whispertranscribe.ai Editör Ekibi · Son güncelleme: Kasım 2026 · 12 dakikalık okuma · Kategori: Transkripsiyonun temelleri
Sesten metne dönüştürme nedir? Söylenen sözcükleri dinleyip düzenlenebilir metin olarak yazan yazılımdır. Konuşmadan metne ve otomatik konuşma tanıma (ASR) adlarıyla da bilinir. İki biçimde kullanılır: kişi konuşurken sözcüklerin göründüğü canlı kullanım ve tamamlanmış ses ya da video dosyasının döküme dönüştürüldüğü dosya kullanımı.
Açıklama: Tarayıcı tabanlı bir transkripsiyon hizmeti olan whispertranscribe.ai'yi biz geliştiriyoruz. Teknolojinin işleyişine ilişkin açıklamalar pazarlamamıza değil Google, Microsoft, Apple, W3C veya bir araştırma derlemesine dayanır.
Kısa cevap: sesten metne dönüştürme nedir?
Konuşmayı otomatik olarak metne çevirir: ses alınır, konuşma tanıma modeli en olası sözcükleri seçer ve yazılım noktalama işaretleri ekler.
- Diğer adları: konuşmadan metne, konuşma tanıma, ASR, sesle yazma ve konuşarak yazma.
- İki mod: yazma ve altyazı için canlı akış; mevcut kayıtlar için dosya tabanlı toplu işlem.
- Sınır: doğruluk büyük ölçüde sese bağlıdır. Gürültü, mikrofona uzaklık, güçlü aksanlar, jargon ve üst üste konuşmalar hata ekler.
Sesten metne, konuşmadan metne, dikte ve transkripsiyon
Sesten metne ve konuşmadan metne aynı anlama gelir. Dikte bunun bir kullanım alanıdır (bir metin kutusuna konuşmak); transkripsiyon ise başka bir alanıdır (kaydı yazılı belgeye dönüştürmek). “Ses tanıma” farklıdır: kimin konuştuğunu belirler.
W3C Web Erişilebilirliği Girişimi, sözcükleri metne dönüştürmek için “speech recognition” terimini; sözcükleri değil konuşmacıyı belirleyen teknoloji için “voice recognition” veya “speaker recognition” terimini kullanır.
| Terim | Genellikle anlamı | Tipik çıktı |
|---|---|---|
| Sesten metne | Konuşmayı metne dönüştürmenin günlük adı | Ekranda veya dosyada metin |
| Konuşmadan metne (STT) | Aynı fikir; yazılım belgelerinde yaygın terim | Genellikle zaman damgalı metin |
| Otomatik konuşma tanıma (ASR) | Teknik alan ve arkasındaki model | En olası sözcük dizisi |
| Dikte veya sesle yazma | Yazmak yerine metin alanına konuşma | İmlecin bulunduğu yere yazılan metin |
| Transkripsiyon | Bir kayıt veya olayın yazılı dökümü | Düzenlenebilir, aranabilir ve dışa aktarılabilir döküm |
| Canlı altyazı | Ses çalarken gerçek zamanlı gösterilen metin | Ekran altyazısı, genellikle kaydedilmez |
| Ses veya konuşmacı tanıma | Kimin konuştuğunu belirleme | Sözcükler değil, konuşmacı etiketi |
Her dikte sesten metne işlemidir, ancak her sesten metne işlemi dikte değildir. 90 dakikalık röportaj transkripsiyon, eller serbest bir e-posta yanıtı ise dikte gerektirir.
Sesten metne dönüştürme nasıl çalışır?
Her sistem sesi yakalar, sayısal özelliklere dönüştürür, eğitimli bir modelle en olası sözcükleri bulur ve sonucu biçimlendirir. Son on yılda değişen, modelin nasıl oluşturulduğudur.
- Yakalama. Mikrofon veya ses dosyası dijital sinyal sağlar. Google Cloud Speech-to-Text belgeleri, seçim varsa 16.000 Hz'de kayıt önerir. Daha düşük hızlar doğruluğu düşürebilir; daha yüksek hızlar belirgin fark yaratmaz.
- Özellik çıkarımı. Sinyal kısa çerçevelere ayrılır ve özelliklere, genellikle ses enerjisinin zaman ve frekansa göre değişimini gösteren spektrograma dönüştürülür.
- Tanıma. Model bu özellikleri en olası sözcük dizisine eşler.
- Biçimlendirme. Sistem noktalama, büyük harf ve bazen zaman damgası veya konuşmacı etiketi ekler.
Klasik yaklaşım: akustik model ve dil modeli
Konuşma tanıma onlarca yıl ayrı parçalara bölündü. Uçtan uca konuşma tanıma üzerine 2023 tarihli bir derleme dört bileşen tanımlar: akustik özellik çıkarımı, akustik modelleme, dil modelleme ve en iyi yanıtı seçen arama.
- Akustik model, her ses parçasında hangi konuşma seslerinin bulunduğunu tahmin eder. Klasik sistemler farklı konuşma hızlarına uyum için gizli Markov modellerini kullanırdı.
- Telaffuz sözlüğü bu sesleri sözcüklere bağlar.
- Dil modeli olası sözcük dizilerini puanlayarak benzer sesli anlamsız bir dizi yerine anlamlı ifadeyi tercih eder.
Modern yaklaşım: uçtan uca modeller
Yeni sistemler çoğunlukla uçtan ucadır: dökümü çıkarılmış konuşmalarla eğitilen tek bir sinir ağı sesten metne eşlemenin tamamını öğrenir. Aynı derleme, derin öğrenmenin önceki modellere göre sözcük hata oranlarını %50'den fazla azalttığını ve uçtan uca modellerin öne çıktığını bildirir. OpenAI Whisper iyi bilinen bir örnektir; Whisper AI nedir rehberimizde açıklıyoruz.
| Klasik süreç | Uçtan uca model | |
|---|---|---|
| Yapı | Ayrı akustik model, telaffuz sözlüğü ve dil modeli | Sesten metne tek sinir ağı |
| Eğitim gereksinimi | Elle hazırlanmış sözcük ve fonem listeleri, birden fazla eğitim aşaması | Çok miktarda dökümü çıkarılmış konuşma |
| Tipik zayıflık | Ayrı eğitilen parçalar hata ve maliyet ekleyebilir | Çok miktarda döküm gerektirir; yalnızca metin verisinden yararlanmak daha zordur |
| Dil bilgisi | Ayrı dil modeli | Ağ içinde öğrenilir; harici model eklenebilir |
Gerçek zamanlı ve dosya transkripsiyonu arasındaki fark nedir?
Gerçek zamanlı akış, kişi hâlâ konuşurken metni gösterir; dikte ve canlı altyazı için uygundur. Dosya tabanlı toplu transkripsiyon tamamlanmış kaydı işler ve tüm dökümü daha sonra döndürür; röportaj, toplantı ve dersler için uygundur.
Google Cloud Speech-to-Text üç istek türüne sahiptir: 1 dakika veya daha kısa ses için eşzamanlı, 480 dakikaya kadar dosyalar için eşzamansız ve kişi konuşurken geçici sonuçlar döndüren akış. Microsoft Azure Speech de benzer biçimde gerçek zamanlı, hızlı ve toplu transkripsiyonu ayırır (ikisi de Kasım 2026'da kontrol edildi).
| Canlı akışla sesten metne | Dosya tabanlı toplu transkripsiyon | |
|---|---|---|
| Metnin görünme zamanı | Konuşurken; daha fazla ses geldikçe geçici sözcükler değişebilir | Kayıt işlendikten sonra |
| Tipik kullanım | Dikte, canlı altyazı, sesli asistan | Röportaj, toplantı, ders, podcast, video altyazısı |
| Elinizde kalan | Metin kutusuna veya altyazı penceresine düşenler | Düzenlenip dışa aktarılabilen döküm |
| Temel tercih | Düzenleme yerine hız | Beklersiniz ama dosyayı farklı ayarlarla yeniden işleyebilirsiniz |
Pratik kural: sözcüklere hemen ihtiyaç yoksa temiz ses kaydedip dosyayı transkribe edin. Orijinal elinizde kalır ve her satırı kontrol edebilirsiniz.
Sesten metne ne için kullanılır?
İnsanlar yazmadan metin oluşturmak, kayıtları aranabilir notlara dönüştürmek, videolara altyazı eklemek ve sözlü içeriği erişilebilir kılmak için kullanır. Microsoft ayrıca çağrı sonrası analiz gibi çağrı merkezi kullanımlarını listeler.
| Kullanım | Yaygın mod |
|---|---|
| E-posta, mesaj ve taslakları sesle yazma | Canlı dikte |
| Toplantı ve röportaj notları | Dosya transkripsiyonu veya hızlı notlar için canlı mod |
| Ders ve seminer notları | Kayıt, ardından dosya transkripsiyonu |
| Video altyazıları | SRT veya VTT dışa aktarımlı dosya transkripsiyonu |
| Sesli notlar ve kaydedilmiş aramalar | Dosya transkripsiyonu |
| Sağır veya işitme güçlüğü yaşayanlar ya da klavye kullanamayanlar için erişilebilirlik | Canlı altyazı ve dikte |
Ders kaydetme uygulamaları rehberimiz sınıf ortamını ele alır.
Telefon veya bilgisayarda sesten metne nerede bulunur?
Çoğu cihazda sesle yazma zaten bulunur: Windows 11'de Windows logo tuşu + H, Mac veya iPhone'da Dikte ya da Android'de Google Gboard klavyesinin mikrofonu. Bu araçlar bulunduğunuz alana yazar; mevcut kayıtları transkribe etmez.
| Platform | Yerleşik özellik | Başlatma (resmî yardım sayfasına göre) | İnternet gerekli mi? (sayfaya göre) |
|---|---|---|---|
| Windows 11 | Sesle yazma | İmleci metin kutusuna yerleştirip Windows logo tuşu + H tuşlarına basın | Evet. Microsoft, Azure Speech destekli çevrimiçi tanıma kullanıldığını söylüyor |
| Mac | Dikte | Sistem Ayarları, Klavye, Dikte bölümünde açın. Mikrofon tuşu, dikte kestirmesi veya Düzen > Dikteyi Başlat ile başlatın | Değişir. Klavye ayarları genel diktenin Mac'te işlenip işlenmediğini gösterir |
| iPhone | Dikte | Ayarlar, Genel, Klavye, Dikteyi Etkinleştir. Ardından klavyedeki mikrofona dokunun | Çoğunlukla hayır. Apple, birçok dilde iPhone'da internetsiz işlendiğini söylüyor |
| Android | Gboard sesle yazma | Yazı yazılabilen bir uygulamada klavyenin üstündeki mikrofona dokunun | Google sayfasında belirtilmemiş |
Resmî sayfalardan birkaç ayrıntı:
- Windows: Microsoft'un sesle yazma rehberi isteğe bağlı otomatik noktalamayı da açıklar.
- Mac: Apple'ın Mac dikte rehberine göre 30 saniye konuşulmazsa dikte durur ve belirsiz sözcüklerin altı mavi çizilir; örneğin “flower” yerine “flour”.
- iPhone: Apple'ın iPhone dikte rehberi noktalama ve düzenleme için sesli komutları listeler.
- Android: Google'ın Gboard yardım sayfası, konuşarak yazmanın tüm dillerde çalışmadığını ve bazı adımların Android 7.0 veya üzeri gerektirdiğini belirtir.
Menü adları sürümler arasında değişir; cihazınızın yardım sayfasını izleyin.
Sesten metne ne kadar doğru ve sınırları neler?
Mikrofona yakın tek kişinin temiz sesinde modern sistemler sözcüklerin çoğunu doğru yazar. Gürültü, uzaklık, belirgin aksan, uzmanlık terimleri ve üst üste konuşmalar doğruluğu düşürür. Tek bir doğruluk oranı yoktur; kayıt en az yazılım kadar önemlidir.
Standart ölçüt sözcük hata oranıdır (WER): değiştirilen, çıkarılan veya eklenen sözcük sayısının insan tarafından kontrol edilmiş dökümdeki sözcük sayısına bölümü. Whisper ne kadar doğru yazımız temiz sesli kitaplarla uzaktan kaydedilmiş toplantılar arasında WER'in nasıl değiştiğini gösterir.
| Sınırlama | Nedeni | Ne yardımcı olur |
|---|---|---|
| Aksan ve lehçeler | Modeller eğitimde bazı aksanları çok daha az görür | Doğru bölgesel varyantı seçin; kısa klip test edin |
| Gürültü ve uzaklık | Gürültü ve yankı konuşma sinyalini bulandırır | Mikrofona yaklaşın, sessiz oda veya kulaklık kullanın |
| Jargon, isim ve nadir sözcükler | Modeller yaygın sözcükleri tercih eder | Özel sözcük listeleri (Microsoft bunlara ifade listeleri der) veya isim ve sayıları düzeltme |
| Birden fazla konuşmacı ve örtüşme | Üst üste sesleri ayırmak zordur; konuşmacı etiketleme ayrı bir görevdir | Sırayla konuşun; etiketleri kontrol edin |
| Telefon ve düşük kaliteli ses | Google, eski telefon sesinin genellikle 8.000 Hz olduğunu ve daha düşük doğruluk verebildiğini belirtir | Daha kaliteli kaydedin; örnekleme hızını artırmak eski sesi düzeltmez |
| Benzer sesli sözcükler | İngilizce “flour” ve “flower” aynı duyulur | Göndermeden önce metni okuyun |
İki alışkanlık çoğu hatayı yakalar: her isim, sayı ve teknik terimi sesle karşılaştırın ve canlı altyazıyı kayıt değil, yardımcı bilgi sayın.
Erişilebilirlik için sesten metne
Sesten metne iki yönde yardımcı olur. Dikte insanların konuşarak yazmasını sağlar; W3C buna ihtiyaç duyanlar arasında fiziksel engellileri, tekrarlayan zorlanma yaralanması olanları ve bilişsel veya öğrenme güçlüğü yaşayanları sayar. Altyazılar ve dökümler sağır veya işitme güçlüğü yaşayanların sesi takip etmesini sağlar.
W3C'nin işitme engelleri sayfası, ses içeriğinin döküm ve altyazı gibi alternatiflere ihtiyaç duyduğunu söyler. Ayrıca otomatik altyazıların uzmanlık terimlerini kaçırması ve cümleleri birleştirmesi nedeniyle tek başına güvenilemeyecek kadar hatalı olabileceği konusunda uyarır. Yayımlamadan önce çıktıyı inceleyip düzeltin. Altyazı türleri rehberimiz iki biçimi açıklar.
Telefonlarda da canlı araçlar bulunur. Apple Live Captions (iPhone 11 veya üzeri) uygulama veya ortam sesini gerçek zamanlı yazar; Apple yüksek riskli veya acil durumlarda buna güvenilmemesini söyler. Android'deki Google Live Transcribe konuşma ve sesleri metin olarak gösterir ve çevrimdışı dil kullanılmadıkça internet gerektirir.
Sesten metne aracı seçerken 5 ölçüt
Üretmek istediğiniz sonuçtan başlayın. Hızlı mesaj için yerleşik dikte yeterlidir. Uzun kayıtlar için dosya transkripsiyonu araçlarını şu beş noktaya göre değerlendirin.
- Canlı mı kayıt mı? Sesle yazma uygulamalar içinde dikte gerektirir. Mevcut kayıtlar dosya, gerekirse bağlantı kabul eden araç gerektirir.
- Dil ve aksan desteği. Dilinizin ve bölgesel varyantın kullanacağınız modda listelendiğini doğrulayın; canlı ve dosya modları aynı olmayabilir.
- Sesin nereye gittiği. Bazı araçlar cihazda işler, bazıları sunucuya gönderir. Hassas kayıtları yüklemeden gizlilik sayfasını okuyun ve başkalarını kaydetmeden önce gerekli rızayı alın.
- Elde edeceğiniz çıktı. Konuşmacı etiketleri, zaman damgaları, düzenleyici ve DOCX, TXT, SRT veya VTT dışa aktarımı arayın.
- Uzunluk sınırları ve maliyet. En uzun dosyayı, en büyük yüklemeyi ve fiyatın ses saatine göre nasıl değiştiğini kontrol edin.
Bütçe öncelikliyse en iyi ücretsiz transkripsiyon yazılımları karşılaştırmamız ücretsiz katmanları inceler.
whispertranscribe.ai nerede yer alır?
whispertranscribe.ai, mikrofonunuzdan canlı transkripsiyon da sunan, kayıtları metne dönüştüren tarayıcı tabanlı bir hizmettir. Dikte aracı değildir: diğer uygulamalara yazmaz ve masaüstü uygulaması yoktur. Ürün sayfalarımıza göre:
- Kayıt yükleyin. MP3, WAV, M4A, MP4 ve MOV gibi ses ve video dosyaları için çevrimiçi sesten metne kullanın; dosyalar 5 GB ve 10 saate kadar olabilir. Dosya transkripsiyonu isteğe bağlı konuşmacı tanımayla 130'dan fazla dili kapsar.
- Bağlantıdan transkribe edin. YouTube, Vimeo, Google Drive veya Dropbox bağlantısını Transcribe from URL alanına yapıştırın.
- Tarayıcıda kaydedin. Kurulum olmadan sesinizi kaydedip transkribe edin veya sesli notları yükleyin.
- Canlı transkripsiyon. Canlı transkripsiyon sayfası mikrofonu kaydeder ve konuşmayı gerçek zamanlı metin olarak gösterir. Dil ve mikrofonu seçebilir, konuşmacı tanımayı açabilirsiniz. Dil listesi yükleme listesinden kısadır.
- Dışa aktarımlar. DOCX, PDF, SRT, VTT, TXT ve CSV; AI altyazı oluşturucu altyazı dosyaları hazırlar. Kayıtlı aramalar için telefon görüşmesi transkripsiyonuna bakın.
Temiz seste doğruluk %99'a kadar ulaşır; arka plan gürültüsü, güçlü aksan ve örtüşme bunu düşürür. Ücretli planlar yıllık ödemeyle aylık 9,99 ABD dolarından başlar (fiyatlar); hesap açmadan ücretsiz başlayabilirsiniz. Tüm liste özellikler sayfasındadır.
Sık sorulan sorular
Sesten metne ve konuşmadan metne aynı şey mi?
Evet. İki ad da konuşmayı duyup düzenlenebilir metin üreten yazılımı anlatır. Google ve Microsoft'un geliştirici belgelerinde “konuşmadan metne” daha yaygındır; birçok kişi “sesten metne” arar. İkisi de otomatik konuşma tanımaya dayanır. Ayrı tutulması gereken “ses tanıma”, W3C'nin ne söylendiği yerine kimin konuştuğunu belirlemek için kullandığı terimdir.
Sesten metne dikteyle aynı mı?
Tam olarak değil. Dikte, metin alanına konuşup sözcüklerin imleçte görünmesini sağlayan bir kullanımdır; Windows sesle yazma ve Apple Dikte buna örnektir. Sesten metne ayrıca röportaj, ders veya toplantı gibi bir kaydın tamamını düzenlenebilir döküme çeviren transkripsiyonu da kapsar. Yeni metin yazıyorsanız dikte, mevcut sesi belgelemek istiyorsanız transkripsiyon kullanın.
Sesten metne internet gerektirir mi?
Araca bağlıdır. Microsoft, çevrimiçi tanıma kullandığı için Windows sesle yazmanın internet gerektirdiğini söyler. Apple, iPhone'da birçok dilde diktenin internetsiz cihazda işlendiğini; Mac klavye ayarları da işlemin Mac'te olup olmadığını gösterir. Google Live Transcribe çevrimdışı dil kullanılmadıkça internet gerektirir. Tarayıcı tabanlı olanlar dahil bulut transkripsiyon hizmetleri sesi yüklemek ve işlemek için bağlantı gerektirir.
Sesten metne ücretsiz mi?
Temel özellik çoğu cihazda ücretsizdir. Windows, macOS, iOS ve Android ek ücret olmadan sesle yazma veya dikte sunar, ancak dil desteği değişir. Maliyet genellikle uzun kayıtlarda başlar: birçok hizmet ücretsiz deneme veya katman sunar, sonra ses saati ya da abonelik üzerinden ücret alır. Ödemeden önce dosya ve yükleme sınırlarını, dilleri ve plandaki dışa aktarımları kontrol edin.
Sesten metne ne kadar doğru?
Mikrofona yakın tek konuşmacının temiz sesinde modern sistemler çoğu sözcüğü doğru yazar, ancak evrensel oran yoktur. Arka plan gürültüsü, yankı, uzaklık, güçlü aksan, teknik terimler ve üst üste konuşma hataları artırır. Yaygın ölçüt değiştirilen, eksik ve ek sözcükleri sayan WER'dir. Döküme güvenmeden önce isimleri, sayıları ve uzmanlık terimlerini sesle karşılaştırın.
Sesten metne kimin konuştuğunu anlayabilir mi?
Bazı araçlar anlayabilir. Kimin ne zaman konuştuğunu etiketlemek konuşmacı ayrıştırma denen ayrı bir adımdır ve her araçta bulunmaz. Yerleşik dikte tek konuşmacı varsayar: siz. Transkripsiyon hizmetleri sıklıkla etiket ekler; örneğin Microsoft Azure Speech 35 konuşmacıya kadar ayrıştırmayı belgeliyor. Sesler farklı ve konuşmalar örtüşmüyorsa etiketler daha iyi çalışır; benzer sesleri ve örtüşmeleri kontrol edin.
Metne dönüştürülecek kaydınız mı var? whispertranscribe.ai'ye yükleyin; 130'dan fazla dilde döküm ve DOCX, PDF, SRT, VTT dışa aktarımı alın.
Kaynaklar
- Google Cloud: Cloud Speech-to-Text genel bakış (Kasım 2026'da kontrol edildi)
- Microsoft Learn: Konuşmadan metne nedir? (Azure Speech) (Kasım 2026'da kontrol edildi)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe: End-to-End Speech Recognition: A Survey (arXiv 2303.03329)
- W3C WAI: Konuşma tanıma ve İşitme engelleri
- Microsoft Support: Bilgisayarda yazarak değil konuşarak yazma
- Apple Support: Mac'te mesaj ve belge dikte etme ve iPhone'da metin dikte etme
- Google: Gboard Yardım, sesinizle yazın
