Yapay Zeka ile Kendi Sesinden Kitap Okutma ve Şarkı Söyletme

Yapay zeka ve derin öğrenme teknolojilerindeki gelişmeler, ses sentezleme (Speech Synthesis) ve ses dönüştürme (Voice Conversion) alanlarında geleneksel stüdyo prodüksiyonu standartlarını kökten değiştirmiştir. Geçmiş yıllarda bir insanın ses karakteristiğini dijital ortama aktarabilmek için profesyonel kayıt ortamlarında saatler süren ses verisi toplanması ve günlerce süren sunucu tabanlı model eğitimleri gerekmekteydi. Günümüzde ise RVC (Retrieval-based Voice Conversion) mimarisi sayesinde, yalnızca 1-2 dakikalık temiz bir ses kaydı üzerinden konuşmacının temel frekans aralığı, rezonans boşlukları ve fonetik telaffuz yapısı yüksek doğrulukla modellenebilmektedir.

Bu teknolojik altyapı, içerik üreticileri ve araştırmacılar için iki temel alanda devrim niteliğinde kolaylık sağlamaktadır: Birincisi, yazılı eserlerin (romanlar, akademik makaleler, ders notları) kullanıcının kendi ses tonuyla ya da profesyonel seslendirme modelleriyle zahmetsizce sesli kitaba dönüştürülmesi; ikincisi ise müzik prodüksiyonlarında enstrümantal altyapı üzerine yeni ses modellerinin giydirilerek şarkı söyletilmesidir. Kullanıcı dostu Applio arayüzü, komut satırı ve karmaşık Python kütüphaneleriyle uğraşma gerekliliğini ortadan kaldırarak bu ileri düzey makine öğrenimi sürecini masaüstü kullanıcıları için erişilebilir kılmaktadır.

Yapay Zeka ile Kitap Okutmanın Çalışma Prensibi

Kullanıcıların bu teknolojide en sık karşılaştığı kafa karışıklığı, yüzlerce sayfalık bir kitabı seslendirmek için mikrofon başında saatlerce kayıt alınması gerektiği yanılgısıdır. Süreç bu şekilde işlemez. Sistemin işleyiş mekanizması şu aşamalardan oluşur:

1. Akustik Karakter Analizi: Kullanıcı mikrofon veya telefon aracılığıyla yalnızca 60 saniyelik doğal bir konuşma kaydı alır. Sistem, bu kısa kayıttan kişinin ses frekansını, perde genişliğini ve tını özelliklerini çıkartarak bir .pth model dosyasına dönüştürür.
2. Metnin Fonetik Olarak Sentezlenmesi: Okutulmak istenen kitap bölümü veya metin arayüze aktarılır. Sistemin arkasındaki dahili Türkçe nöral motor (Edge-TTS), metni dil bilgisi kurallarına, noktalama duraklamalarına ve hece vurgularına uygun biçimde kusursuz bir diksiyonla seslendirir.
3. Ses Katmanının Aktarılması (Voice Conversion): Nöral motorun ürettiği bu pürüzsüz diksiyon kaydı, birinci aşamada analiz edilen kullanıcının akustik modeliyle eşleştirilir. Robotik tını tamamen silinir ve geriye kullanıcının kendi ses tonuyla akıcı bir biçimde okunan profesyonel bir sesli kitap dosyası kalır.

RVC ve Applio Temel Teknik Özellikleri

• Kapsamlı metin ve kitap dosyalarını doğal Türkçe diksiyonla seslendiren entegre TTS modülü
• Kısa ses kayıtlarından yüksek çözünürlüklü akustik model (.pth ve .index) üretebilme
• Hazır eğitilmiş küresel ses modellerini tek tıklamayla sisteme dahil edebilme
• Şarkı dosyalarındaki vokal ve enstrüman ayrımını koruyarak yeni vokal sentezleme
• Cinsiyetler arası ton farklarını dengeleyen hassas perde (Pitch Shift) kontrol mekanizması
• Nvidia CUDA çekirdekleri ve AMD DirectML desteği ile yerel donanımda yüksek işlem hızı

1. Applio Yazılımının Kurulumu

Sistemi bilgisayarınızda yerel ve sınırsız olarak çalıştırabilmek için geliştirilmiş en stabil arayüz Applio'dur:

• Yazılımın açık kaynak dağıtımını edinmek için Applio Resmi GitHub Sürüm Sayfası bağlantısını ziyaret edin.
• İlgili sayfadaki en güncel sürümün Windows için derlenmiş zip arşivini bilgisayarınıza indirin.
• Arşiv içeriğini yerel bir klasöre çıkartın ve ana dizinde bulunan run-applio.bat dosyasını çalıştırın.
• Sistem gerekli yerel bağımlılıkları başlattıktan sonra varsayılan web tarayıcınızda kontrol arayüzü görüntülenecektir.

2. Model Edinimi ve Sesinizi Sisteme Tanıtma

İşleme başlamadan önce kullanmak istediğiniz ses modelini sisteme tanımlamanız gerekmektedir:

• Kendi Sesinizi Eğitmek: Arayüzdeki Train sekmesine geçerek sessiz bir ortamda kaydedilmiş 1-2 dakikalık konuşma kaydınızı yükleyin ve modelleme sürecini başlatın.
• Hazır Model İndirmek: İnternet üzerindeki en geniş veri tabanına sahip olan Weights.gg Platformu üzerinden dilediğiniz sanatçının veya konuşmacının .pth ile .index uzantılı dosyalarını indirin.
• İndirilen dosyaları Applio arayüzündeki model yükleme alanına sürükleyerek tanımlama işlemini tamamlayın.

3. Yazılı Metinleri ve Kitapları Seslendirme (TTS Yöntemi)

Bir makaleyi, hikaye taslağını veya kitap sayfasını seçilen ses modeline okutmak için aşağıdaki adımları uygulayın:

1. Applio üst menüsünde yer alan TTS (Text-to-Speech) sekmesine giriş yapın.
2. Voice Model açılır menüsünden tanımladığınız ses modelini seçin.
3. TTS Engine seçeneğini Edge-TTS olarak işaretleyin; dil ve konuşmacı filtresinden Türkçe doğallığı en yüksek olan tr-TR-AhmetNeural veya tr-TR-EmelNeural profilini belirleyin.
4. Giriş kutucuğuna seslendirilmesini istediğiniz metin bloğunu yapıştırın.
5. Convert butonuna tıklayarak işlemi başlatın. Sentezleme tamamlandığında dosya WAV/MP3 formatında dışa aktarılacaktır.

4. Şarkı Söyletme ve Vokal Dönüştürme

Mevcut bir müzik parçasını klonlanan ses modeline söyletmek için enstrüman ve insan sesinin ayrıştırılması gerekir:

• Çevrim içi ses işleme aracı olan Vocal Remover Servisi sayfasına girerek kaynak şarkıyı yükleyin.
• Sistemin oluşturduğu iki bağımsız kanaldan yalnızca insan sesini içeren Vokal dosyasını cihazınıza kaydedin.
• Applio üzerindeki Inference bölümüne geçiş yapın, hedef ses modelinizi seçin ve indirdiğiniz saf vokal kaydını sisteme aktarın.
• Eğer kadın vokal erkek sesine dönüştürülüyorsa perde ayarını -12, erkek vokal kadın sesine aktarılıyorsa +12 seviyesinde optimize edin.
• Dönüştürme işlemini tamamladıktan sonra elde edilen yeni vokal kaydını herhangi bir ses düzenleyicide orijinal enstrümantal kanal ile birleştirin.