Speech Recognition (Konuşma Tanıma (ASR))

#KonuşmaTanıma #ASR #SesDerin #Whisper

Ses dalgalarını metne dönüştüren otomatik konuşma tanıma teknolojisi; sesli asistanlar, transkripsiyon yazılımları ve erişilebilirlik araçlarının temel bileşeni.

Konuşma tanıma (Automatic Speech Recognition — ASR), insan sesini işleyerek metne dönüştüren yapay zeka teknolojisidir. Ses dalgaları dijital sinyale çevrilir, akustik özellikler (MFCCs — Mel Frekans Kepstrum Katsayıları gibi) çıkarılır ve derin öğrenme modelleri bu özellikleri fonem, kelime ve cümle dizilerine eşler. Tarihsel gelişim açısından ilk ASR sistemleri 1950'lerde Bell Labs'ta gizli Markov modelleri (HMM) ve n-gram dil modelleriyle kuruldu. 2012 sonrasında derin sinir ağları (özellikle LSTM ve CTC — Connectionist Temporal Classification kaybı) bu modellerin yerini aldı. 2023'te OpenAI'nin Whisper modeli ile transformer tabanlı uçtan uca ASR ana akıma girdi; Whisper large-v3 100'den fazla dilde yüksek doğruluk sunmaktadır. Modern ASR mimarileri iki yaklaşıma ayrılmaktadır: Hibrit HMM-DNN sistemleri (Kaldi, ESPnet gibi frameworkler) ve uçtan uca transformer modelleri (Whisper, Wav2Vec 2.0, Conformer). Uçtan uca modeller dil modelini ayrı tutma zorunluluğunu ortadan kaldırarak daha basit sistem mimarisine olanak tanır. Conformer mimarisi, ses için özelleştirilmiş conv katmanlarını transformer ile birleştirerek akustik özelliklerin yerel ve küresel bağlamını birlikte yakalamaktadır. Türkçe konuşma tanıma alanında Whisper large-v3, standart konuşma koşullarında çok yüksek doğruluk sunan erişilebilir en iyi modeldir. Google Cloud Speech-to-Text ve AWS Transcribe kurumsal düzeyde Türkçe desteği sağlar. Gerçek zamanlı uygulamalarda faster-whisper kütüphanesi CPU ve GPU üzerinde optimize edilmiş çıkarım sunarak gecikmeyi minimize eder. ASR'nin zorlu senaryoları arasında arka plan gürültüsü, çakışan konuşmacılar, teknik jargon ve aksan çeşitliliği sayılabilir. Bu sorunlar için gürültü giderme (noise suppression), hoparlör ayrıştırma (speaker diarization) ve alan bazlı ince ayar (domain-specific fine-tuning) teknikleri kullanılır. Erişilebilirlik, gerçek zamanlı altyazı, çağrı merkezi analizi ve tıbbi transkripsiyon başlıca uygulama alanlarıdır.

ASR Nasıl Çalışır? Ses'ten Metne Zinciri

Konuşma tanıma üç temel aşamada çalışır. Ses işleme aşamasında ham dalga formu dijitalleştirilir ve MFCCs (Mel Frekans Kepstrum Katsayıları) veya log-mel spektrogramı gibi akustik özellikler çıkarılır. Akustik model aşamasında bu özellikler fonem veya alt-kelime birimlerine eşlenir; modern sistemler bu iş için transformer veya conformer mimarisi kullanır. Dil modeli aşamasında fonem dizileri olası kelime ve cümlelere dönüştürülür; bu aşama hibrit sistemlerde ayrı bir bileşen, uçtan uca modellerde ise modelin içinde gömülüdür. Whisper gibi uçtan uca modeller bu üç aşamayı tek transformerda birleştirerek sistem karmaşıklığını azaltır.

Tarihsel Gelişim: HMM'den Transformer'a

ASR'nin tarihi 1950'lerde Bell Labs'ın yalnızca rakam tanıyabilen basit sistemleriyle başlar. 1980-2000'lerde gizli Markov modelleri (HMM) ve n-gram dil modelleri hâkim paradigmaydı; Kaldi bu dönemin en etkili çerçevesidir. 2012'de derin öğrenmenin yükselişiyle LSTM ve CTC kaybı ASR doğruluğunu büyük ölçüde artırdı. 2019'da Wav2Vec ve ardından Wav2Vec 2.0 (Meta) öz-denetimli öğrenmeyi ön plana çıkardı. 2022'de OpenAI'nin Whisper modeli weakly-supervised yaklaşımıyla 680.000 saat çoklu dilli ses verisiyle eğitildi ve 100'den fazla dilde sınıf atladı.

Whisper ve Modern Modeller

OpenAI Whisper, çok dilli ses verisiyle eğitilmiş transformer tabanlı bir ASR modelidir. large-v3 modeli Türkçe dahil 100'den fazla dilde güçlü doğruluk sunar. faster-whisper kütüphanesi, CTranslate2 motor üzerinde optimize ederek aynı modeli çok daha hızlı çalıştırır — CPU'da bile gerçek zamanlı transkripsiyon mümkündür. Meta'nın Wav2Vec 2.0'ı öz-denetimli ön eğitimle az etiketli veriden yüksek doğruluk sağlar; düşük kaynaklı diller için avantajlıdır. Google'ın Conformer mimarisi yerel ve küresel akustik bağlamı birleştirerek gürültülü ortamlarda öne çıkar.

Zorluklar ve Çözüm Yöntemleri

ASR sistemleri birkaç kritik zorluğu göğüslemek durumundadır. Arka plan gürültüsü, özellikle düşük sinyal/gürültü oranında hata oranını artırır; RNNoise veya WebRTC VAD gibi gürültü engelleme ön işleme adımları yardımcı olur. Çakışan konuşmacı problemi için hoparlör ayrıştırma (speaker diarization) uygulanır: PyAnnote.audio bu iş için popüler açık kaynak çerçevesidir. Aksan ve lehçe çeşitliliği, hedef domaine özel ince ayar (fine-tuning) gerektir. Teknik jargon içeren alanlarda (tıp, hukuk) alan bazlı dil modeli adaptasyonu doğruluğu belirgin biçimde artırır.

Sık Sorulan Sorular

  • check_circle Türkçe için en iyi ASR modeli hangisi?: Whisper large-v3, Türkçe konuşma tanımada en erişilebilir yüksek doğruluklu seçenektir. Gerçek zamanlı uygulamalar için faster-whisper veya whisper.cpp CPU'da bile tatmin edici hız sunar. Kurumsal düzeyde Google Cloud Speech-to-Text ve AWS Transcribe Türkçe desteğiyle üretim ortamına hazır SLA garantisi verir. Düşük kaynaklı Türkçe lehçeleri için Wav2Vec 2.0 az veriyle ince ayara uygundur.
  • check_circle ASR ile TTS arasındaki fark nedir?: ASR (Automatic Speech Recognition) ses sinyalini metne dönüştürür — giriş ses, çıkış metin. TTS (Text-to-Speech) ise metni sese dönüştürür — giriş metin, çıkış ses. Sesli asistan sistemleri her ikisini de kullanır: kullanıcı girişi ASR ile metne çevrilir, sistem yanıtı TTS ile sese çevrilir.
  • check_circle Gerçek zamanlı ASR için hangi araçlar kullanılır?: faster-whisper kütüphanesi CTranslate2 optimizasyonuyla düşük gecikme sunar. Whisper.cpp C++ implementasyonu Apple Silicon ve CPU'da hızlı çalışır. WebSocket tabanlı akış için AssemblyAI veya Deepgram API'si değerlendirilebilir. Uygulamada ASR→LLM→TTS zincirinde toplam gecikmeyi 500ms altında tutmak temel mühendislik hedefidir.
  • check_circle Gürültülü ortamda ASR doğruluğu nasıl artırılır?: Ön işleme olarak RNNoise veya WebRTC VAD ile gürültü giderme uygulanır. Model seçiminde gürültüye dayanıklı eğitimle hazırlanmış modeller tercih edilir; Whisper bu açıdan oldukça sağlamdır. Mikrofon kalitesi de kritiktir: directional (yönlü) mikrofon arka plan sesini filtreler. Son olarak hedef ortamda toplanan verilerle fine-tuning doğruluğu önemli ölçüde artırabilir.
  • check_circle ASR neden bazen yanlış anlıyor?: Kelime hata oranı (WER — Word Error Rate) birkaç faktöre bağlıdır: akustik koşullar (gürültü, mikrofon kalitesi), konuşmacının aksanı veya lehçesi, teknik jargon (özel isimler, kısaltmalar) ve konuşma hızı. Modern transformer modeller genel dil için WER'i dramatik biçimde düşürdü ancak alan bazlı kelimeler, code-switching (dil geçişi) ve çok konuşmacılı ortamlar hâlâ zorlayıcı senaryolardır.