Sesinizi 10 saniyelik sesle klonlayın

Neden bugün 10 saniye yeterli (2 yıl önce yetmiyordu)

2023'e kadar bir sesi klonlamak, stüdyoda belirli bir corpus okuyarak 30 dakika ila birkaç saatlik temiz kayıt gerektiriyordu. Bugün Kokoro TTS ve XTTS v2 gibi modeller, makul ölçüde sessiz herhangi bir ortamda 6 ila 15 saniyelik referans sesle aynı işi yapıyor.

Ne değişti? Mimari. Modern modeller, ne söylediğinizi (içerik) nasıl söylediğinizden (tını, prozodi, ritim) ayırıyor. Küçük bir encoder, birkaç yüz milisaniyede "ses profilinizi" çıkarıyor; ardından herhangi bir metin bu profil kullanılarak sentezlenebiliyor. Sentez modeli Portekizce, İngilizce veya başka bir dili zaten biliyor — yalnızca metni sizin sesinizle "boyuyor".

Brainiall'ın pipeline'ı pratikte nasıl işler

Brainiall'da, 9 dilde 54 önceden eğitilmiş sesle özel GPU üzerinde çalışan yerel bir ses modeli kullanıyoruz — Brezilya Portekizcesinde 3 nöral ses dahil (pf_dora, pm_alex, pm_santa). Yeni bir sesi klonlamak için akış şu şekilde:

1. Portekizcede herhangi bir şey söyleyerek 10 saniye kayıt yaparsınız (örneğin bu paragrafı okuyarak)
2. Encoder, "voice embedding"inizi çıkarır — 512 sayıdan oluşan bir vektör
3. Synthesizer, seslendirmek istediğiniz metni + embedding'inizi alır
4. 2-4 saniye içinde bir MP3 alırsınız (gerçek zamanlı oran < 1, yani sentez nihai sesten daha hızlı)

Ne zaman doğal gelir, ne zaman hâlâ robotik duyulur

Mükemmel sonuç verir:
- Referans sesiniz temizse (düşük arka plan gürültüsü, yankı yok)
- Aşırı kahkaha veya ünlemler olmadan nötr bir tonda konuşursanız
- Seslendirilecek metin örnekle aynı dildeyse
- Kısa ila orta uzunlukta cümleler (cümle başına 30 kelimeye kadar)

Hâlâ başarısız olur:
- Çok spesifik duygular istediğinizde (patlayıcı öfke, ağlama)
- Metin çok sayıda yabancı isim veya nadir teknik jargon içerdiğinde
- Orijinal örnekte ortam gürültüsü varsa — model gürültüyü de kopyalar
- Çok uzun sesler (>2 dakika) prozodik olarak "drift" etmeye başlar

Etik sınırlar (önemli)

Rıza olmadan ses klonlamak ciddi bir hukuki ve etik sorundur. Brainiall'da:

• Klonlanan sesler hesabınıza bağlıdır ve yalnızca siz kullanabilirsiniz
• Sahibinin açık izni olmadan kamuya açık seslerden üçüncü taraf seslerini asla klonlamayız
• Oluşturulan içerik teslim edilmeden önce moderasyondan geçer (siyasi kişilere veya ünlülere yönelik kimlik taklidi girişimlerini tespit ederiz)
• Voice embedding'inizi istediğiniz zaman Verilerim bölümünden silebilirsiniz (KVKK)

Ses klonlamanın güçlü ve meşru kullanım alanları vardır: kitapları kendi sesinizle seslendirmek, kimliğinizi koruyarak birden fazla dilde içerik oluşturmak, konuşma yetisini kaybeden kişiler için erişilebilirlik. Sorumlu kullanın.

Hemen deneyin

Brainiall sohbetinde, giriş alanındaki mikrofona tıklayın, 10 saniye kayıt yapın (herhangi bir içerik) ve ardından seslendirmek istediğiniz metni yazın. Klonlama işlemi ayda 3 denemeye kadar ücretsizdir. 29 TL'lik Pro planı, 54 hazır sesin yanı sıra aylık 100 görsel ve 10 video kilidini açar — bunların pek çoğu zaten amatör klonlanmış bir sesten daha doğal duyulur.