Yapay Zeka ile Otomatik Altyazı Nasıl Oluşturulur?

Video içerik üretiminde erişilebilirlik, izlenme oranları ve arama motoru indekslemesi doğrudan altyazı kalitesine bağlıdır. İşletmeler ve ürün yöneticileri için Yapay Zeka ile Otomatik Altyazı Nasıl Oluşturulur? sorusu, yalnızca üçüncü parti bir SaaS aracına video yüklemekten ibaret değildir; ölçeklenebilir Speech-to-Text mimarilerini, API entegrasyonlarını, veri güvenliğini ve insan denetimi (human-in-the-loop) döngülerini kapsayan uçtan uca bir veri işleme sürecidir. Bu rehber; OpenAI Whisper ve alternatif konuşma tanıma modellerini kullanarak kurumsal standartlarda altyazı pipeline'ı kurma, zaman damgası doğruluğunu yönetme, regülasyon uyumluluğunu sağlama ve operasyonel maliyetleri optimize etme aşamalarını teknik detaylarıyla açıklar.

Yapay Zeka Tabanlı Altyazı Teknolojisinin Temelleri: Speech-to-Text ve Whisper

Geleneksel konuşma tanıma sistemleri, fonetik sözlükler ve gizli Markov modelleri (HMM) gibi katı akustik kurallara dayanmaktaydı. Bu eski mimariler; arka plan gürültüsü, değişen mikrofon kalitesi, aksan çeşitliliği ve hızlı konuşma dinamiklerinde yüksek hata payı üretiyordu. Modern yapay zeka tabanlı konuşma tanıma (Speech-to-Text - STT) sistemleri ise derin öğrenme mimarileri, özellikle de Transformer tabanlı Sequence-to-Sequence (Seq2Seq) modelleri üzerinde inşa edilmektedir. Bu dönüşüm, ses sinyallerinin doğrudan spektral özellikler (log-Mel spektrogramı) üzerinden işlenerek doğal dil çıktısına dönüştürülmesini sağlar.

Doğal Dil İşleme (NLP) ve Büyük Dil Modelleri (LLM) ile birleşen çağdaş akustik modeller, sadece söylenen fonemleri analiz etmekle kalmaz; cümlenin anlamsal bağlamını da değerlendirir. Böylece ses benzerliği taşıyan fakat bağlama göre farklı yazılan eşsesli kelimeler (homofonlar) yüksek doğrulukla ayrıştırılır. İşletmeler için bu mimari, ham ses kaydının milisaniyelik zaman damgaları (timestamp) ve dilbilgisi kurallarına uygun noktalama işaretleriyle metne dökülmesi anlamına gelir.

Konuşma Tanıma (Speech-to-Text) Modelleri Nasıl Çalışır?

Konuşma tanıma boru hattı, analog ses sinyalinin dijitalleştirilmesiyle başlar. Ses dosyası genellikle 16 kHz örnekleme hızında mono kanala indirgenir. Ardından ses dalgası, Fourier dönüşümü (STFT) aracılığıyla frekans bileşenlerine ayrıştırılarak insan kulağının algı düzeyine yakın olan 80 kanallı log-Mel spektrogramlarına dönüştürülür. Bu spektrogram, sesin 20 ila 30 milisaniyelik pencerelerde frekans ve genlik değişimlerini gösteren bir tür iki boyutlu görsel matristir.

Derin öğrenme modelinin kodlayıcı (encoder) katmanı, bu spektrogram matrisini alır ve yüksek boyutlu gizli durum vektörlerine dönüştürür. Kodlayıcı, sesin akustik özelliklerini (tonlama, vurgu, fonetik geçişler) haritalandırırken; kod çözücü (decoder) katmanı otoregresif biçimde önceki üretilen belirteçleri (tokens) ve kodlayıcı çıktılarını çapraz dikkat (cross-attention) mekanizmalarıyla değerlendirir. Kod çözücü bu aşamada dili oluşturan alt kelime parçacıklarını (Byte-Pair Encoding - BPE) ve ardından tam kelimeleri belirler. Model aynı zamanda zaman damgalarını hizalayarak cümlenin başlangıç ve bitiş aralıklarını hesaplar.

+---------------------------------------------------------------------------------------------------+
| Analog/Dijital Ses (WAV/MP3) -> Örnekleme (16 kHz Mono) -> Log-Mel Spektrogram (80 Kanal)        |
+---------------------------------------------------------------------------------------------------+
                                                  │
                                                  ▼
+---------------------------------------------------------------------------------------------------+
| Transformatör Kodlayıcı (Encoder): Akustik Dalga Boyutu ve Fonem Haritalama                       |
+---------------------------------------------------------------------------------------------------+
                                                  │
                                                  ▼
+---------------------------------------------------------------------------------------------------+
| Transformatör Kod Çözücü (Decoder): Bağlamsal Dikkat + BPE Belirteçleri + Milisaniyelik Zamanlama|
+---------------------------------------------------------------------------------------------------+
                                                  │
                                                  ▼
+---------------------------------------------------------------------------------------------------+
| Çıktı: Zaman Damgalı Metin Blokları (Format: SRT / VTT)                                           |
+---------------------------------------------------------------------------------------------------+

OpenAI Whisper Nedir ve Sektör Standartlarını Nasıl Değiştirdi?

OpenAI tarafından geliştirilen ve açık kaynak olarak yayımlanan Whisper, konuşma tanıma teknolojisinde bir dönüm noktası oluşturmuştur. Whisper, internetten toplanan 680.000 saatlik etiketlenmiş çok dilli ve çoklu görev ses verisiyle denetimli (supervised) olarak eğitilmiştir. Bu veri setinin yaklaşık %68'i İngilizce ses ve transkripsiyonu, %17'si İngilizce dışındaki dillerin ses ve transkripsiyonunu, geri kalan %15'i ise diller arası çeviri verisini içerir.

Geleneksel modeller belirli aksanlara, temiz stüdyo kayıtlarına ve kısıtlı kelime dağarcıklarına bağımlıyken; Whisper olağanüstü bir genelleştirme kabiliyeti sunar. Model ailesi; tiny (39 milyon parametre), base (74 milyon), small (244 milyon), medium (769 milyon), large-v2 ve large-v3 (1.55 milyar parametre) gibi farklı donanım kısıtlamalarına hitap eden sürümlerden oluşur. Whisper, sadece altyazı metnini üretmekle kalmaz; aynı zamanda noktalama işaretlerini, büyük/küçük harf kullanımını ve sesin başladığı/bittiği milisaniyelik segmentleri sıfır kurulumla (zero-shot) başarılı bir şekilde çıkarır.

Adım Adım Yapay Zeka ile Altyazı Üretim Süreci ve Teknik Entegrasyon

Otomatik altyazı pipeline'ı kurmak, ses sinyalinin ham videodan ayrılmasından son altyazı dosyasının işlenmesine kadar devam eden deterministik adımlardan oluşur. Kurumsal ölçekte video işleyen yapay zeka sistemlerinde ham video dosyasını doğrudan dil modellerine beslemek hem ağ bant genişliği hem de işlem gücü açısından verimsizdir.

Bu süreç üç ana fazda ele alınır: veri ön işleme, model transkripsiyonu ve çıktı formatlama. Her bir aşamada uygulanacak optimizasyonlar, modelin Kelime Hata Oranını (WER) doğrudan etkiler ve sonraki insan denetimi aşamasındaki iş yükünü %70'e varan oranlarda azaltır.

1. Adım: Ses Verisinin Optimizasyonu ve Gürültü Azaltma

Bir konuşma tanıma modelinin doğruluğu, sisteme verilen sesin sinyal-gürültü oranına (Signal-to-Noise Ratio - SNR) sıkı sıkıya bağlıdır. Video dosyaları genellikle MP4, MOV veya MKV gibi büyük kapsayıcı formatlarında saklanır. İlk işlem, FFmpeg gibi endüstri standardı araçlarla video akışını atmak ve yalnızca ses kanalını filtrelemektir.

Ses dosyasının konuşma modellerinin beklediği standartlara getirilmesi gereklidir. Çoğu modern model dahili olarak sesi 16.000 Hz örnekleme hızında ve tek kanallı (mono) PCM kodlamasında işler. Yüksek örnekleme oranları (örneğin 48 kHz veya 96 kHz) modeller için ek bilgi taşımaz, aksine bellek tüketimini artırır. Ayrıca ses seviyesinin EBU R128 veya ITU-R BS.1770 standartlarına göre normalleştirilmesi, fısıltı düzeyindeki konuşmaların veya aşırı patlayan seslerin model tarafından doğru algılanmasını sağlar.

# Videodan ses çıkarma, 16kHz Mono WAV formatına dönüştürme ve gürültü filtreleme
ffmpeg -i girdi_videosu.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 -af "highpass=f=200, lowpass=f=3000, loudnorm" optimize_ses.wav

Yukarıdaki komutta yer alan highpass=f=200 ve lowpass=f=3000 filtreleri, insan konuşma frekansı dışındaki alt uğultuları ve üst cızırtıları keser. loudnorm filtresi ise ses seviyesini homojen bir dinamik aralığa getirerek modelin duyarlılığını dengeler.

2. Adım: Whisper API veya Yerel (Local) Modeller ile Deşifre Süreci

Ses dosyası hazırlandıktan sonra transkripsiyon aşamasına geçilir. İşletmelerin önünde iki temel mimari seçenek bulunur: OpenAI Whisper API gibi bulut tabanlı hazır uç noktalar veya kendi altyapılarında (on-premise/bulut sanal makine) barındırılan açık kaynaklı modeller.

Whisper API kullanımı, operasyonel yükü minimize etmek isteyen kurumlar için hızlı bir dağıtım yoludur. API uç noktası, dosya başına 25 MB boyut sınırına sahiptir; bu sınır aşıldığında sesin parçalanması (chunking) gerekir. Öte yandan faster-whisper gibi CTranslate2 tabanlı optimize edilmiş kütüphanelerle yerel sunucularda işlem yapmak, API maliyetlerini düşürür ve veri aktarım gecikmesini ortadan kaldırır.

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

def generate_subtitles(audio_path):
    with open(audio_path, "rb") as audio_file:
        transcript = client.audio.transcriptions.create(
            file=audio_file,
            model="whisper-1",
            response_format="verbose_json",
            timestamp_granularities=["segment", "word"],
            language="tr"
        )
    return transcript

# Örnek çağrı
# sonuc = generate_subtitles("optimize_ses.wav")

API çağrısında timestamp_granularities=["segment", "word"] parametresinin kullanılması hayati önem taşır. Segment düzeyindeki zaman damgaları genel cümle bloklarını verirken, kelime düzeyindeki (word-level) zaman damgaları altyazının ekranda konuşmacıyla milisaniyelik senkronizasyonunu ve altyazı bölme (chunking) mantığının kusursuz işletilmesini sağlar.

3. Adım: Zaman Damgası (Timestamp) Ayarı ve SRT/VTT Formatında Dışa Aktarma

Model çıktısı ham bir JSON nesnesidir. Bu JSON verisi; konuşmanın metnini, segment kimliklerini ve başlangıç-bitiş sürelerini saniye cinsinden içerir. Video oynatıcıların ve yayın platformlarının bu veriyi okuyabilmesi için standart dosya formatlarına dönüştürülmesi şarttır. En yaygın kullanılan formatlar SubRip (.srt) ve Web Video Text Tracks (.vtt) formatlarıdır.

SRT formatı temel indeks numarası, zaman aralığı (00:00:01,000 --> 00:00:04,500) ve metin satırlarından oluşur. VTT ise modern web tarayıcılarında doğrudan <track> etiketiyle desteklenir; milisaniye ayracı olarak virgül yerine nokta (.) kullanır ve CSS ile metin konumlandırma (styling) imkanı tanır.

def json_to_srt(transcription_data):
    srt_output = []
    for index, segment in enumerate(transcription_data.segments, start=1):
        start = format_timestamp_srt(segment.start)
        end = format_timestamp_srt(segment.end)
        text = segment.text.strip()
        
        srt_output.append(f"{index}\n{start} --> {end}\n{text}\n")
    return "\n".join(srt_output)

def format_timestamp_srt(seconds):
    millis = int((seconds % 1) * 1000)
    seconds = int(seconds)
    mins, secs = divmod(seconds, 60)
    hours, mins = divmod(mins, 60)
    return f"{hours:02d}:{mins:02d}:{secs:02d},{millis:03d}"

Altyazı metnini bölerken profesyonel altyazı kurallarına dikkat edilmelidir. Bir altyazı bloğu ekranda tek satırda en fazla 37 ila 42 karakter (Characters Per Line - CPL), toplamda ise iki satırı (yaklaşık 84 karakter) geçmemelidir. Ekranda kalma süresi saniyede 15 ila 17 karakter (Characters Per Second - CPS) okuma hızına göre sınırlandırılmalıdır.

Otomatik Altyazıda Kalite Kontrolü: "Human-in-the-Loop" Neden Zorunludur?

Yapay zeka modelleri ne kadar gelişmiş olursa olsun, hiçbir konuşma tanıma sistemi %100 kusursuz çalışmaz. Altyazı oluşturma sürecini tamamen otonom bırakmak, özellikle kurumsal itibar, hukuki sorumluluklar ve marka güvenilirliği açısından ciddi riskler barındırır. Bu nedenle endüstride kabul gören en sağlıklı yaklaşım Human-in-the-Loop (HITL) yani insan denetimli iş akışlarıdır.

Yapay zeka, altyazı üretiminin %85-90'lık mekanik kısmını saniyeler içinde tamamlayarak maliyet ve zaman tasarrufu sağlar. İnsan editör ise kalan %10-15'lik kritik bağlam, sektör terminolojisi, özel isimler ve anlam kayması düzeltmelerini gerçekleştirir. Bu hibrit yapı, sıfırdan manuel deşifre yapmaya kıyasla üretim hızını yaklaşık 4 ila 5 kat artırırken doğruluk oranını kurumsal seviyede tutar.

Kelime Hata Oranı (WER) ve Yapay Zekanın Sınırları

Konuşma tanıma teknolojilerinde doğruluğun evrensel metriği Word Error Rate (WER - Kelime Hata Oranı) olarak adlandırılır. WER formülü şu şekilde hesaplanır:

Burada $S$ yer değiştirme (yanlış yazılan kelimeler), $D$ silme (atlanmış kelimeler), $I$ ekleme (ses kaydında olmayan ancak modele eklenen kelimeler) ve $N$ referans metindeki toplam kelime sayısını temsil eder.

Temiz stüdyo ortamında kaydedilmiş bir İngilizce ses kaydında Whisper Large modelleri %3 ila %5 gibi düşük WER oranlarına ulaşabilir. Ancak Türkçe gibi sondan eklemeli dillerde, teknik terminolojinin yoğun olduğu sektörlerde (tıp, hukuk, mühendislik) veya arka planda çoklu konuşmacıların yer aldığı ortamlarda bu oran %15 ila %25 seviyelerine fırlayabilir. Bu sapma, doğrudan izleyici deneyimini ve platformların algoritma puanlarını zedeler.

Halüsinasyon ve Sapma Riski

Otoregresif dil modelleriyle eğitilen akustik kod çözücülerin en tehlikeli yanı halüsinasyon (uydurma) üretme eğilimidir. Ses kaydında uzun süreli bir sessizlik, müzik geçişi, yoğun arka plan paraziti veya anlaşılmayan mırıltılar olduğunda, model bir sonraki muhtemel kelimeyi tahmin etmeye çalışır.

Bu durum; modelin hiç söylenmemiş cümleleri altyazıya eklemesine, belirli kelimeleri sonsuz bir döngüye sokmasına (örneğin "teşekkürler, teşekkürler, teşekkürler...") veya bağlam dışı siyasi/toplumsal ifadeler üretmesine neden olabilir. Özellikle kurumsal eğitim videolarında veya kamuya açık ürün tanıtımlarında bu tür bir hata, telafisi zor krizlere yol açabilir. Halüsinasyonların tespiti için ses dalgasındaki ses enerjisi (VAD - Voice Activity Detection) eşikleriyle metin uzunluğu algoritmik olarak çapraz kontrol edilmelidir.

İnsan Denetimi ile Doğruluk Kontrolü İş Akışı

Kurumsal bir video operasyonunda insan denetimi gelişigüzel bir dinleme süreci olmamalı, belirli bir standart operasyon prosedürüne (SOP) bağlanmalıdır. Kalite güvence (QA) süreçleri aşağıdaki kademelerle yapılandırılır:

1. Özel Terim Sözlüğü (Glossary) Eşleştirmesi: Transkripsiyon tamamlandığında, kurumun tescilli marka isimleri, yönetici adları ve teknik kavramları regex tabanlı otomatik script'lerle taranır ve düzeltilir.

2. Kritik Eşik Kontrolü: Güven skoru (confidence score) 0.70'in altında kalan kelimeler görsel arayüzde kırmızıyla vurgulanarak editörün yalnızca şüpheli alanlara odaklanması sağlanır.

3. Senkronizasyon Doğrulaması: Konuşmacının ağız hareketleri ile altyazının ekranda görünme anı arasındaki gecikme (latency) kontrol edilir; standart tolerans aralığı $\pm 100$ milisaniyedir.

4. Anlam Bütünlüğü ve Satır Kırma: Altyazının dilbilgisi kurallarına uygun noktadan bölünüp bölünmediği (örneğin bir sıfat ile ismin arasına satır sonu gelmemesi) incelenir.

Kurumsal İşletmeler İçin Kritik Başlık: Veri Gizliliği ve GDPR Uyumluluğu

Altyazı oluşturma projelerinde işletmelerin sıklıkla göz ardı ettiği en büyük risk faktörü veri güvenliğidir. Video ve ses kayıtları; çalışanların isimlerini, finansal verileri, tescilli ticari sırları, müşteri görüşmelerini ve hatta biyometrik veri kabul edilebilecek ses izlerini içerir. Bu verilerin yetkisiz üçüncü taraf SaaS platformlarına yüklenmesi, Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR), Kaliforniya Tüketici Gizliliği Yasası (CCPA) ve Türkiye'deki Kişisel Verilerin Korunması Kanunu (KVKK) kapsamında ciddi cezalara yol açabilir.

Kurumsal karar vericilerin, altyazı çözümü seçerken platform sağlayıcısının veriyi nasıl işlediğini teknik olarak sorgulaması zorunludur. Tüketici odaklı ücretsiz altyazı araçlarının birçoğu, kullanım sözleşmelerinde yüklenen ses verilerini kendi modellerini eğitmek (training data) amacıyla sakladığını belirtmektedir.

+---------------------------------------------------------------------------------------------------+
| VERİ İŞLEME MODELİ: BULUT API vs. YEREL SUNUCU (ON-PREMISE)                                       |
+---------------------------------------------------------------------------------------------------+
| [Bulut API Modeli]                                                                                |
| Ses Verisi -> HTTPS/TLS 1.3 -> Sağlayıcı Bulutu (Veri Saklama Politikası: 0 Gün/30 Gün) -> Metin |
| Risk: Ağ seviyesi sızıntı, sınır ötesi veri transferi kısıtlamaları (GDPR Madde 44-49)            |
+---------------------------------------------------------------------------------------------------+
| [Yerel Sunucu / On-Premise Modeli]                                                                |
| Ses Verisi -> Kurum İçi İzole Ağ (Air-Gapped / Private VPC) -> Yerel GPU (Whisper) -> Metin       |
| Güvenlik: %100 Veri İzolasyonu, Sıfır Dışa Veri Çıkışı, Tam GDPR/KVKK Uyumluluğu                |
+---------------------------------------------------------------------------------------------------+

Ticari API sağlayıcıları seçilirken şu maddeler sözleşmeyle (Data Processing Addendum - DPA) güvence altına alınmalıdır:

• Sıfır Gün Veri Saklama (Zero Data Retention): Gönderilen ses dosyalarının deşifre işlemi tamamlandıktan hemen sonra sunucu önbelleğinden tamamen silinmesi.

• Model Eğitimi Yasağı: Müşteri verilerinin genel yapay zeka modellerinin iyileştirilmesinde veya yeniden eğitilmesinde asla kullanılmaması.

• Aktarım ve Bekleme Anında Şifreleme: Verilerin aktarım sırasında en az TLS 1.3, sunucuda bekleme sırasında ise AES-256 standartlarıyla şifrelenmesi.

• Veri Yerleşimi (Data Sovereignty): Verinin işlendiği veri merkezlerinin regülasyonlara uygun coğrafi sınırlarda (örneğin AB sınırları içinde veya Türkiye yerelinde) bulunması.

Sağlık, savunma sanayii, finans ve hukuk gibi yüksek güvenlik gerektiren sektörlerde bulut tabanlı API'ler yerine Whisper modellerinin kurumun kendi özel bulutunda (AWS VPC, Azure Private Link) veya doğrudan şirket içi donanımlarda (Air-Gapped On-Premise) çalıştırılması tavsiye edilir.

Kullanım Senaryosuna Göre Yapay Zeka Altyazı Araçları Seçim Rehberi

Doğru altyazı aracını seçmek; aylık işlenen video saati, teknik ekip kapasitesi, bütçe kısıtlamaları ve altyazının kullanılacağı platformlara bağlı bir optimizasyon problemidir. Küçük bir pazarlama ekibinin ihtiyaç duyduğu arayüz ile her gün binlerce saat kullanıcı videosu işleyen bir dijital ürünün (SaaS) mimari gereksinimleri tamamen farklıdır.

Bu ayrımı netleştirmek amacıyla araç ekosistemini iki temel sınıfta değerlendirmek gerekir: Son kullanıcıya ve pazarlamacılara yönelik SaaS platformları ile yazılım ekiplerine yönelik programatik API/açık kaynak çözümler.

Pazarlamacılar ve Hızlı İçerik Üreticileri İçin SaaS Çözümleri

Sosyal medya odaklı çalışan ekipler (TikTok, YouTube Shorts, Instagram Reels, LinkedIn) için yalnızca metin deşifresi yeterli değildir. Bu senaryolarda izleyicinin dikkatini çekmek için dinamik kelime animasyonları, emojiler, otomatik vurgulamalar ve şablonlar gerekir.

• Kullanıcı Profili: Pazarlama uzmanları, sosyal medya yöneticileri, kurumsal iletişim ekipleri.

• Öne Çıkan Özellikler: Görsel zaman çizelgesi editörü, hazır sosyal medya en-boy oranları (9:16, 1:1, 16:9), otomatik b-roll ekleme, marka fontu entegrasyonu.

• Popüler Araçlar: CapCut Pro, Descript, Veed.io, Submagic.

• Maliyet Yapısı: Genellikle kullanıcı/ay bazlı lisanslama (örneğin ayda 15-40 $ bandında) ve belirli bir video dışa aktarma süresi sınırlaması.

• Kritik Dezavantaj: Yüksek hacimli video üretiminde birim maliyetin fırlaması, manuel müdahale ihtiyacı ve kurumsal veri gizliliği standartlarının sınırlı olması.

Geliştiriciler ve Ürün Yöneticileri İçin API ve Açık Kaynak Çözümler

Kendi platformuna altyazı özelliği eklemek, devasa video arşivlerini toplu (batch) olarak dönüştürmek veya katı veri güvenliği kurallarına uymak isteyen kurumlar için programatik araçlar tek geçerli yoldur.

• Kullanıcı Profili: Yazılım mimarları, veri mühendisleri, CTO'lar, ürün yöneticileri.

• Öne Çıkan Özellikler: Webhook desteği, mikroservis mimarilerine uyum, asenkron kuyruk yönetimi (Kafka/RabbitMQ), kelime bazlı zaman damgası çıktısı.

• Popüler Çözümler: OpenAI Whisper API, Deepgram Nova-2, AWS Transcribe, Google Cloud Speech-to-Text, yerel faster-whisper motorları.

• Maliyet Yapısı: Ses dakikası başına kullanım bazlı faturalandırma (dakika başına 0.0043 $ ile 0.024 $ arasında değişen maliyetler).

• Kritik Dezavantaj: Bir ön yüz (UI) içermemesi; depolama, kuyruk ve hata yakalama mekanizmalarının şirket içi mühendisler tarafından inşa edilme zorunluluğu.