Ses Deşifresi ve Altyazı

Bir toplantıyı, dersi ya da röportajı elle yazıya dökmek, kaydın süresinin birkaç katı zaman alır. Bir ses tanıma modeli işin çoğunu yapar, ama sonucun yine de kontrol edilmesi gerekir. Bu rehber, modelin bir kaydı nasıl okuduğunu, hangi modeli seçeceğinizi, hataları nasıl azaltacağınızı ve metni altyazı dosyalarına nasıl dönüştüreceğinizi anlatır.

Sesi Yazıya Çevirme Kelime ve Karakter Sayacı

Ses Tanıma Bir Kaydı Nasıl Okur

Sesi Yazıya Çevirme aracı, OpenAI'ın 2022'de MIT lisansıyla yayımladığı ses tanıma modeli Whisper'ı kullanır. Model kartına göre Whisper, internetten toplanan 680.000 saatlik ses ve dökümle eğitilmiştir; bunun yaklaşık üçte ikisi İngilizcedir.

Whisper dosyanın tamamını bir kerede dinlemez. Sesi 30 saniyelik parçalar hâlinde, bir spektrograma (her anda hangi frekansların güçlü olduğunu gösteren bir görüntü) dönüştürerek okur ve o parça için en olası metni, kelime parçası kelime parçası, zaman işaretleriyle birlikte yazar. Bu yüzden uzun bir kayıt pencerelere bölünür. Araç, cümleler bölünmesin diye her kesimi pencerenin sonuna yakın en uzun duraklamaya koyar ve sessiz pencereleri atlar.

Model bir şey yazmadan önce hangi dilin konuşulduğunu da anlayabilir: tahmin ettiği ilk şey bir dil etiketidir. Dili "Otomatik algıla"da bırakırsanız araç bu tahmini konuşmanın ilk 30 saniyesi üzerinde yapar, sonra dosyanın tamamı için tek bir dil kullanır.

Hangi Model?

Whisper'ın birkaç boyutu vardır. Araç üçünü sunar: base ve small her güncel tarayıcıda işlemcide, large-v3-turbo ise tarayıcı WebGPU destekliyorsa ekran kartında çalışır.

Model	Parametre	İlk indirme	1 dakikalık konuşma için süre*	Uygun olduğu durumlar
Whisper base	74 milyon	yaklaşık 90 MB	yaklaşık 30 saniye	Net kayıtlar, telefonlar
Whisper small	244 milyon	yaklaşık 250 MB	yaklaşık 1 dakika 35 saniye	WebGPU yoksa Türkçe ve diğer diller
Whisper large-v3-turbo	809 milyon	yaklaşık 750 MB	yaklaşık 20 saniye	WebGPU olan bilgisayarlar: en doğrusu

* Bir masaüstü bilgisayarda, tarayıcıda ölçülmüştür: base ve small işlemcide 8 bitlik ağırlıklarla, large-v3-turbo ekran kartında 4 bitlik ağırlıklarla. Daha yavaş cihazlarda daha uzun sürer. Her model bir kez indirilir, sonra araçta silene kadar tarayıcıda kayıtlı kalır.

Kalite farkı en çok İngilizce dışındaki dillerde görülür. Sentetik bir sesin okuduğu bir dakikalık Korece kayıtla yaptığımız testte base, 회의 (toplantı) yerine 후회 (pişmanlık), 월요일 (pazartesi) yerine 머료일 yazdı; small bu ikisini doğru yazdı ama 문의 (soru) yerine 무늬 (desen) yazdı; large-v3-turbo ise hiç hata yapmadı. Tarayıcınız large-v3-turbo'yu sunuyorsa onu kullanın; sunmuyorsa base ile başlayın, metinde çok hata varsa small'a geçin.

Large-v3-turbo, Whisper'ın en büyük modeli large-v3'ün hız için optimize edilmiş sürümüdür. Ekran kartı gerektirir: yalnızca işlemciyle kaydın yaklaşık 13 katı kadar sürdü, bu yüzden araç onu yalnızca WebGPU olan yerlerde gösterir; örneğin bilgisayarlarda Chrome ile Edge'in güncel sürümlerinde ve yeni Mac'lerde Safari'de. Ayrıca base'den çok daha fazla bellek ister; birçok telefonda bu bellek yoktur.

Daha İyi Bir Döküm İçin

Mikrofona yakın kaydedin. Uzaklık, yankı ve arka plan gürültüsü doğruluğu her şeyden çok düşürür.
Müzikten ve üst üste binen seslerden kaçının. Whisper tek bir metin akışı yazar ve konuşmacıları ayırt etmez.
Dili kendiniz seçin; özellikle kayıt müzikle, sessizlikle ya da başka dilde bir selamlamayla başlıyorsa.
İsimleri ve terimleri düzeltmeye hazır olun. Model yazımı sesten tahmin eder ve yaygın kelimeleri tercih eder.
Uydurma metne dikkat edin. Model kartı, Whisper'ın söylenmemiş şeyler yazabileceği ve kendini tekrarlayabileceği konusunda uyarır; bu çoğunlukla sessiz ya da gürültülü bölümlerde olur. O bölümleri kayıtla birlikte okuyun.
Çok uzun dosyaları bölün. Bir saatlik ses, çözüldükten sonra yaklaşık 220 MB bellek kaplar ve her şey kendi cihazınızda çalışır.

Altyazı Dosyaları: SRT ve VTT

Altyazı dosyası düz metindir: her biri başlangıç zamanı, bitiş zamanı ve gösterilecek kelimelerden oluşan girişlerin (cue) listesi. Yaygın iki biçim neredeyse aynı görünür.

SubRip (.srt) her girişi numaralandırır ve milisaniyeden önce virgül kullanır:

1
00:00:00,000 --> 00:00:02,300
Herkese günaydın.

2
00:00:02,300 --> 00:00:05,700
Toplantının ana başlıklarını özetleyeceğim.

WebVTT (.vtt), web sayfalarındaki altyazılar için W3C biçimidir ve HTML'in <track> öğesi tarafından kullanılır. Dosya WEBVTT kelimesiyle başlar, zamanlarda nokta kullanılır ve numaralar isteğe bağlıdır:

WEBVTT

00:00:00.000 --> 00:00:02.300
Herkese günaydın.

00:00:02.300 --> 00:00:05.700
Toplantının ana başlıklarını özetleyeceğim.

WebVTT'de bir girişin metni --> içeremez; & ve < karakterleri & ve < olarak yazılmalıdır. Araç bunu sizin için yapar. SRT'nin resmî bir belirtimi yoktur, ancak video düzenleme programları ve oynatıcılar yukarıdaki biçimi okur. Oynatıcınızın ya da platformunuzun istediği biçimi seçin.

Kolay Okunan Altyazılar

Whisper'ın bölümleri modelin kendi cümle anlayışına göre oluşur, bu yüzden bazıları uzundur. Yayımlamadan önce altyazıları videoyla birlikte oynatın, ekranda çok uzun kalan ya da iki satırı aşan bölümleri bölün ve her girişin sözler söylenirken göründüğünü kontrol edin. Altyazı düzenleyicilerinin çoğu SRT dosyalarını açıp girişleri kaydırabilir veya bölebilir.

Cihazda ve Bulutta Deşifre

Çevrim içi deşifre hizmetleri genellikle kaydı kendi sunucularına yükler; orada büyük modeller kaydı hızla işler. Tarayıcıdaki bir araç ise kaydı cihazınızda tutar: ses sayfanın içinde çözülür ve yazıya çevrilir, indirilen tek şey model dosyalarıdır. Bunun karşılığında hız işlemcinize bağlıdır ve modelin boyutu bir tarayıcının kaldırabileceğiyle sınırlıdır.

İşlemi kim yaparsa yapsın, başkalarının kayıtlarına özen gösterilmelidir. Whisper model kartı, kişilerin rızası olmadan yapılmış kayıtların deşifresinde kullanılmamasını öğütler; bir konuşmayı kaydetmeden ya da yazıya dökmeden önce izin isteyin.

Sık sorulan sorular

Whisper kimin konuştuğunu ayırt edebilir mi?

Hayır. Tek bir metin akışı yazar. Konuşmacıları ayırmak (diarizasyon) başka bir model gerektirir; isimleri elle ekleyin.

Dökümde neden kimsenin söylemediği cümleler var?

Whisper en olası metni tahmin eder ve sessizlikte, müzikte ya da gürültüde bazen sık gördüğü kelimelerle, örneğin bir kapanış cümlesiyle devam eder. Sessiz pencereleri atlamak işe yarar, ama dökümü kayıtla birlikte okuyun.

Kaydı İngilizceye çevirebilir mi?

Whisper modelleri bunu yapabilir, ancak bu araç yalnızca deşifre eder: metni konuşulan dilde yazar.

Bir video platformu hangi biçimi ister?

Video düzenleme programlarının ve platformların çoğu SRT kabul eder, web oynatıcıları ise VTT kullanır. Emin değilseniz ikisini de indirin: aynı girişleri içerirler.

Kaynaklar

Kaynak: OpenAI, Whisper (README) · Son kontrol: 13 Ekim 2026

Kaynak: OpenAI, Model Card: Whisper · Son kontrol: 13 Ekim 2026

Kaynak: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · Son kontrol: 13 Ekim 2026