ASR nedir? ASR, otomatik konuşma tanıma (Automatic Speech Recognition) anlamına gelir: ses veya videodaki konuşulan dili yazılı metne dönüştüren bir teknolojidir. Telefonla dikte, sesli asistanlar, otomatik altyazılar ve yapay zeka ile transkripsiyonun arkasındaki yazılım budur. Modern ASR sistemleri, transkripsiyonu yapılmış büyük miktarda konuşma verisiyle eğitilmiş makine öğrenimi modellerini kullanır.
Önemli noktalar
Akıllı telefonunuzun sesi metne nasıl dönüştürdüğünü veya akıllı hoparlörünüzün komutlarınızı nasıl anladığını hiç merak ettiyseniz, öğrenmek üzeresiniz. Konuşulan kelimelerin yazılı metne dönüşümü ve sesli komutların gücü konusunda yolculuğa çıkmaya hazır olun.
ASR (otomatik konuşma tanıma), insan konuşmasını yazılı metne dönüştürmek için makine öğrenimi ve yapay zeka (AI) teknolojilerini kullanan bir teknolojidir. IBM’in konuşma tanıma tanımı bunu “otomatik konuşma tanıma (ASR), bilgisayar konuşma tanıma veya konuşmadan metne dönüştürme olarak da bilinir” şeklinde tanımlamaktadır.”
ASR teknolojisi, pek çok günlük uygulamada kullanılmaktadır. YouTube konuşma tanıma teknolojisini kullanır videolar için otomatik altyazılar oluşturmak amacıyla. Zoom, otomatik altyazılar toplantılarda ve web seminerlerinde gerçek zamanlı olarak (bu konuyu şu kılavuzumuzda ele alıyoruz: Yakınlaştırmalı transkripsiyon). Apple Ekim 2011’de Siri’yi piyasaya sürdü bir asistanla doğal bir şekilde konuşursunuz. Aynı teknoloji sayesinde ses kaydını metne dönüştür röportajlardan, konferanslardan, podcast’lerden ve telefon görüşmelerinden, bunları yazıya dökmeden.
ASR, insan düzeyinde bir doğruluk seviyesine ulaştı mı? Bazı karşılaştırma testlerinde, evet. 2016 yılında, Microsoft araştırmacıları bildirildi Sistemlerinin, Switchboard konuşma test setinde %5,8’lik bir hata oranına ulaştığını, buna karşılık profesyonel insan transkripsiyoncuların hata oranının ise %5,9 olduğunu belirttiler. Ancak, tek bir karşılaştırma testindeki sonuç her ses kaydına uygulanamaz; işte bu nedenle aşağıdaki doğrulukla ilgili bölüm önemlidir.
Otomatik konuşma tanıma teknolojisi, ses dalgasını aşamalı olarak metne dönüştürür. Eski sistemler, ayrı ayrı geliştirilmiş birkaç modeli birbirine bağlar. Yeni sistemler ise işin büyük bir kısmını tek bir sinir ağına yaptırmak üzere bu ağı eğitir. Her iki sistem de sesten kelimelere uzanan aynı temel yolu izler.
Bir ASR sistemindeki konuşma-metin dönüştürme süreci beş aşamadan oluşur:
Üstün sistemleri diğerlerinden ayıran şey, özel gereksinimlere göre uyarlama ve özelleştirme yetenekleridir. Örneğin, ürün adları veya endüstri jargonu gibi sık konuşulan belirli kelimeleri vurgulayarak dil ağırlıklandırma yoluyla hassasiyeti artırabilirler. Konuşmacı etiketleme, transkripsiyonun çok katılımcılı konuşmalarda her konuşmacının katkılarını alıntılamasına veya etiketlemesine olanak tanıyan bir başka özelliktir.
Ayrıca, akustik eğitim kapasitesi, bu sistemlerin çeşitli akustik ortamlara ve konuşmacı stillerine uyum sağlamasına olanak tanır. Bu, bir çağrı merkezindeki ortam gürültüsüne veya farklı ses perdelerine, ses seviyelerine ve hızlarına uyum sağlamak anlamına gelebilir. Küfür filtreleme, konuşma çıktısındaki belirli kelimeleri veya ifadeleri tanımlamak ve sterilize etmek için filtreler kullanarak ek bir iyileştirme katmanı sağlar.
ASR sistemlerinin çalışmasında iki önemli teknik bulunmaktadır: geleneksel hibrit yöntem ve uçtan uca yöntem.
Geleneksel hibrit yöntem, ayrı ayrı üretilmiş bileşenleri bir araya getirir. Şöyle ki: dört araştırma grubu tarafından 2012 yılında yayınlanan bir makale O dönemde, çoğu konuşma tanıma sistemi, konuşmanın zaman içindeki değişkenliğini ele almak için gizli Markov modelleri (HMM’ler) kullanıyordu; buna ek olarak, sesin her bir kısa penceresinin bir sese ne kadar iyi uyduğunu değerlendiren bir akustik model de kullanılıyordu. Bir telaffuz sözlüğü, sesleri kelimelerle ilişkilendirir; dil modeli ise hangi kelime dizilerinin olası olduğunu değerlendirir. En basit dil modeli, kelime dizilerine olasılık değerleri atayan n-gramdır.
Uçtan uca ASR sistemleri, ses sinyalinden transkripsiyona giden yolu doğrudan öğrenmek için derin sinir ağlarını kullanır. Bağlantıcı zamansal sınıflandırma (2006) çalışması, bölümlere ayrılmamış ses verileri üzerinde tekrarlayan sinir ağlarının nasıl eğitileceğini ortaya koydu. Dinle, Dikkat Et ve Hecele (2015) çalışmasında, yazarların ifadesiyle ’konuşma tanıyıcının tüm bileşenlerini bir arada öğrenen“ bir ağ tanıtılmıştır. Whisper (2022) ise bir kodlayıcı-kod çözücü Transformer’dır.
Uçtan uca yöntem, elle oluşturulmuş ara adımlara olan ihtiyacı ortadan kaldırır. Bunun bedeli ise veridir: Whisper, 680.000 saatlik ses kaydıyla eğitilmiştir.
| Geleneksel hibrit (HMM tabanlı) ASR | Uçtan uca ASR | |
|---|---|---|
| Yapı | Bir dekoder tarafından birleştirilen ayrı akustik model, telaffuz sözlüğü ve dil modeli | Ses verilerini metne dönüştürmek üzere eğitilmiş bir sinir ağı |
| Neye ihtiyaç var? | HMM’ler için durum modellerinin tasarlanması gibi göreve özgü tasarım çalışmaları | Büyük hacimli transkripsiyonlu ses kayıtları |
| Örnekler | Carnegie Mellon Üniversitesi’nin Sphinx’i | Dinle, Dikkat Et ve Hecele, OpenAI Whisper |
ASR için standart doğruluk ölçütü, kelime hata oranıdır (WER). ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) WER değerini hesaplar ASR çıktısındaki silme, ekleme ve değiştirme hatalarının toplamının, insan tarafından hazırlanan referans transkripsiyondaki toplam kelime sayısına bölünmesiyle elde edilir. Değer ne kadar düşükse o kadar iyidir. Örneğin, 100 kelimelik bir referans transkripsiyonda 3 yanlış kelime, 1 eksik kelime ve 1 fazla kelime varsa, WER değeri 5'in 100'e bölünmesiyle, yani %5 olarak hesaplanır.
WER, ses kaydına ve konuşan kişiye bağlıdır. 2020 yılında Proceedings of the National Academy of Sciences dergisinde yayınlanan bir çalışma (Koenecke ve ark., “Otomatik Konuşma Tanıma’da Irksal Eşitsizlikler”), Amazon, Apple, Google, IBM ve Microsoft tarafından geliştirilen beş ASR sistemini test etmiştir. Çalışma, siyahi konuşmacılar için ortalama WER’in 0,35, beyaz konuşmacılar için ise 0,19 olduğunu ortaya koydu.
Bu nedenle, herhangi bir doğruluk oranını belirli koşullar altında elde edilen bir sonuç olarak değerlendirin. Örneğin Sonix, net ses kayıtlarında ’a varan doğruluk oranı sunduğunu belirtmektedir. En güvenilir test yöntemi, kendi ses kaydınızdan bir örnek üzerinde deneme yapmaktır.
ASR iki modda çalışır. Toplu ASR, bir ses veya video dosyasının tamamını işler ve ardından tam metni döndürür. Akışlı ASR ise konuşmayı anında metne dönüştürür; bu da toplantılarda canlı altyazılar için gerekli olan özelliktir.
Zaten bir dosyanız varsa ve metnin doğru olmasını istiyorsanız, toplu iş modu tam da ihtiyacınız olan moddur. Sonix'te dosya transkripsiyonu herkese açıktır ve gerçek zamanlı transkripsiyon 2 saniyenin altında gecikme süresine sahip bu hizmet, kurumsal ekipler için erken erişim aşamasındadır (Kasım 2026 itibarıyla).
Otomatik konuşma tanıma teknolojisinin 70 yılı aşkın bir geçmişi vardır. Aşağıdaki dönüm noktaları, yayınlanmış kaynaklardan alınmıştır: B.H. Juang ve Lawrence R. Rabiner’in kaleme aldığı bu alanın tarihçesi, IBM’in kendi arşivi ve orijinal araştırma makaleler.
1952 yılında, Bell Laboratuvarları’ndan Davis, Biddulph ve Balashek’in tek bir konuşmacının tek başına söylediği rakamları tanıyan bir sistem geliştirmesiyle bu alanda ilk önemli dönüm noktası yaşandı.
IBM, Shoebox’ı 1961 yılında tanıttı ve 1962 Seattle Dünya Fuarı’nda sergiledi. Şu kaynağa göre IBM’in konuşma tanıma alanındaki geçmişi, Shoebox sıfırdan dokuza kadar olan rakamları ve “artı”, “eksi” ve “toplam” gibi aritmetik komut kelimelerini anlayabiliyordu. 1960’larda Japon laboratuvarları bir sesli harf tanıyıcı, bir fonem tanıyıcı ve bir rakam tanıyıcı geliştirdi. Kyoto Üniversitesi’nde yürütülen fonem çalışmaları, konuşulan bir ifadenin farklı bölümlerini analiz eden bir konuşma bölücü cihazının ilk kez kullanılmasını içeriyordu.
1970’lerin başında, ABD Savunma Bakanlığı’na bağlı İleri Araştırma Projeleri Ajansı (ARPA), Konuşma Anlama Araştırması (SUR) programına finansman sağladı. Bu programın sonuçlarından biri olan Carnegie Mellon Üniversitesi’nin Harpy sistemi, 1.011 kelimelik bir kelime dağarcığı kullanarak konuşmayı tanıyordu. Harpy'nin en önemli katkılarından biri grafik aramasıydı: sistem, tanıma dilini birbirine bağlı bir ağ olarak temsil ediyordu ve en uygun kelime dizisini bulmak için ışın araması yöntemini kullanıyordu.
Gizli Markov modelleri (HMM’ler) ayrı bir çalışma kolundan ortaya çıktı. Bu fikir 1960“ların sonlarında Savunma Analizleri Enstitüsü’nde ortaya çıktı; HMM’ler ve istatistiksel dil modelleri ise 1980”lerde ortaya konan kilit teknolojilerdi. Fred Jelinek liderliğindeki IBM ekibi, Tangora adlı bir “sesle çalışan daktilo” geliştirdi. Carnegie Mellon Üniversitesi’nin Sphinx sistemi daha sonra gizli Markov modellerini Harpy’nin ağ arama özelliği ile birleştirdi.
Juang ve Rabiner’e göre, AT&T 1992 yılında Ses Tanıma Arama İşleme (VRCP) hizmetini piyasaya sürdü ve bu hizmet daha sonra yılda yaklaşık 1,2 milyar sesli işlemi işlemeyi başardı.
Derin öğrenme, bu alanda yeni bir sayfa açtı. 2012 yılında, dört gruptan araştırmacılar, derin sinir ağlarının çeşitli konuşma tanıma karşılaştırma testlerinde önceki Gauss karışım modellerinden daha iyi performans gösterdiğini bildirdi. 2022 yılında OpenAI, 680.000 saatlik etiketli ses kaydıyla eğitilmiş Whisper'ı yayınladı. Yazarlar, modellerin insan düzeyinde doğruluk ve sağlamlığa yaklaştığını bildiriyor.
| Yıl | Kilometre Taşı |
|---|---|
| 1952 | Bell Laboratories, tek bir konuşmacı için izole bir rakam tanıyıcı geliştirir |
| 1961 | IBM, on basamaklı sayıları ve aritmetik komut kelimelerini anlayan “Shoebox”u tanıttı |
| 1960'lar | Japon laboratuvarları, ilk konuşma bölümleyicisi de dahil olmak üzere sesli harf, fonem ve rakam tanıyıcıları geliştiriyor |
| 1970'lerin başı | ARPA, Konuşma Anlama Araştırmalarına fon sağlıyor. Carnegie Mellon Üniversitesi’nden Harpy, 1.011 kelimeyi işliyor |
| 1980'ler | Gizli Markov modelleri ve istatistiksel dil modelleri, temel teknolojiler olarak tanıtılmaktadır |
| 1992 | AT&T, Ses Tanıma ile Çağrı İşleme özelliğini tanıttı |
| 2006 | Bağlantıcı zamansal sınıflandırma, sinir ağlarını bölümlere ayrılmamış konuşma verileriyle eğitir |
| 2012 | Derin sinir ağları, akustik modellemede Gauss karışım modellerinden daha iyi performans gösterir |
| 2015 | “Dinle, Katıl ve Hecele” programı, bir tanıyıcının tüm bileşenlerini bir arada öğrenir |
| 2016 | Microsoft araştırmacıları, Switchboard performans testinde insanlarla eşit sonuçlar elde edildiğini bildirdi |
| 2022 | OpenAI, 680.000 saatlik ses kaydıyla eğitilmiş Whisper’ı yayınladı |
ASR konuşma tanıma teknolojisi, yalnızca Siri ve Alexa gibi mevcut uygulamaları iyileştirmekle kalmıyor. Aynı zamanda ASR’nin hizmet verdiği pazarı da genişletiyor.
Dahası, birçok şirket canlı videolara otomatik altyazılar sunarak canlı içeriği daha geniş bir kitle için erişilebilir hale getiriyor. Ortaya çıkan bu kullanım alanları ve müşteriler ASR teknolojisinin sınırlarını zorluyor, araştırmaları hızlandırıyor ve bu alanda inovasyonu teşvik ediyor.
Podcast’ler, toplantılar ve hukuki ifade kayıtları için otomatik transkripsiyon gibi kullanım örnekleri yaygın olarak görülmektedir. Bu kullanımlar, ses ve video içeriklerinin erişilebilirliğini artırmakta ve ASR teknolojisinin etki alanını genişletmektedir.
Yapay Zeka, ASR teknolojisinde doğruluğu ve genel işlevselliği artıran kritik bir oyuncu haline gelmiştir:
Yapay Zeka (AI), insan yaşamının çeşitli sektörlerinde, özellikle de ASR sistemlerinin iyileştirilmesinde ve genel işlevselliklerinin geliştirilmesinde dönüştürücü bir güçtür. Otomatik Konuşma Tanıma (ASR) bağlamında, aksan ve lehçelerin yarattığı engeller etkili iletişimin önünde önemli engeller oluşturmaktadır. Yapay zeka güdümlü ASR sistemleri, konuşmalara anlamlı bir anlayış, bağlam ve değer katmak için bu zorlukların üstesinden gelmekle görevlendirilmiştir.
Araştırmalar, bu engelin ne kadar gerçek olduğunu ortaya koyuyor. Yukarıda bahsedilen 2020 tarihli PNAS çalışması, Siyah ve beyaz konuşmacılar arasındaki hata oranlarındaki farkın kaynağını, ASR sistemlerinin kullandığı akustik modellere dayandırdı. Çalışmanın yazarları, bu farkı azaltmanın bir yolu olarak, Afro-Amerikan Halk İngilizcesi de dahil olmak üzere daha çeşitli eğitim verilerinin kullanılmasını önerdiler.
Modern ASR, makine öğrenimi üzerine kuruludur. Bir ASR yapay zeka modeli, ses kayıtları ile bunlara eşleştirilmiş metin transkriptleri kullanılarak eğitilir ve ses ile metin arasındaki eşleşmeyi öğrenir. Yukarıda açıklanan 2012 yılı sonuçları, derin sinir ağlarının önceki akustik modellerden daha iyi performans gösterdiğini ortaya koydu; günümüz modelleri ise bu başarıyı daha da ileriye taşıyor. Whisper, çok dilli konuşma tanıma, konuşma çevirisi ve konuşulan dil tanımlama dahil olmak üzere aynı anda birçok görev üzerinde eğitilmiş bir Transformer sıra-sıraya modelidir. Bir ASR yapay zeka modelini daha yakından incelemek için kılavuzumuza bakın: OpenAI Whisper.
ASR’nin ürettiği metin, daha sonra özetler, bölümler ve duygu analizi gibi diğer yapay zeka görevlerine girdi olarak kullanılabilir.
Makine öğrenimi ve derin öğrenme, dil engellerini aşarak ve insan konuşmasının anlaşılmasını geliştirerek ASR teknolojisini yeniden şekillendiriyor. Bu yapay zeka teknolojilerinin sürekli gelişimi, ASR'nin başarabileceklerinin sınırlarını zorlamaya devam ediyor ve insanlar ile makineler arasında giderek daha tutarlı ve doğal bir etkileşim vaat ediyor.
ASR teknolojisinin günlük hayata getirdiği değişim, tam anlamıyla devrim niteliğindedir. Bu teknolojinin kullanımı, dikte yazılımları, transkripsiyon hizmetleri, eğitim, müşteri hizmetleri ve dil çevirisi gibi çeşitli sektörlere yayılmış olup, çok yönlülüğünü ve uyarlanabilirliğini kanıtlamaktadır. Bununla birlikte, en göze çarpan uygulamaları şüphesiz tüketici teknolojisi alanında, özellikle de sanal asistanlar, akıllı hoparlörler, mobil cihazlar ve giyilebilir cihazlarda görülmektedir.
ASR teknolojisi, Apple'ın Siri'si ve çeşitli akıllı hoparlörler gibi modern sanal asistanların kalbinde yer almaktadır. Bu uygulamalar, sesli komutları anlamak ve yanıtlamak için ASR konuşma tanıma özelliğini kullanarak günlük hayatımıza kolaylık ve verimlilik getiriyor.
ASR destekli sanal asistanlar, hatırlatıcıları ayarlamaktan akıllı ev sistemlerini kontrol etmeye kadar günlük görevleri daha erişilebilir hale getiriyor. Dahası, aynı teknolojiyle çalışan akıllı hoparlörler sözlü talimatları anlayıp takip ederek kullanıcıların ses komutuyla müzik çalmasına, haber güncellemelerini almasına veya diğer akıllı cihazları yönetmesine olanak tanıyor.
ASR'nin mobil cihazlara ve giyilebilir cihazlara entegrasyonu, bu teknolojinin bir başka önemli uygulamasına işaret etmektedir. ASR ile donatılmış cep telefonları, akıllı saatler ve diğer giyilebilir cihazlar, sözlü komutları hızlı bir şekilde anlayıp uygulayarak daha akıllı ve sezgisel hale gelmiştir. Örneğin, kullanıcılar seslerini kullanarak mesaj gönderebiliyor, arama yapabiliyor ve hatta internette arama yapabiliyor.
Bu yetenek, eller serbest ve verimli bir etkileşim modu sağlayarak kullanıcı deneyimini büyük ölçüde geliştirir. Bu ASR teknolojisi uygulamaları, teknolojinin çok yönlülüğünü örneklemekte ve sesli etkileşimin dijital deneyimimizin ayrılmaz bir parçası haline geldiği bir geleceğe işaret etmektedir.
Otomatik konuşma tanıma (ASR) teknolojisi giderek yaygınlaştıkça, üç soru sürekli gündeme geliyor: ASR’nin konuşmadan metne dönüştürme teknolojisinden ne farkı olduğu, adalet ve gizlilik konularını nasıl ele aldığı ve açık kaynaklı araçların bu alan için ne anlama geldiği.
ASR ve konuşma-metin dönüştürme aynı şeyi ifade eder. IBM, her ikisini de konuşma tanıma terimleri olarak listelemektedir ve Amazon’un Alexa belgeleri ASR’yi “sözlü kelimeleri metne dönüştüren teknoloji” olarak tanımlar.”
Aradaki fark, “ses tanıma” teriminde yatmaktadır. IBM’in ifadesiyle, konuşma tanıma, konuşmayı metne dönüştürmeye odaklanırken, ses tanıma “sadece belirli bir kullanıcının sesini tanımlamayı amaçlar.”
ASR ayrıca bir sesli ürünün yalnızca bir katmanını oluşturur. Amazon, ASR’yi Alexa’nın yanıt vermesini sağlayan “ilk adım” olarak tanımlar; kullanıcının ne demek istediğini anlamak için bunun üzerine başka teknolojiler de eklenir.
ASR sistemleri insan seslerini işler ve ses kayıtları genellikle kişisel veya gizli bilgiler içerir. Bu durum iki etik sorunu gündeme getirir: adalet ve mahremiyet.
Adalet konusunda, yukarıda atıfta bulunulan PNAS araştırması, bir ASR sisteminin bazı konuşmacılar için diğerlerine kıyasla çok daha iyi sonuç verebileceğini göstermektedir. Sistemi kullanacak kişilerin farklı aksan ve lehçeleri dikkate alınarak doğruluk kontrolü yapılmalıdır.
Gizlilik ve veri güvenliği konusunda, herhangi bir ASR hizmetine ses dosyası göndermeden önce şu birkaç noktayı kontrol edin: dosyaların nasıl şifrelendiği, kimlerin bu dosyalara erişebileceği, ne kadar süreyle saklandıkları, ses dosyalarınızın modelleri eğitmek için kullanılıp kullanılmadığı ve hizmet sağlayıcının hangi bağımsız denetimlere tabi olduğu.
Açık kaynaklı araç setleri ve önceden eğitilmiş modeller, ASR alanına giriş engellerini azaltmıştır. Kaldi C++ dilinde yazılmış ve Apache Lisansı v2.0 kapsamında lisanslanan, konuşma tanıma araştırmacılarına yönelik bir araç setidir. OpenAI, Whisper’ın kaynak kodunu ve model ağırlıklarını MIT Lisansı kapsamında altı farklı model boyutunda yayınlamıştır.
Açık kaynaklı ASR size hazır bir iş akışı değil, bir model sunar. Bunu kendi donanımınızda çalıştırır ve düzenleme, konuşmacı etiketleme ve dışa aktarma adımlarını bu modelin etrafında kendiniz oluşturursunuz.
ASR yazılımı, yukarıda bahsedilen teknolojiyi, bir model eğitmeye gerek kalmadan kullanabileceğiniz bir araç haline getirir. Sonix şudur: Yapay zeka transkripsiyon yazılımı ASR üzerine kurulmuştur. Ses veya video dosyasını yüklediğinizde, arama yapılabilir ve düzenlenebilir bir transkript elde edersiniz. İşte nasıl çalıştığı:
Sonix, net ses kayıtlarında 'a varan doğruluk oranı sunduğunu belirtmektedir. Dosyalar aktarım sırasında TLS ile, depolandığında ise AES-256 ile şifrelenir ve Sonix, yüklemelerin modellerini eğitmek için asla kullanılmadığını belirtir. Geliştiriciler, Sonix aracılığıyla kendi ürünlerine transkripsiyon özelliği ekleyebilirler. REST API.
ASR’nin kendi sesinizi nasıl işlediğini görmek için, Sonix'e bir dosya yükle. Ücretsiz deneme sürümü, kredi kartı gerektirmeden 30 dakikalık transkripsiyon hizmeti sunar. Bu sürenin ardından, “Kullandıkça Öde” seçeneği saat başına 10 dolar olup, abonelikler ise aylık 25 dolardan başlar (fiyatlar Kasım 2026 itibarıyla kontrol edilmiştir).
Öncelikle araçları karşılaştırıyorsanız, bizim hazırladığımız en iyi konuşmadan metne yazılım ana seçenekleri listeler.
ASR, otomatik konuşma tanıma (Automatic Speech Recognition) anlamına gelir. Bu, söylenen kelimeleri yazılı metne dönüştüren teknolojiyi ifade eder ve konuşma tanıma ya da konuşmadan metne dönüştürme olarak da adlandırılır. Bu kısaltmayla araştırma makalelerinde, geliştirici araçlarında ve ürün belgelerinde karşılaşacaksınız. Örneğin, Amazon’un Alexa belgelerinde ASR, söylenen bir isteği metne dönüştüren aşamadır.
Hayır. ASR, söylenenleri çözümler ve bunları metin olarak kaydeder. Ses tanıma ise, her bir kullanıcının sesini tanıyarak kimin konuştuğunu belirler. Bu iki kavram, günlük kullanımda sıklıkla birbiriyle karıştırılır. Transkriptteki konuşmacı etiketleri ise yine ayrı bir özelliktir: Birden fazla katılımcının yer aldığı bir sohbette, her konuşmacının sözlerini etiketler.
Evet. Modern ASR sistemleri, konuşulan dili metne dönüştürmek için makine öğrenimi algoritmaları kullanır. 1950’ler ve 1960’lardaki ilk sistemler, yalnızca birkaç rakam veya sesi işleyebilen özel amaçlı donanımlardı. Derin öğrenme alanındaki gelişmeler ve büyük ölçekli eğitim veri kümeleri, son dönemde kalitede görülen iyileşmelerin arkasındaki itici güçtür; Whisper gibi güncel modeller ise yüz binlerce saatlik ses kaydıyla eğitilmiş sinir ağlarından oluşmaktadır.
ASR yazılımı, dikte, altyazı, sesli komutlar veya transkripsiyon gibi görevlerde otomatik konuşma tanıma teknolojisini kullanan herhangi bir programdır. Transkripsiyona odaklanan ASR yazılımları, ham metin etrafında çeşitli araçlar sunar: sese senkronize bir düzenleyici, konuşmacı etiketleri, zaman damgaları ve dışa aktarım formatları. Sonix, 30 dakikalık ücretsiz deneme sürümü sunan bir örnektir.
Bir SRT dosyasını VTT formatına dönüştürmek, mevcut altyazıları HTML5 videolarında kullanmanıza olanak tanır…
Bir videoyu İngilizceye çevirmek, kaydedilmiş sunumları, röportajları, eğitim materyallerini ve diğer içerikleri…
Google Translate, canlı konuşmaları çevirebilir, ancak şu konuda standart bir özellik sunmaz…
YouTube Shorts videolarına altyazı eklemek, izleyiciler izlerken de dahil olmak üzere, sesli içeriğin daha kolay takip edilmesini sağlar…
Zoom transkripsiyonu, Zoom toplantılarındaki sözlü içeriği yazılı metne dönüştürme sürecidir,…
Yapay zeka destekli transkripsiyon dönüşümü ve iş akışı optimizasyonu üzerine yapılan kapsamlı araştırmalardan derlenen kapsamlı veriler. Hatırlıyor musunuz…
Bu web sitesi çerez kullanmaktadır.