Text to Speech (TTS) Nedir? Türkçe Yapay Zekâ Seslendirme Rehberi

Text to speech (TTS), yazılı bir metni yapay zekâ ile insan sesine benzeyen konuşmaya dönüştüren teknolojidir. Türkçe yapay zekâ seslendirmede kaliteyi tek başına sesin doğallığı belirlemez. Sayıların, kısaltmaların, eklerin ve özel isimlerin doğru okunması da en az o kadar belirleyicidir.

Text to speech nedir sorusu aramalarda sıkça soruluyor. Toplantı odalarında ise başka bir soru konuşuluyor: "Hangi araç en doğal Türkçe sesi veriyor?" Bu anlaşılır bir merak. Ama bizce eksik bir soru.

Asıl soru şu: Kurumunuzun sesi bir müşteriye, bir çalışana ya da çağrı merkezindeki bir hatta ulaştığında kimin adına, hangi doğrulukla ve hangi güvenceyle konuşuyor?

CBOT olarak büyük kurumların yapay zekâ projelerinde çalışıyoruz. Gördüğümüz şey şu: Kurumsal tarafta TTS bir seslendirme aracı olarak kalmıyor, sesli kanalda müşteriyle konuşan dijital çalışanın sesine dönüşüyor. Bu rehberi de o gözle yazdık.

01Text to speech nasıl çalışır?

Bir TTS sistemi metni okumadan önce onu anlamaya çalışır. İlk adım metin normalizasyonudur. Bu adımda rakamlar kelimeye döner, kısaltmalar açılır, noktalama işaretleri duraklamaya çevrilir. Bu adım yanlış giderse arkadaki model ne kadar iyi olursa olsun sonuç da yanlış çıkar.

1. Normalizasyon
2. Akustik model
3. Vocoder
4. Duyulan ses

Akustik model ve vocoder ne yapar?

Klasik mimaride iş ikiye bölünür. Akustik model, metnin nasıl duyulması gerektiğini tarif eden bir ara temsil üretir. Sesin perdesi, hecelerin süresi ve vurgunun nereye düşeceği bu aşamada belirlenir. Vocoder ise bu tarifi kulağın duyduğu ses dalgasına çevirir.

Basit bir benzetmeyle akustik model notayı yazar, vocoder de çalar. Nota yanlışsa en iyi icracı bile yanlış melodiyi çalar.

Uçtan uca modeller neyi değiştirdi?

Yeni nesil modeller bu aşamaları tek bir yapay sinir ağı içinde, metinden sese doğrudan öğreniyor. Bu modellerde tonlama daha akıcı, ritim daha az mekanik.

Bunun bir bedeli de var. Model hata yaptığında hatanın nereden geldiğini görmek zorlaşıyor. Bir sesin "TL" kısaltmasını neden harf harf okuduğunu açıklayamıyorsanız düzeltme işi de deneme yanılmaya kalıyor. Kurumsal kullanımda bu ayrıntıyı hafife almamak gerekiyor.

SSML ile okunuş nasıl yönetilir?

SSML (Speech Synthesis Markup Language), metne eklenen etiketlerle sesin nasıl okunacağını tarif eden bir işaretleme dili. Duraklama, vurgu ve okunuş bu etiketlerle yönetilebiliyor. Böylece bir rakamın tarih olarak mı yoksa tutar olarak mı okunacağına ya da bir marka adının nasıl telaffuz edileceğine model değil siz karar veriyorsunuz.

Desteklenen etiketler araçtan araca değişiyor. Kullandığınız servisin dokümanını kontrol etmeden SSML'e güvenmemek gerekiyor. Yönetici açısından asıl kazanç başka bir yerde. SSML, okunuş kararlarını tek bir kişinin kulağına bırakmıyor. Bu kararları yazılı ve tekrar edilebilir bir kurala çeviriyor.

02TTS ile STT arasındaki fark nedir?

TTS metni sese çevirir. STT (speech to text) yani konuşma tanıma ise tam tersini yapar ve konuşmayı metne döker.

Tek başına bir seslendirme projesinde TTS yeterli olur. Sesli yapay zekâ agentında ise ikisi aynı zincirin parçasıdır. Müşteri konuşur, STT bunu yazıya çevirir. Arkadaki iş akışı ya da dil modeli ne söylenmesi gerektiğine karar verir. TTS de yanıtı seslendirir.

STT konuşmayı yazıya çevirir

Dil modeli yanıta karar verir

TTS yanıtı seslendirir

Müşteri bu zinciri tek bir deneyim olarak yaşar. Hatanın hangi halkada olduğunu ayırt etmez. Aklında yalnızca markanızın onu anlamadığı ya da ona yanlış bilgi verdiği kalır.

03Türkçe seslendirme neden daha zor?

Türkçe, ses teknolojileri için kendine özgü tuzaklar barındırıyor. Bir demoda kusursuz duyulan ses, gerçek bir müşteri metninde birkaç kelimede tökezleyebiliyor. Tökezlediği yerler de genelde aynı.

Ünlü uyumu, ek yapısı ve yumuşak ğ sesi nasıl etkiler?

Türkçe eklemeli bir dil. Tek bir kelime "hesaplarınızdakilerden" gibi uzun bir ek zinciri taşıyabiliyor. Modelin kökü ve ekleri doğru birleştirmesi, vurguyu da doğru heceye koyması gerekiyor. Yabancı bir kelimeye ek geldiğinde iş daha da karışıyor. "Online'a" ya da "update'i" gibi yapılarda ek, kelimenin yazılışına değil okunuşuna göre şekillenir. Sesin de bunu doğru yansıtması gerekir.

Yumuşak ğ'nin ise kendi başına bir sesi yok. Önündeki ünlüyü uzatır ya da iki ünlü arasında yumuşak bir geçiş yaratır. "Dağ", "değer" ve "soğuk" gibi kelimelerde bu inceliği kaçıran ses ne kadar pürüzsüz olursa olsun yabancı aksanlı duyulur.

Noktalı İ ile noktasız ı karışınca ne olur?

Bu hata çoğu zaman sesten önce metinde başlar. Büyük harfle yazılmış bir metni Türkçe kuralları bilmeyen bir yazılım küçük harfe çevirirse "ILIK" kelimesi "ilik" olabilir. Ses motoru da kendisine verileni okur. Kampanya başlıklarını, ürün adlarını ve sistemlerden gelen büyük harfli alanları bu açıdan ayrıca kontrol etmek gerekir.

Tarih, sayı ve yüzde nasıl okunmalı?

"12.05" bir tarih mi, bir saat mi, yoksa ondalık bir sayı mı? İnsan bunu bağlamdan anlar ama model her zaman anlayamaz. Türkçede binlik ayracı nokta, ondalık ayracı virgüldür. İngilizce kaynaklı sistemlerden gelen veride bu durum tersine dönebilir. "1." ifadesinin "bir" değil "birinci" diye okunması gereken yerler vardır. Yüzde işareti Türkçede sayının önüne yazılır ve "yüzde" kelimesiyle başlanarak okunur. Farklı formatta gelen veride ses bu sırayı karıştırabilir.

• %25yüzde yirmi beş
• 1.250,75 TLbin iki yüz elli lira yetmiş beş kuruş
• 1. katbirinci kat
• KVKKke ve ke ke
• Dr. Demirdoktor Demir

Bankacılık, sigorta ya da havacılık gibi alanlarda bu durum bir telaffuz meselesi olmaktan çıkar. Yanlış okunan bir faiz oranı, prim tutarı ya da kalkış saati, kurumunuz adına yapılmış yanlış bir bildirime dönüşür. Bu alanlarda sesli yapay zekâ tasarlanırken okunuş kurallarını ilk konuşulan başlıklardan biri yapmak bu yüzden önemli.

Doğal ses, yanlış rakamı daha inandırıcı söyler.

Kısaltmalar, markalar ve yabancı isimler nasıl okunmalı?

"KVKK" harf harf okunur. "TL" ise bağlama göre "Türk lirası" diye açılmak istenebilir. "Dr." "doktor", "vb." de "ve benzeri" olarak okunur. Her kurumun kendine ait bir kısaltma dünyası da var. Ürün kodları, kampanya adları ve iç sistem isimleri bunlara örnek.

Marka ve yabancı özel isimler ayrı bir karar alanı oluşturuyor. Global bir markanın Türkiye'de yerleşmiş bir okunuşu olabilir. Kendi marka adınızın nasıl okunacağı da bir tercih. Bu tercihin bir kez yazıya dökülmesi ve her kanalda aynı biçimde uygulanması gerekir.

Sen mi, siz mi?

Bu konu bir telaffuz meselesinden çok ses tonuyla ilgili. Sesli kanalda ise çok daha görünür hale geliyor. Bir cümlede "siz" diyen, ardından "sen"e kayan bir ses güveni sarsar. Metni üretken yapay zekâ oluşturuyorsa bu kayma daha sık yaşanabilir. Bu yüzden hitap kuralını marka dil rehberinin bir parçası olarak sesli kanala da taşımak gerekir.

04Adım adım Türkçe yapay zekâ seslendirme nasıl yapılır?

Kurumsal kullanım için bu disiplini beş adımda topluyoruz.

1. 1

   Metni göz için değil, kulak için yazın

   Okunmak için yazılmış bir metin dinlendiğinde çoğu zaman ağır gelir. Uzun yan cümleler, parantez içindeki açıklamalar ve art arda sıralanan rakamlar kulakta kaybolur. Cümleleri kısaltın ve önemli bilgiyi cümlenin sonuna saklamayın.

2. 2

   Okunuş notlarını bir sözlüğe dönüştürün

   Kısaltmaların, marka adlarının ve sayı formatlarının nasıl okunacağını tek bir yerde toplayın. Bu sözlüğü bir projenin yan ürünü gibi görmeyin. O, kurumun kalıcı bir varlığı. Bir sahibi olmalı ve düzenli olarak güncellenmeli.

3. 3

   Kısa bir örnekle test edin

   Tüm metni tek seferde seslendirmek yerine sayı, kısaltma ve özel isim içeren kısa bir paragrafla başlayın. Sorunlar en erken bu aşamada ortaya çıkar.

4. 4

   Her turda yalnızca bir sorunu düzeltin

   Hızı, vurguyu ve okunuşu aynı anda değiştirirseniz hangi değişikliğin neyi düzelttiğini göremezsiniz. Her turda tek bir değişkene odaklanın. Bu yöntem yavaş görünse de toplamda zaman kazandırır.

5. 5

   Son kaydı metinle birlikte dinleyin

   Son kontrolü yalnızca kulakla yapmayın. Metni önünüze alıp kelime kelime takip edin. Kulak, akıcı bir sesteki hatayı çoğu zaman fark etmeden geçer. Atlanan bir kelimeyi ya da yanlış bir rakamı ise metin yakalar.

05Hangi senaryoda AI ses, hangisinde insan kaydı tercih edilmeli?

Bizce bu kararı iki soru belirliyor: İçerik ne sıklıkla değişiyor ve mesaj ne kadar duygusal ağırlık taşıyor?

Yapay zekâ sesi

Sık değişen, kişiye özel, duygusal yükü düşük

Bakiye bilgisi, randevu hatırlatması, uçuş durumu, hasar dosyası

İnsan kaydı

Sabit, duygusal yükü yüksek

Marka filmi, özür mesajı, kriz açıklaması, taziye

İçerik sık değişiyor, kişiye göre şekilleniyor ve duygusal yükü düşükse yapay zekâ sesi mantıklı bir tercih olur. Bakiye bilgisi, randevu hatırlatması, uçuş durumu, hasar dosyasının aşaması ve sık güncellenen sesli yanıt menüleri bu gruba girer. Her değişiklikte stüdyoya gitmek ne pratik ne de ölçeklenebilir.

İçerik sabitse ve duygusal yükü yüksekse insan kaydı çoğu zaman daha doğru tercih olmaya devam ediyor. Marka filmleri, özür mesajları, kriz açıklamaları ve taziye mesajları bu gruba girer. Bu anlarda dinleyici söylenenin yanında söyleyeni de duyar.

İki yaklaşımı birleştiren hibrit kurgular da mümkün. Sabit karşılama cümleleri insan sesiyle, değişken bilgiler ise sentetik sesle verilebilir. Burada dikkat edilmesi gereken nokta, iki sesin birbirine yakın durması ve müşterinin geçişi bir kopukluk olarak hissetmemesi.

06Gerçek zamanlı sesli yapay zekâ agentları neden farklı bir disiplin ister?

Bir seslendirme dosyası üretmek ile telefonda bir müşteriyle konuşmak aynı iş değil. Gerçek zamanlı ses modelleri yaygınlaştıkça bu fark daha da belirginleşiyor.

• Gecikme
• Söz kesme
• Entegrasyon
• Yönetişim

İlk mesele gecikme. Telefonda kısa bir sessizlik bile müşteriye hattın koptuğunu düşündürebilir. Gecikmenin tek kaynağı ses motoru değil. Konuşma tanıma, karar katmanı, arka plandaki sistem çağrıları ve ses üretimi birlikte toplam süreyi oluşturur. Tek bir bileşeni iyileştirmek bu yüzden yetmez.

İkinci mesele söz kesme. İnsanlar konuşurken birbirinin sözünü keser, onay verir, araya girer. Müşteri araya girdiğinde susabilen, onu dinleyip konuşmanın yönünü değiştirebilen bir ses, doğal bir sohbet hissi yaratır. Cümlesini bitirmekte ısrar eden bir ses ise ne kadar doğal tınlarsa tınlasın bir kayıt gibi duyulur.

Üçüncü mesele entegrasyon. Kurumsal tarafta en sık gözden kaçan konu da bu. Sesin doğru bilgiyi verebilmesi için müşteri kaydına, işlem geçmişine, poliçe ya da rezervasyon sistemine güvenli biçimde bağlanması gerekir. Bağlantısı zayıf bir sesli agent güzel konuşur ama az iş çözer.

Dördüncü mesele, sesin arkasındaki yönetişim kararları. Bir sesli kanal kurmadan önce sorulması gereken birkaç soru var. Ses verisi nerede işleniyor ve nerede saklanıyor? Kurum içinde mi, yoksa bir bulut ortamında mı? Hangi dil modeline bağlısınız ve yarın bu modeli değiştirmek isterseniz ne olur? Görüşme kayıtlarına kim, hangi yetkiyle erişiyor? Bu soruların yanıtı teknik ekibin masasında kalmamalı. Uyum, güvenlik ve iş birimleri birlikte karar vermeli.

CBOT olarak sesli kanala bir seslendirme projesi gözüyle bakmıyoruz. Bizim için asıl konu, sesli kanalda müşteriyle konuşan dijital çalışanların nasıl tasarlandığı, hangi sistemlere bağlandığı ve nasıl ölçüldüğü. Konuşma tanıma ve metinden ses teknolojilerimizi kendimiz geliştiriyoruz. Sesli kanalı da dil modeli, entegrasyonlar ve analitikle birlikte düşünülmesi gereken bir bütün olarak ele alıyoruz.

07Ses klonlama, izin ve deepfake riski nasıl yönetilir?

Ses klonlama, bir kişinin ses örneklerinden yola çıkarak o kişiye benzeyen sentetik bir ses üretmek anlamına geliyor. Bir marka sesi oluşturmak ya da bir seslendirme sanatçısının sesini farklı içeriklerde kullanmak için cazip bir seçenek.

Ancak ses aynı zamanda bir kimlik. Bir kişinin sesi, o kişiyi tanımlanabilir kıldığı ölçüde kişisel veri niteliği taşır. Bazı kullanımlarda ise daha hassas bir kategoride değerlendirilebilir. KVKK ve GDPR çerçevesinde açık rızanın alınması, bu rızanın kapsamı, sesin hangi amaçla ve ne süreyle kullanılacağı ve rıza geri alındığında ne olacağı baştan netleşmeli. Bu konularda genel ve kesin bir hüküm vermek doğru olmaz. Kendi kullanım senaryonuzu hukuk ekibinizle birlikte değerlendirmenizi öneririz.

Madalyonun öbür yüzünde deepfake var. Bir yöneticinin sesini taklit ederek ödeme talimatı isteyen ya da bir bankanın sesini taklit ederek müşteriyi arayan sahte çağrılar artık teknik olarak uzak bir senaryo sayılmıyor. Kurumların burada iki yönlü düşünmesi gerekiyor. İlki, kendi seslerinin kötüye kullanılmasına karşı hangi önlemleri aldıkları. İkincisi ise sesli kanalda kimlik doğrularken sese ne kadar güvendikleri.

Pratikte bazı ilkeler öne çıkıyor. Müşteriye sentetik bir sesle konuştuğunu açıkça söylemek bunlardan biri. Ses örneklerini ve klon modellerini erişimi sınırlı varlıklar olarak yönetmek, kritik işlemlerde sesi tek başına bir doğrulama yöntemi olarak kullanmamak ve kimin hangi sesi hangi amaçla ürettiğini kayıt altında tutmak da bu ilkeler arasında.

• Sentetik ses olduğunu söyleyin
• Ses örneklerine erişimi sınırlayın
• Kimliği yalnız sesle doğrulamayın
• Kim hangi sesi üretti, kayda alın

Bir sesi kopyalamak artık zor değil. Zor olan, kopyalandığı anlaşıldıktan sonra güveni yeniden kazanmak.

08Kurumunuzun sesi kimin kontrolünde?

Text to speech teknik olarak bir dönüştürme işlemi. Kurumsal açıdan ise bir temsil yetkisi. Müşterinize bir faiz oranını, bir prim tutarını ya da bir uçuş değişikliğini okuyan ses, o anda kurumunuz adına konuşuyor.

"En doğal Türkçe ses hangisi?" sorusu bu yüzden yerinde ama yetersiz kalıyor. Okunuş sözlüğünüzün sahibi kim? Sesin bağlandığı sistemleri kim yönetiyor? Ses verisi nerede işleniyor? Klonlanmış bir sesin izni kimde?

Kurumunuzun sesi

• Okunuş sözlüğü
• Bağlı sistemler
• Verinin işlendiği yer
• Klon sesin izni

Büyük kurumlarla yaptığımız çalışmalardan çıkardığımız ders şu: Sesin kalitesi bir yazılım ayarından çok bir yönetişim meselesi.

Size bırakmak istediğimiz soru şu: Kurumunuzun sesi bugün kimin kontrolünde ve yarın yanlış bir cümle söylediğinde hesabını kim verecek?

Bu soruyu sesli kanal özelinde düşünmek isterseniz, CBOT Voice AI sayfası iyi bir başlangıç noktası olabilir.