Ana sayfa › Cihazda konuşma tanıma

Temel bilgi · Mac'te ses tanıma

Cihazda konuşma tanıma nedir?

Cihazda konuşma tanıma, konuşmanın bir sunucuya gönderilmeden doğrudan bilgisayarınızda metne çevrilmesi demektir. Model diskinizde durur, hesaplama Mac'inizin işlemcisinde ve GPU'sunda yapılır, ses dosyası cihazdan çıkmaz. Aynı şey için “yerel ses tanıma”, “çevrimdışı deşifre” ve İngilizce kaynaklarda “on-device” denir.

Konuşma tanıma tam olarak ne yapar?

Konuşma tanıma, insan sesindeki konuşmayı otomatik olarak yazılı metne dönüştüren teknolojinin adıdır. Türkçede aynı iş için “ses tanıma”, “sesi yazıya dökme”, profesyonel bağlamda ise “deşifre” terimleri kullanılır. Bu sayfanın konusu işin yapılıp yapılamayacağı değil — bugün yapılabiliyor — nerede yapıldığıdır.

Akış kabaca şöyledir. Mikrofon ya da bir ses dosyası, saniyede on binlerce ölçüm içeren ham bir dalga biçimi üretir. Yazılım bu dalgayı çok kısa zaman pencerelerine böler ve her pencereyi sayısal bir özete indirger. Akustik model bu özetlerden hangi seslerin çıkarıldığını tahmin eder; dil modeli ise o ses dizisinin hangi kelimeye karşılık gelmesinin daha olası olduğuna, cümlenin geri kalanına bakarak karar verir. Noktalama ve büyük harfler de bu ikinci aşamanın ürünüdür: duyulmazlar, tahmin edilirler. Bir metinde arada bir tuhaf duran virgülün sebebi genellikle budur.

Bulutta mı, cihazda mı? Aradaki pratik fark

Bulut tabanlı bir hizmette uygulama sesi kaydeder, dosyayı sağlayıcının sunucusuna yükler, hesaplama orada yapılır ve metin size geri döner. Cihaz üzerinde çalışan bir uygulamada ise aynı model bilgisayarınızda bir dosya olarak durur, hesaplama da sizin donanımınızda yapılır. Fark tek bir adımdır — yükleme — ama sonuçları oldukça somuttur.

Son iki satır işin dürüst tarafıdır: cihaz üzerinde işleme, hesaplama yükünü size devreder. İki saatlik bir toplantı kaydı çevrilirken Mac'iniz gözle görülür biçimde çalışır, fanı olan modellerde duyulur da. Karşılığında kaydınızın, üzerinde denetiminiz olmayan bir yerde kopyası oluşmaz.

Bu iş neden yakın zamana kadar sunucuda yapılıyordu?

Çünkü modeller büyüktür. Bugün kullanılan konuşma tanıma modelleri yüz milyonlarca parametreden oluşur ve bu parametrelerin tamamının hesaplama sırasında hızlı erişilebilir bellekte durması gerekir. Uzun yıllar boyunca bunu makul bir sürede yapabilen tek yer, ayrı grafik kartlarıyla donatılmış sunuculardı; dizüstü bilgisayarda denendiğinde kaydın kendisinden uzun süren bir bekleme çıkıyordu.

Değişen şey Apple Silicon'daki birleşik bellek mimarisi oldu. İşlemci ile GPU aynı belleği paylaştığı için model iki ayrı bellek alanı arasında sürekli kopyalanmak zorunda kalmaz; hesaplama doğrudan GPU'ya verilebilir. Bu yüzden Lesskeys yalnızca Apple Silicon için yazılmıştır: M1 veya üzeri bir Mac tavsiye değil, zorunluluktur. Intel işlemcili Mac'lerde uygulama çalışmaz. İşletim sistemi tarafında alt sınır macOS 13 (Ventura) sürümüdür. Hangi modelde olduğunuzu Apple menüsündeki “Bu Mac Hakkında” bölümünden görebilirsiniz.

Doğruluk konusunda gerçekçi beklenti

Sessiz bir ortamda, tek kişinin düzgün bir mikrofona konuştuğu kayıtlarda cihaz üzerinde çalışan modeller bugün oldukça güçlüdür. Sonucu bozan şey neredeyse her zaman modelin kendisi değil, sestir:

• Kayıt kalitesi. Ağza yakın bir mikrofon, her model seçiminden daha fazla fark yaratır. Masanın ortasına konmuş bir telefon, yankılı bir toplantı odası ve hoparlörden gelen uzaktan katılımcı sesi doğruluğu belirgin biçimde düşürür.
• Üst üste konuşma. İki kişi aynı anda konuştuğunda en az biri kaybolur. Bu, hangi yazılımı kullanırsanız kullanın böyledir.
• Ağız, aksan ve konuşma hızı. Hızlı, yutulan veya çok yerel bir konuşma, ölçülü bir konuşmaya göre daha çok hata üretir.
• Özel adlar ve alan jargonu. Kurum unvanları, ürün adları, mevzuat atıfları ve sektör kısaltmaları çoğu zaman kulağa uygun ama yazımı yanlış biçimde çıkar. Bu satırlar elle düzeltilir.

Dolayısıyla makine çıktısı bir ham taslaktır. Yazma işinin büyük bölümünü ortadan kaldırır, okuma ve düzeltme turunu ortadan kaldırmaz — özellikle metni sonradan alıntılayacaksanız.

Peki Türkçede ne kadar iyi?

Bu, Türkiye'deki kullanıcının ilk sorduğu sorudur ve haklı bir sorudur: sondan eklemeli yapı, Türkçeye özgü harfler ve iş hayatında cümle arasına giren İngilizce terimler, İngilizce öncelikli araçlarda yıllarca bozuk çıktı üretti. Konuyu ayrı bir sayfada, satış dili kullanmadan ele aldık: Türkçe ses tanıma Mac'te gerçekten çalışır mı? Kısa cevap şu: kendi kaydınızla denemeden karar vermeyin, çünkü sonucu belirleyen esas etken sizin ses kayıt koşullarınızdır.

Sık karıştırılan terimler

Türkçede bu alanın sözlüğü tam oturmadığı için arama yaparken de kafa karışıyor. Kısaca:

• Konuşma tanıma ne söylendiğini yazar. Bu sayfanın konusu budur.
• Konuşmacı ayırma (teknik adıyla diyarizasyon) kimin konuştuğunu ayırır; ikisi birleşince “kim ne dedi” belli olan bir metin çıkar. Ayrıntısı: konuşmacı ayırma.
• Sesli komut / sesli denetim metin üretmez, komut çalıştırır. macOS'un kendi Sesli Denetim özelliği ve asistanlar bu gruba girer.
• Seslendirme (metin okuma) tam tersi yöndedir: yazıdan ses üretir.

“Cihazdan çıkmıyor” ne demek, ne demek değil

Bu, yazılımın mimarisi hakkında bir ifadedir: ses dosyası için bir yükleme adımı yoktur, kaydı teslim alan bir sunucu hizmeti yoktur, dolayısıyla kaydın gittiği üçüncü bir taraf da yoktur. Uygulama hesap açmanızı istemez ve uçak modunda da aynı şekilde çalışır.

Bundan çıkmayan şey ise şudur: bu bir hukuki değerlendirme değildir. Belirli bir görüşmeyi kaydetme, saklama ve işleme yetkiniz olup olmadığı; kimin veri sorumlusu sayıldığı; aydınlatma yükümlülüğünün nasıl yerine getirileceği ve kaydın ne kadar süre tutulacağı, kurumunuzun hukuk veya uyum biriminin cevaplayacağı sorulardır. Burada hiçbir uygunluk veya sertifika iddiasında bulunmuyoruz. Mimari yalnızca bir soruyu ortadan kaldırır — kaydın nereye gittiği sorusunu. Ayrıntı: buluta yüklemeden deşifre.

Başkalarını kaydediyorsanız

Teknik taraf, başka insanlar da kayda giriyorsa işin küçük yarısıdır. Türkiye'de TCK m.133, kişiler arasındaki aleni olmayan konuşmaların rıza dışında kayda alınmasını suç sayar ve bu hüküm, kaydı alan kişi konuşmanın taraflarından biri olsa bile uygulanır. Uygulamada bunun anlamı nettir: kaydı başlatmadan önce sözlü olarak sorun, “kayıt alıyorum” onayını kaydın ilk saniyelerine ve metnin başına yazın, itiraz eden olursa kaydetmeyin. İşyerinde çalışan kaydı söz konusuysa aydınlatma metni ve İK ile hukuk biriminin onayı gerekir. Bu bir bilgilendirmedir, hukuki tavsiye değildir.

Mac'te cihazda konuşma tanıma: Lesskeys

Lesskeys, menü çubuğunda duran ve tamamen yerel çalışan bir macOS uygulamasıdır. İki işi vardır: dikte — ⌥Space tuşunu basılı tutup konuşursunuz, tanınan metin panoya kopyalanır ve ⌘V ile istediğiniz yere siz yapıştırırsınız; uygulama başka programlara kendi kendine yazmaz — ve kayıt/deşifre — mikrofonu, sistem sesini veya ikisini birlikte kaydedip konuşmacılara ayrılmış, aranabilir bir metin üretir. 99 dil desteklenir ve dil otomatik algılanır.

Uygulamanın indirilmesi ücretsizdir; tüm sınırları kaldıran Pro kilidi tek seferlik 49,99 $ tutarında bir uygulama içi satın almadır, abonelik yoktur (Türkiye App Store'unda TL karşılığı görünür). Ücretsiz sürümde günde 5 dakika dikte ile toplam 5 ses ve 5 video deşifresi yapabilirsiniz — bu ikisi günlük değil, ömür boyu sayıdır. Kayıt almak hiçbir zaman sınırlanmaz ve daha önce deşifre edilmiş bir kaydı yeniden çevirmek kotadan düşmez. Sistem gereksinimi macOS 13 (Ventura) ve Apple Silicon'dur.

Adım adım nasıl çalıştığını görmek isterseniz: Mac'te deşifre nasıl yapılır.

Sık sorulan sorular

İlgili sayfalar