tag SesToMetin
Bu sayfada SesToMetin etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Fonem (İng. phoneme), bir dilde anlam ayırt etme işlevi gören en küçük soyut ses birimidir. 'Bal' ve 'kal' sözcüklerini birbirinden ayıran /b/ ve /k/ birer fonemdir: bu seslerden birinin değişmesi doğrudan anlam değişikliği yaratır. Fonem soyut bir kavramdır; fiziksel olarak üretilen somut sesler ise **allofon** adını alır. Türkçedeki /l/ fonemi 'lale' sözcüğünde ön damakta, 'al' sözcüğünde arka damakta üretilir, ancak bu fark anlam ayırt etmediği için ikisi de aynı fonemin allofonu sayılır. Bir dilin fonem envanteri, o dildeki tüm anlam ayırt edici seslerin kümesidir. Türkçede bu küme yaklaşık 29 fonemden oluşur (8 ünlü + 21 ünsüz); İngilizcede aksana göre ~44, Hawaii dilinde 13, Güney Afrika'daki !Xũ dilinde ise 141 fonem vardır. Fonemleri evrensel biçimde yazıya dökmek için 1888'den beri kullanılan Uluslararası Fonetik Alfabe (IPA) standarttır: Türkçe 'şeker' sözcüğü IPA ile /ˈʃe.ceɾ/ olarak gösterilir. Yapay zeka açısından fonem, konuşma teknolojilerinin ortak paydasıdır. Otomatik konuşma tanıma (ASR) sistemleri ham ses dalgasını önce mel spektrogram gibi akustik özelliklere, ardından fonem dizilerine, son adımda sözcüklere dönüştürür. Metin-ses (TTS) sistemleri ters yönde çalışır: metin, grafem-fonem (G2P) dönüşümüyle fonem dizisine, oradan akustik özelliklere ve ses dalgasına çevrilir. VITS, FastSpeech 2 ve StyleTTS 2 gibi modern sinirsel TTS modelleri girdilerini fonem dizisi olarak alır; bu yaklaşım homograf belirsizliklerini büyük ölçüde ortadan kaldırır. Whisper large-v3 veya Seamless gibi uçtan uca modeller açık bir fonem katmanı üretmese de, fonemik ayrımları gizli temsillerinde örtük olarak öğrendikleri sonda (probing) çalışmalarıyla gösterilmiştir. Türkçe gibi eklemeli dillerde tek bir kök yüzlerce farklı kelime formu üretebildiğinden, sözcük tabanlı modeller sözlük patlaması yaşar. Sabit ve küçük bir küme olan fonemler (~29 birim) üzerinden modelleme, Türkçe ASR ve TTS sistemlerinde bu yüzden özellikle verimlidir. Mozilla Common Voice'un Türkçe alt kümesi ve OpenSLR veri setleri, fonemik hizalamadan geçirilerek akustik model eğitiminde kullanılır.
Fonem (Phoneme)
Fonem (İng. phoneme), bir dilde anlam ayırt etme işlevi gören en küçük soyut ses birimidir. 'Bal' ve 'kal' sözcüklerini birbirinden ayıran /b/ ve /k/ birer fonemdir: bu seslerden birinin değişmesi doğrudan anlam değişikliği yaratır. Fonem soyut bir kavramdır; fiziksel olarak üretilen somut sesler ise **allofon** adını alır. Türkçedeki /l/ fonemi 'lale' sözcüğünde ön damakta, 'al' sözcüğünde arka damakta üretilir, ancak bu fark anlam ayırt etmediği için ikisi de aynı fonemin allofonu sayılır. Bir dilin fonem envanteri, o dildeki tüm anlam ayırt edici seslerin kümesidir. Türkçede bu küme yaklaşık 29 fonemden oluşur (8 ünlü + 21 ünsüz); İngilizcede aksana göre ~44, Hawaii dilinde 13, Güney Afrika'daki !Xũ dilinde ise 141 fonem vardır. Fonemleri evrensel biçimde yazıya dökmek için 1888'den beri kullanılan Uluslararası Fonetik Alfabe (IPA) standarttır: Türkçe 'şeker' sözcüğü IPA ile /ˈʃe.ceɾ/ olarak gösterilir. Yapay zeka açısından fonem, konuşma teknolojilerinin ortak paydasıdır. Otomatik konuşma tanıma (ASR) sistemleri ham ses dalgasını önce mel spektrogram gibi akustik özelliklere, ardından fonem dizilerine, son adımda sözcüklere dönüştürür. Metin-ses (TTS) sistemleri ters yönde çalışır: metin, grafem-fonem (G2P) dönüşümüyle fonem dizisine, oradan akustik özelliklere ve ses dalgasına çevrilir. VITS, FastSpeech 2 ve StyleTTS 2 gibi modern sinirsel TTS modelleri girdilerini fonem dizisi olarak alır; bu yaklaşım homograf belirsizliklerini büyük ölçüde ortadan kaldırır. Whisper large-v3 veya Seamless gibi uçtan uca modeller açık bir fonem katmanı üretmese de, fonemik ayrımları gizli temsillerinde örtük olarak öğrendikleri sonda (probing) çalışmalarıyla gösterilmiştir. Türkçe gibi eklemeli dillerde tek bir kök yüzlerce farklı kelime formu üretebildiğinden, sözcük tabanlı modeller sözlük patlaması yaşar. Sabit ve küçük bir küme olan fonemler (~29 birim) üzerinden modelleme, Türkçe ASR ve TTS sistemlerinde bu yüzden özellikle verimlidir. Mozilla Common Voice'un Türkçe alt kümesi ve OpenSLR veri setleri, fonemik hizalamadan geçirilerek akustik model eğitiminde kullanılır.
Keyword Spotting (Anahtar Kelime Algılama)
Keyword Spotting (Anahtar Kelime Algılama), sürekli dinleme yapan bir ses tanıma alt dalı olup belirli bir tetikleyici kelime ya da ifadeyi gerçek zamanlı olarak tespit etmek amacıyla kullanılır. "Hey Siri", "OK Google" ve "Alexa" gibi uyandırma sözcükleri (wake word) en bilinen örnekleridir; ancak uygulama alanı bunların çok ötesine geçer. Keyword Spotting sistemleri, her zaman açık (always-on) bir dinleme döngüsünde son derece düşük güç tüketerek çalışır. Bu özellik, akıllı hoparlörler, giyilebilir cihazlar, akıllı telefonlar ve mikrodenetleyiciler gibi kaynak kısıtlı platformlarda kullanılmasını mümkün kılar. Sistem, belirli bir kelime ya da ifade tespit edildiğinde büyük bir konuşma tanıma motorunu ya da başka bir süreci tetikler. Teknik açıdan bakıldığında, modern Keyword Spotting modelleri Evrişimli Sinir Ağı (CNN), Yinelemeli Sinir Ağı (RNN) veya hafif Transformer tabanlı mimariler kullanır. DS-CNN (Depthwise Separable CNN) ve TC-ResNet gibi modeller, yüksek doğruluk oranlarını küçük bellek ayak izleriyle birleştirir; bu modeller genellikle 50KB ile 1MB arasında yer kaplar. Bu sayede pil ömrü kritik olan giyilebilir cihazlarda bile sürekli çalışabilirler. Gizlilik açısından değerlendirildiğinde, cihaz üzerinde (on-device) çalışan Keyword Spotting, ses verisinin buluta gönderilmesini gerektirmediğinden kullanıcı mahremiyetini korur. Yalnızca tetikleyici kelime tanındığında daha kapsamlı bir işlem süreci başlatılabilir. Bu tasarım hem gecikmeyi minimize eder hem de bant genişliği tüketimini azaltır. Google Speech Commands, Mozilla Common Voice ve LibriSpeech gibi açık kaynak veri setleri bu alanda araştırma ve geliştirmeye büyük katkı sağlamıştır. Eğitim aşamasında Yanlış Kabul Oranı (False Accept Rate — FAR) ve Yanlış Red Oranı (False Reject Rate — FRR) arasındaki denge, sistemin kullanılabilirliği açısından kritik bir performans ölçütü olarak öne çıkar.