tag konuşma sentezi
Bu sayfada konuşma sentezi etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Prosodi (İngilizce: prosody), konuşmadaki ton yüksekliği (pitch/F0), fonem süresi, ses enerjisi, vurgu ve duraklamalar gibi dil-üstü (suprasegmental) özelliklerin bütünüdür. Fonemler "ne söylendiğini" taşırken prosodi "nasıl söylendiğini" taşır: aynı cümle, pitch konturu değiştirildiğinde soru, ironi veya öfke anlamı kazanabilir. Yapay zeka tabanlı konuşma sentezinde (TTS) prosodi modellemesi, üretilen sesin insan konuşmasına yakınlığını belirleyen en kritik bileşendir; prosodi zayıfsa ses tek düze ve robotik duyulur. Teknik olarak prosodi dört ölçülebilir akustik parametreye dayanır: temel frekans (F0) konturu, fonem/hece süreleri, enerji (loudness) dağılımı ve sessizlik yerleşimi. Erken dönem birleştirmeli (concatenative) TTS sistemleri bu parametreleri elle yazılmış kurallarla üretirken, Tacotron 2 (2017) ve FastSpeech 2 (2020) gibi nöral modeller pitch, süre ve enerjiyi doğrudan veriden öğrenen açık öngörücüler (variance adaptors) kullandı. VITS ve StyleTTS 2 uçtan uca olasılıksal modellemeyle bu çizgiyi ileri taşıdı. 2024-2026 dalgasında ise ağırlık büyük dil modeli tabanlı ses üretimine kaydı: OpenAI'nin gpt-4o tabanlı Realtime sesi, ElevenLabs v3, Google'ın Gemini 2.5 native-audio çıkışı ve açık kaynak tarafında CosyVoice 2, F5-TTS ve Kokoro gibi modeller, metnin anlamsal ve duygusal bağlamından prosodi kararlarını örtük biçimde üretir; kullanıcı "fısıldayarak söyle" veya "[excited]" gibi doğal dil ve etiket yönergeleriyle tonlamayı yönlendirebilir. Prosodi yalnızca sentezin değil, konuşma tanımanın (ASR) ve konuşma-LLM etkileşiminin de konusudur: Whisper gibi modeller noktalama ve cümle sınırı kararlarında prosodik ipuçlarından örtük olarak yararlanır; sesli asistanlarda konuşma sırası (turn-taking) tespiti büyük ölçüde prosodiye dayanır. Türkçe gibi sondan eklemeli ve soru ekiyle (-mı/-mi) çalışan dillerde, dile özgü vurgu ve tonlama örüntülerinin modellenmesi sentez doğallığını belirgin biçimde artırır; akademik çalışmalar dile özgü prosodi kurallarının algılanan doğallıkta ölçülebilir iyileşme getirdiğini gösterir.
Prosodi (Prosodi)
Prosodi (İngilizce: prosody), konuşmadaki ton yüksekliği (pitch/F0), fonem süresi, ses enerjisi, vurgu ve duraklamalar gibi dil-üstü (suprasegmental) özelliklerin bütünüdür. Fonemler "ne söylendiğini" taşırken prosodi "nasıl söylendiğini" taşır: aynı cümle, pitch konturu değiştirildiğinde soru, ironi veya öfke anlamı kazanabilir. Yapay zeka tabanlı konuşma sentezinde (TTS) prosodi modellemesi, üretilen sesin insan konuşmasına yakınlığını belirleyen en kritik bileşendir; prosodi zayıfsa ses tek düze ve robotik duyulur. Teknik olarak prosodi dört ölçülebilir akustik parametreye dayanır: temel frekans (F0) konturu, fonem/hece süreleri, enerji (loudness) dağılımı ve sessizlik yerleşimi. Erken dönem birleştirmeli (concatenative) TTS sistemleri bu parametreleri elle yazılmış kurallarla üretirken, Tacotron 2 (2017) ve FastSpeech 2 (2020) gibi nöral modeller pitch, süre ve enerjiyi doğrudan veriden öğrenen açık öngörücüler (variance adaptors) kullandı. VITS ve StyleTTS 2 uçtan uca olasılıksal modellemeyle bu çizgiyi ileri taşıdı. 2024-2026 dalgasında ise ağırlık büyük dil modeli tabanlı ses üretimine kaydı: OpenAI'nin gpt-4o tabanlı Realtime sesi, ElevenLabs v3, Google'ın Gemini 2.5 native-audio çıkışı ve açık kaynak tarafında CosyVoice 2, F5-TTS ve Kokoro gibi modeller, metnin anlamsal ve duygusal bağlamından prosodi kararlarını örtük biçimde üretir; kullanıcı "fısıldayarak söyle" veya "[excited]" gibi doğal dil ve etiket yönergeleriyle tonlamayı yönlendirebilir. Prosodi yalnızca sentezin değil, konuşma tanımanın (ASR) ve konuşma-LLM etkileşiminin de konusudur: Whisper gibi modeller noktalama ve cümle sınırı kararlarında prosodik ipuçlarından örtük olarak yararlanır; sesli asistanlarda konuşma sırası (turn-taking) tespiti büyük ölçüde prosodiye dayanır. Türkçe gibi sondan eklemeli ve soru ekiyle (-mı/-mi) çalışan dillerde, dile özgü vurgu ve tonlama örüntülerinin modellenmesi sentez doğallığını belirgin biçimde artırır; akademik çalışmalar dile özgü prosodi kurallarının algılanan doğallıkta ölçülebilir iyileşme getirdiğini gösterir.
Vocoder (Vocodör)
Vocoder (Voice Coder — ses kodlayıcı), insan sesini analiz ederek parametrik bir temsile dönüştüren ve bu parametrelerden sesi yeniden sentezleyen sinyal işleme sistemidir. Bell Laboratuvarları'nda mühendis Homer Dudley tarafından 1939 yılında patent alınan kanal vokoderi, sesi birden fazla frekans bandına böler; her bant için enerji düzeyini kodlayarak dar bant iletişim kanallarında veri miktarını azaltır. 1943'te ABD ve İngiltere arasındaki en üst düzey şifreli ses iletişiminde kullanılan SIGSALY sistemi, vocoder teknolojisinin ilk operasyonel büyük ölçekli uygulamasıdır. Teorik temel olan kaynak-filtre modeli, konuşma üretimini iki bileşene ayırır: ses tellerinin belirli bir frekansta titreşimiyle oluşan glottal nabız (kaynak) ve vokal traktının bu kaynağı rezonanslarıyla biçimlendirdiği spektral zarf (filtre). Doğrusal Öngörücü Kodlama (LPC), bu ayrışımı matematiksel olarak gerçekleştirir; analiz aşamasında konuşma sinyalinden temel frekans ve spektral zarf parametreleri çıkarılır, sentez aşamasında bu parametrelerden ses yeniden oluşturulur. LPC tabanlı vocoderlar 1980-90'larda GSM gibi mobil ses sıkıştırma standartlarında yaygın biçimde kullanılmıştır. 1960-70'lerde Moog sentezleyicilerinin yaygınlaşmasıyla vocoder müzik endüstrisinde bir efekt aracına dönüşmüş; Kraftwerk ve Daft Punk gibi gruplar vocoderi ikonik bir ses rengi olarak kullanmıştır. 2016'da DeepMind'ın WaveNet modelini yayımlamasıyla nöral vocoderlar dönemi başlamıştır. WaveNet, dilated causal convolution mimarisiyle her ses örneğini önceki tüm örneklere bakarak üretir; bu otoregresif yapı yüksek doğallık sunarken gerçek zamanlı kullanımı güçleştirir. WaveGlow normalizing flow yöntemlerini kullanarak paralel örnekleme yapar ve gerçek zamanlı çıkarımı mümkün kılar. HiFi-GAN ise çoklu-periyot ayrıştırıcı ve çoklu-ölçek ayrıştırıcı mimarisiyle ses kalitesi ile hızı dengeleyen GAN tabanlı vocoder olarak üretim sistemlerinde standart haline gelmiştir. Modern metin-konuşma (TTS) sistemlerinde vocoder, akustik modelin (Tacotron 2, FastSpeech 2) ürettiği mel-spektrogramı gerçek ses dalga formuna çeviren kritik bileşendir. Ses klonlama, ses dönüştürme ve konuşma geliştirme gibi alanlarda da nöral vocoder mimarileri belirleyici rol üstlenmektedir.