidir. Ekran okuyucudan sesli kitap üretimine, dijital asistandan multimedya içerik üretimine, eğitim platformlarından oyun sesli anlatımına ve çağrı merkezi otomasyonuna kadar geniş bir uygulama yelpazesine hitap eder. Modern TTS sistemleri iki ana paradigmaya dayanır. Boru hattı tabanlı yaklaşımda akustik model metni fonetik temsillerden mel-spektrogram gibi ara ses gösterimlerine dönüştürür; vocoder bu gösterimi ham ses dalgasına çevirir. Tacotron 2 ve FastSpeech 2 akustik model alanında; WaveNet, HiFi-GAN ve BigVGAN vocoder alanında öncü çalışmalardır. Uçtan uca modeller (VITS, YourTTS, Voicebox) ise bu iki adımı tek bir nöronal yapıda birleştirir ve üretim gecikmesini belirgin biçimde düşürür. TTS sistemlerinin kalitesi genellikle insanların 1-5 skalasında değerlendirdiği MOS (Mean Opinion Score) ölçütüyle ölçülür. Güçlü TTS sistemlerini diğerlerinden ayıran unsurlar prozodi (vurgu, ton, ritim), duygusal ifade ve zero-shot ses klonlamadır. ElevenLabs ve OpenAI TTS, yalnızca birkaç saniyelik kayıt örneğiyle hedef konuşmacının sesini taklit edebilmektedir; bu özellik hem yaratıcı medyada hem de derin sahte (deepfake) ses risklerinde yankısını bulmaktadır. SSML (Speech Synthesis Markup Language), TTS çıktısının vurgu, hız, ses yüksekliği ve duraklama gibi özelliklerini programatik olarak kontrol etmek için kullanılan XML tabanlı standarttır. <break time="500ms"/>, <prosody rate="slow"> ve <say-as interpret-as="date"> gibi etiketler geliştiricilere ince kontrol imkânı sunar. Google Cloud, Amazon Polly ve Microsoft Azure gibi bulut TTS servisleri SSML desteğiyle birlikte gelir. Erişilebilirlik açısından TTS, görme ve okuma güçlüğü yaşayan bireyler için dijital içeriğe erişimin kilit teknolojisidir. Konuşma verisi kıt diller için de TTS, ses kazandırmanın pratik yolunu sunar. Türkçe TTS kalitesi Coqui XTTS v2 ve Microsoft Azure Neural Voices ile son yıllarda ciddi bir sıçrama yaşamıştır. 2025-2026 döneminde gerçek zamanlı (streaming) TTS, sesli asistanlar ve canlı çeviri sistemleri için kritik bir bileşen haline gelmiştir. İlk token üretilir üretilmez ses akıtmaya başlayan bu modeller, algılanan gecikmeyi 300 ms'nin altına indirebilir. TTS teknolojisi düzenleyici ve etik boyutlarıyla da giderek daha fazla incelenmektedir. Ses sahteciliği (voice spoofing) ve izinsiz ses klonlamasına karşı deepfake ses tespiti araştırmaları yoğunlaşmaktadır. Ses filigranı (audio watermarking) ve konuşmacı onayı gerektiren lisanslama modelleri, sorumlu TTS kullanımını yaygınlaştırmaya yönelik endüstri girişimleridir.
Text-to-Speech (TTS) (Metinden Sese)
Metinden konuşmaya dönüştürme (text-to-speech, TTS), yazılı metni doğal duyulan insan sesi kalitesinde ses sinyaline dönüştüren yapay zeka teknolojisidir. Ekran okuyucudan sesli kitap üretimine, dijital asistandan multimedya içerik üretimine, eğitim platformlarından oyun sesli anlatımına ve çağrı merkezi otomasyonuna kadar geniş bir uygulama yelpazesine hitap eder. Modern TTS sistemleri iki ana paradigmaya dayanır. Boru hattı tabanlı yaklaşımda akustik model metni fonetik temsillerden mel-spektrogram gibi ara ses gösterimlerine dönüştürür; vocoder bu gösterimi ham ses dalgasına çevirir. Tacotron 2 ve FastSpeech 2 akustik model alanında; WaveNet, HiFi-GAN ve BigVGAN vocoder alanında öncü çalışmalardır. Uçtan uca modeller (VITS, YourTTS, Voicebox) ise bu iki adımı tek bir nöronal yapıda birleştirir ve üretim gecikmesini belirgin biçimde düşürür. TTS sistemlerinin kalitesi genellikle insanların 1-5 skalasında değerlendirdiği MOS (Mean Opinion Score) ölçütüyle ölçülür. Güçlü TTS sistemlerini diğerlerinden ayıran unsurlar prozodi (vurgu, ton, ritim), duygusal ifade ve zero-shot ses klonlamadır. ElevenLabs ve OpenAI TTS, yalnızca birkaç saniyelik kayıt örneğiyle hedef konuşmacının sesini taklit edebilmektedir; bu özellik hem yaratıcı medyada hem de derin sahte (deepfake) ses risklerinde yankısını bulmaktadır. SSML (Speech Synthesis Markup Language), TTS çıktısının vurgu, hız, ses yüksekliği ve duraklama gibi özelliklerini programatik olarak kontrol etmek için kullanılan XML tabanlı standarttır. <break time="500ms"/>, <prosody rate="slow"> ve <say-as interpret-as="date"> gibi etiketler geliştiricilere ince kontrol imkânı sunar. Google Cloud, Amazon Polly ve Microsoft Azure gibi bulut TTS servisleri SSML desteğiyle birlikte gelir. Erişilebilirlik açısından TTS, görme ve okuma güçlüğü yaşayan bireyler için dijital içeriğe erişimin kilit teknolojisidir. Konuşma verisi kıt diller için de TTS, ses kazandırmanın pratik yolunu sunar. Türkçe TTS kalitesi Coqui XTTS v2 ve Microsoft Azure Neural Voices ile son yıllarda ciddi bir sıçrama yaşamıştır. 2025-2026 döneminde gerçek zamanlı (streaming) TTS, sesli asistanlar ve canlı çeviri sistemleri için kritik bir bileşen haline gelmiştir. İlk token üretilir üretilmez ses akıtmaya başlayan bu modeller, algılanan gecikmeyi 300 ms'nin altına indirebilir. TTS teknolojisi düzenleyici ve etik boyutlarıyla da giderek daha fazla incelenmektedir. Ses sahteciliği (voice spoofing) ve izinsiz ses klonlamasına karşı deepfake ses tespiti araştırmaları yoğunlaşmaktadır. Ses filigranı (audio watermarking) ve konuşmacı onayı gerektiren lisanslama modelleri, sorumlu TTS kullanımını yaygınlaştırmaya yönelik endüstri girişimleridir.
Image Captioning (Görüntü Altyazılama)
Image Captioning (Görüntü Altyazılama), bir görüntünün içeriğini otomatik olarak doğal dilde açıklayan çok modlu (multimodal) yapay zeka tekniğidir. Erişilebilirlik alt metni üretmekten e-ticaret ürün açıklamasına, güvenlik kamerası analizinden tıbbi görüntü raporlamasına uzanan geniş bir kullanım yelpazesine sahiptir. Teknik açıdan modern sistemler encoder-decoder çerçevesine dayanır. Görüntü encoder'ı (ViT, CNN veya bunların birleşimi), piksel matrisini yoğun bir özellik vektörüne sıkıştırır. Metin decoder'ı (genellikle transformer tabanlı bir dil modeli), bu vektörü koşul olarak alarak sözcük sözcük açıklamayı üretir. Eğitim için görüntü-metin çifti veri setleri kullanılır: MS-COCO (her görüntü için 5 farklı insan referansı), Flickr30K ve Conceptual Captions başlıca kaynaklardır. 2022'de Salesforce'un yayımladığı BLIP (Bootstrapping Language-Image Pre-Training), web'den derlenen gürültülü görüntü-altyazı çiftlerini kendi kendine filtreleyerek eğitim kalitesini artırdı. Microsoft'un GIT (Generative Image-to-Text) modeli, her decoder katmanına görsel özellik enjekte ederek metinsel bağlamı korur. Google DeepMind'ın Flamingo modeli büyük dil modelini görsel girdi ile koşullandırarak few-shot image captioning'de yeni referanslar belirledi. BLIP-2, LLaVA ve Qwen-VL gibi daha yeni sistemler ise görüntü altyazılamanın ötesine geçerek görsel soru yanıtlama (VQA) ve yönerge takibini tek mimaride birleştirmektedir. Değerlendirmede BLEU, METEOR ve ROUGE gibi metin benzerliği metrikleri yanı sıra, image captioning'e özgü CIDEr (Consensus-based Image Description Evaluation) ve SPICE metrikleri kullanılır. CIDEr, insan referans açıklamalarıyla konsensüse dayalı n-gram benzerliğini ölçer; SPICE ise sahne grafiği (scene graph) ayrıştırması yaparak anlamsal doğruluğu değerlendirir. Türkiye'de erişilebilirlik mevzuatı (Ekim 2023'ten itibaren kamu web sitelerinde WCAG 2.1 AA zorunluluğu) görüntü altyazılama teknolojisine kurumsal talebi artırmaktadır. E-ticaret platformları görsel ürün kataloğunu metin olarak indeksleyerek arama motorlarında görünürlük elde etmekte; medya ve yayın arşivleri tarihî fotoğrafları otomatik etiketlemek için bu teknikten yararlanmaktadır.