Konuşmayı Yazıya Çeviren Program ve Uygulama Nasıl Seçilir?

Bir aracın tanıtım sayfasındaki doğruluk oranı sizin kaydınızla ölçülmemiştir. Güvenebileceğiniz tek ölçü, kendi kaydınızdan beş dakikalık bir parçayı aday araçların hepsine verip çıkan metinleri yan yana okumaktır. Bu test yarım saatinizi alır ve sizin kaydınızda hangi aracın ihtiyacınız olan çıktıyı verdiğini gösterir. Doğru cevap kayda göre değişir: Arabada kendinize bıraktığınız iki dakikalık sesli not için telefonun kendi özelliği yetebilir, üç kişinin konuştuğu bir saatlik toplantı için zaman damgalı ve konuşmacı etiketli metin veren bir servis gerekir.

Program, uygulama ya da web servisi: farkları neler?

"Konuşmayı yazıya çeviren program" diye aranan şey üç ayrı biçimde karşınıza çıkar ve aralarındaki fark, kullanım kolaylığından çok sesin nerede işlendiğiyle ilgilidir.

Bilgisayara kurulan program, sesi sizin makinenizde işler. Bu türün bilinen örneği OpenAI'ın açık kaynak olarak yayımladığı Whisper modelidir. GitHub sayfasına göre kod ve model ağırlıkları MIT lisansıyla dağıtılıyor. Kurulum için Python ve ffmpeg gerekiyor, altı model boyutu var ve en büyüğü yaklaşık 10 GB ekran kartı belleği istiyor, "turbo" sürümü 6 GB. Küçük modeller sıradan bir dizüstünde de çalışır ama hem yavaş hem de daha çok hata yapar. Whisper tek başına konuşmacıları ayırmaz, zaman damgalı metin üretir. Konuşmacı etiketi için üstüne ayrı bir araç kurmanız gerekir. Karşılığında ses dosyanız bilgisayardan hiç çıkmaz, program da internet olmadan çalışır. Kurumunuz kayıtların dışarı yüklenmesini yasaklıyorsa ya da kayıt internetsiz bir sahada yapılıyorsa doğru tür budur. Aksi hâlde kurulum ve donanım yükünü üstlenmenize gerek yok.

Dikkat edilecek bir yanılgı var: Bilgisayarda açılan her şey sesi bilgisayarda işlemez. Word'ün Döküm oluştur özelliği masaüstü programının içinde durur ama kaydı Microsoft'un sunucularına gönderir. Microsoft'un Türkçe destek sayfası .wav, .mp4, .m4a ve .mp3 kabul ettiğini, Microsoft 365 aboneliğiyle ayda 300 dakika yükleme sınırı olduğunu ve web'de yalnızca Edge ile Chrome'da çalıştığını yazıyor. Ayrıntısı Word'de sesle yazma yazısında.

Telefon uygulaması iki alt türe ayrılır. Telefonla gelen özellikler kendi uygulamalarıyla yapılmış kaydı yazıya döker. Türkçede durumları karışık: iPhone'un Sesli Notlar uygulaması bu yazı yazılırken Türkçe dökümü hiç desteklemiyor, Pixel'in Kayıt Cihazı ise Türkçe kaydı ancak kayıt bittikten sonra, Google sunucularında yazıya döküyor. iPhone ses kaydını yazıya çevirme yazısı bu sınırları tek tek anlatıyor. İkinci alt tür, bir transkripsiyon servisinin kendi uygulamasıdır: Telefonda kaydedersiniz ya da dosyayı seçersiniz, yazıya dökme işi servisin sunucusunda yapılır, metni aynı hesaptan bilgisayarda da açarsınız.

Web servisi tarayıcıda çalışır. Kurulum yoktur, hangi cihazdan girerseniz girin aynı hesabı görürsünüz, dosya yüklenir ve sunucuda işlenir. Bedeli şu: İnternet gerekir ve ses sizin cihazınızdan çıkar. Gizlilik ölçütünde bu yüzden sunucu tarafına ayrıca bakacaksınız.

Çoğu kişinin indirilecek bir programa ihtiyacı yok. Kayıt dışarı yüklenebiliyorsa web servisi daha az iş çıkarır ve her cihazdan ulaşılır. Program, yalnızca yükleme yasağı ya da internetsiz çalışma şartı varsa gerekir.

Neye bakmalı?

Sekiz ölçüt var. Hepsini her işte aynı ağırlıkla tartmayacaksınız. Altyazı yapan biri için zaman damgası ve SRT çıktısı şart, sesli not alan biri için ikisi de fazlalık.

Türkçe metnin kalitesi

Dil listesinde "Türkçe" yazması yetmez. Word'ün Dikte özelliğinde olduğu gibi Türkçe "önizleme" diye işaretlenmiş olabilir, bu da doğruluğun ve noktalamanın İngilizceye göre zayıf olacağı anlamına gelir. Asıl ölçü, kendi kaydınızda metnin nerede bozulduğudur. Türkçe konuşma tanımada hatalar dört yerde yığılır; test kaydınızı okurken bu dördüne bakın:

1. Ekler. "Gelemeyeceğim" tek kelime mi geldi, "geleme yeceğim" diye mi bölündü? Soru eki "mi" ve bağlaç "de" ayrı mı yazıldı? Bu hatalar düzeltilebilir ama her satırda tekrar eder.
2. Özel adlar. Soyadlar, şirket ve ilaç adları, şirket içi kısaltmalar sözlükteki en yakın kelimeye çekilir. "Argeda" firması "ar-ge'de" olur.
3. Sayılar ve tarihler. "On beş bin" bir araçta rakamla, diğerinde yazıyla gelir; "üç buçukta" nasıl yazıldı?
4. Cümle sınırları ve noktalama. Bir nefeste söylenen üç cümle tek cümle olarak gelebilir; soru cümlesi soru işaretiyle bitiyor mu?

Kurgusal bir örnek. Aynı cümle iki araçtan şöyle farklı çıkabilir:

İkisi de "Kılınç"ı "Kılıç" yaptı. Bu adı doğru yazmasını hiçbir araçtan beklemeyin, özel ad listesiyle kendiniz düzelteceksiniz. Fark, A'nın büyük harf ve noktalamayı bırakıp "mi"yi bitiştirmesinde. A'nın çıktısını okunur hâle getirmek her satırda el ister, B'de yalnızca özel adı düzeltirsiniz.

Türkçe için ayrı bir ayar olup olmadığı araca göre değişir. Bazı araçlar dili otomatik algılar, bazıları listeden seçtirir, bazıları ikisini birden yapar. Dili biliyorsanız seçin. Otomatik algılama Türkçe ile İngilizcenin karıştığı bir kayıtta yanlış dile karar verebilir. Kayıt iki dilliyse çoğunluk dilini seçmek araya giren kelimelerin çoğunu kurtarır.

Konuşmacı ayırma

Bakılacak şey ayırmanın olup olmadığı, neye dayandığı ve etiketlerin sonradan düzeltilip düzeltilemediği. Ses özelliklerine dayanan ayırma "Konuşmacı 1", "Konuşmacı 2" diye etiket verir ve insanlar sırayla konuştuğunda tutarlı çalışır. ChatGPT gibi bağlamdan tahmin eden araçlar, kişi adıyla hitap edilmediyse kimin konuştuğunu kestiremez. Test kaydınızda konuşmacının değiştiği noktalara bakın: Etiket doğru satırda mı değişiyor, bir satır önce ya da sonra mı? Üst üste konuşulan yerlerde her araç karışır; önemli olan, karıştığı yeri görüp düzeltebilmenizdir. Etiketlere ad vermek ve iki etiketi tek kişide birleştirmek de ayrı özelliklerdir, ücretsiz planlarda çoğu zaman yoktur. Tek kişilik sesli notlarda bu ölçütü hiç tartmayın.

Zaman damgaları

Zaman damgasının üç işi var: Metinde şüphelendiğiniz satırı kayıtta bulup dinlemek, alıntıyı kayıtla eşleştirmek ve altyazı yapmak. Bakılacak şey damganın nerede durduğu: Her bölümün başında mı, yalnızca sayfanın başında mı, hiç yok mu? Damgaya tıklayınca kayıt oradan başlıyor mu? Dışa aktarırken damgayı açıp kapatabiliyor musunuz? Toplantı tutanağına damga girmesin istersiniz, teze girsin istersiniz; ikisini de aynı araçtan alabilmeniz gerekir. Altyazı için zamanlamayı yalnızca SRT ve VTT taşır. Bir aracın "zaman damgalı" olması altyazı dosyası verdiği anlamına gelmez, iki ayrı kutucuğa bakın.

Dosya boyutu ve süre sınırı

Sınırlar dört ayrı yerde gizlenir ve tanıtım sayfası genellikle yalnızca birini yazar:

• Dosya başına boyut (MB) ve süre (saat). Bir saatlik telefon kaydı çoğunlukla 30 ile 60 MB arasındadır, üç saatlik bir video birkaç GB olabilir.
• Dönem başına kota: haftalık ya da aylık dakika. Word'de ayda 300 dakika, Hear2Text'in ücretsiz planında haftada 120 dakika.
• Aynı anda işlenen dosya sayısı. Ücretsiz planlarda çoğunlukla bir; on ders kaydını peş peşe yüklerseniz sırayla gelir.
• Kabul edilen kaynak: hangi dosya biçimleri, video kabul edilip edilmediği, bağlantı yapıştırılıp yapıştırılamadığı.

Kendi işinizdeki en uzun kaydı ölçün ve sınırları ona göre okuyun. Sınırı bir saat olan bir araç, doksan dakikalık dersi ikiye bölmenizi ister. Bölünen kayıtta da konuşmacı etiketleri parçalar arasında tutarlı kalmaz: Araç ikinci parçanın "Konuşmacı 1"inin ilk parçadaki kişi olduğunu bilmez.

Dışa aktarma biçimleri

Metni nereye götüreceğinize göre biçim seçersiniz. Araç o biçimi vermiyorsa iş kopyala yapıştıra kalır ve konuşmacı etiketleriyle damgalar yolda düşer.

Ücretsiz planların çoğu yalnızca TXT verir; altyazı yapacaksanız SRT'nin hangi planda olduğuna baştan bakın. Dışa aktarma penceresinde konuşmacıları ve zaman damgalarını ayrı ayrı açıp kapatabilmek de ölçüttür: Damgasız bir TXT tutanağa, damgalı bir Word teze gider.

Düzenleme ekranı

Otomatik metin hatasız gelmez, yani her araçta düzeltme yapacaksınız. Dolayısıyla düzeltmenin nerede yapıldığı seçimi belirler. Test ederken üç şeyi deneyin: Bir satıra tıklayınca ses o andan çalıyor mu, yoksa oynatıcıda saati elle mi arıyorsunuz? Metinde arama var mı, yanlış yazılmış bir özel adı on yerde tek tek mi bulacaksınız? Konuşmacı etiketini satır bazında değiştirebiliyor musunuz? Düzenleme ekranı olmayan araç, metni Word'e alıp orada düzeltmenizi gerektirir; o zaman ses ile metin ayrı pencerelerde kalır ve her şüpheli satır için kayıtta saat ararsınız. Bir saatlik kayıtta bu fark, düzeltme süresini ikiye katlar ya da yarıya indirir.

Gizlilik

Gizlilik sayfasını okurken cevabını aradığınız sorular belli: Ses nerede işleniyor, kayıt ve metin ne kadar süre saklanıyor, sizin dışınızda kim görebiliyor, içerik model eğitiminde kullanılıyor mu, sildiğinizde gerçekten siliniyor mu? Paylaşımın varsayılan ayarı da önemli: Bağlantı herkese açık mı doğuyor, siz açana kadar özel mi kalıyor? Telefonun kendi özelliği de her zaman cihazda kalmıyor: Pixel'in kayıttan sonra yazıya dökme işlemi Google sunucularında çalışabiliyor.

Hasta görüşmesi, müvekkil toplantısı ya da gizlilik sözleşmesi altındaki bir kayıt için kurumunuzun hangi araçlara izin verdiğini sorun. Sertifika (SOC 2, HIPAA, ISO 27001) şartı varsa bunu ilk eleme ölçütü yapın, çoğu tüketici aracının böyle bir sertifikası yok. Bir de kaydın kendisi: Başkasının sesini kaydediyorsanız, aracı seçmeden önce kaydı aldığınızı ona söylemiş olmanız gerekir; hangi aracı kullandığınız bu yükümlülüğü değiştirmez.

Fiyatlandırma

Dört model görürsünüz: dakika başına ücret, aylık abonelik, kotalı ücretsiz plan ve kurulan programlarda sıfır lisans ücreti artı sizin donanımınız. Karşılaştırırken fiyatı kendi aylık dakikanıza bölün. Ayda iki toplantıyı yazıya döken biri için haftalık 120 dakikalık ücretsiz kota yeter, her gün üç ders kaydını metne çeviren biri için abonelik dakika başına ücretten ucuza gelir. Ücretsiz planda neyin kapalı olduğuna bakın. Çoğunlukla dışa aktarma biçimleri, konuşmacı adları ve aynı anda işlenen dosya sayısıdır. Aboneliklerde "sınırsız" kelimesinin yanında bir adil kullanım sınırı yazıyorsa onu da okuyun. Microsoft 365 gibi zaten ödediğiniz bir abonelik varsa ve içindeki özelliğin kotası size yetiyorsa yeni bir araca para vermeyin.

Kısa bir testle karşılaştırma nasıl yapılır?

Test kaydı seçmek

Testi, gerçekten yazıya dökeceğiniz türden bir kayıtla yapın. Stüdyoda kaydedilmiş bir podcast bölümüyle test edip telefonla kaydedilmiş toplantıları yazıya dökecekseniz test size yalan söyler. Kendi kayıtlarınızdan beş dakikalık bir parça seçin ve içinde şunlar olsun: işinizde birden çok kişi konuşuyorsa en az iki konuşmacı ve birkaç konuşmacı değişimi, en az beş özel ad, birkaç sayı ya da tarih, kayıtlarınızda varsa gürültülü ya da üst üste konuşulan bir bölüm, kayıtlarınız iki dilliyse İngilizce kelimelerin geçtiği bir cümle. Kaydı kesmeniz şart değil; tamamını yükleyip her araçta aynı beş dakikayı okuyun. Kayıtta başkaları varsa testi onların haberiyle yapın.

Yüklemeden önce bir cevap anahtarı hazırlayın: O beş dakikayı bir kez dinleyin, geçen özel adları ve sayıları doğru yazımlarıyla bir listeye yazın, konuşmacının kaç kez değiştiğini sayın. Bu liste olmadan metni okurken gözünüz hataların üstünden kayar.

Sonra aynı parçayı aday araçların hepsine verin. Dil ayarı sunan araçta Türkçeyi seçin, otomatik algılamaya bırakmayın. Ayar sunmayan aracı olduğu gibi test edin, günlük kullanımda da öyle çalışacak.

Sonuçları aynı ölçüyle puanlamak

Her aracın çıktısını aynı tabloyla puanlayın. Aşağıdaki tablo bir örnektir, rakamlar uydurmadır; sütunlara kendi adaylarınızı yazın.

Son satır diğerlerinin toplamı gibidir ve çoğu zaman tek başına kararı verir. Bir saatlik kayıt için bu süreyi on ikiyle çarpın; A'da haftada bir toplantı için üç saate yakın düzeltme demek.

Puanları işinize göre tartın. Altyazı yapıyorsanız SRT vermeyen aracı tablo ne derse desin eleyin. Tez görüşmesini yazıya döküyorsanız konuşmacı değişimleri satırı iki kat ağırlıkta. Sesli notta o satır hiç yok, düzeltme süresiyle çıktıyı kopyalama kolaylığı kalır. Gizlilik ve sınır ölçütleri bu tabloya girmez, onlar eleme ölçütüdür: Kaydın dışarı çıkamayacağı bir işte web servisi daha testin başında elenir, doksan dakikalık kayıtlar için altmış dakika sınırı olan araç da öyle.

Hear2Text bu ölçütlerin neresinde?

Hear2Text üçüncü türe girer: tarayıcıda çalışan bir servis ve onun telefon uygulamaları. Sekiz ölçütün her birinde nerede durduğu, yapmadıkları dâhil, aşağıda.

Web, iOS ve Android

Kurulacak bir program yok. Tarayıcıdan MP3'ten metne sayfasında dosyayı yükler ya da herkese açık bir videonun bağlantısını yapıştırırsınız. iPhone ve Android uygulamaları telefonda kaydedip aynı hesaba yükler, metin bilgisayarda da açılır. Dil, 100 dil arasından otomatik algılanır. Yükleme ekranındaki "Transkripsiyon dili" alanından Türkçeyi seçmek doğruluğu artırır ve karışık dilli kayıtlarda çoğunluk dilini seçmek gerekir. Konuşmacılar her planda "Konuşmacı 1", "Konuşmacı 2" diye etiketlenir; onlara ad vermek ve iki etiketi birleştirmek ücretli plana dâhildir, ayrıntısı konuşmacı tanıma sayfasında. Her bölümün başında bir zaman damgası vardır, ona tıklayınca kayıt o noktaya atlar. Metin tarayıcıda düzeltilir, "Metinde ara" aynı hatayı bütün satırlarda bulur, yanlış giderse metin deşifre edildiği ilk hâline döndürülebilir. Dışa aktarma ücretsiz planda TXT; Word, PDF, SRT ve VTT ücretli planda, "Konuşmacıları ekle" ve "Zaman damgalarını ekle" kutuları çıktıya ne gireceğini belirler. Biçimlerin tam listesi dışa aktarma formatları sayfasında.

Gizlilik satırında: Yükleme HTTPS üzerinden gider, kayıt ve metin siz paylaşmadıkça yalnızca sizin hesabınızda durur, paylaşım varsayılan olarak özeldir. Hiçbir şey kendiliğinden silinmez; sildiğinizde metin, özet ve depodaki dosyalar birlikte kaldırılır. SOC 2, HIPAA ya da ISO 27001 sertifikası yoktur. Sözleşmeniz sertifika istiyorsa bu araç o işe uymaz.

Yapmadığı şeyleri de sayalım. Kayıt sırasında canlı yazmaz, kaydın bitmiş olması gerekir. Sesi temizlemez: Gürültülü kayıttan hatalı metin çıkar, yüksek müzik doğruluğu belirgin biçimde düşürür. Şarkı sözü de çözmez. Altyazıyı videonun üstüne gömmez, SRT dosyasını girdi olarak almaz. Bu işlerden biri sizin işinizse başka araç gerekir.

Dosya ve süre sınırları

Dosya başına 500 MB ve 18 saate kadar kayıt kabul edilir. MP3, WAV, M4A, WEBM, MP4, MOV ve MKV ile WhatsApp'ın .opus dosyası yüklenir, videoda yalnızca ses yazıya dökülür. Ücretsiz planda haftada 120 dakika var, kredi kartı gerekmez ve aynı anda bir dosya işlenir, sonrakiler sırada bekler. Ücretli planda aylık 9,99 ya da yıllık 89,99 dolar karşılığında dakika sınırı kalkar; adil kullanım sınırı günde 1.200 dakikadır ve birkaç dosya aynı anda işlenir. Bağlantı yapıştırma yalnızca oturum açmadan izlenebilen videolar içindir. Özel hesaplar, canlı yayınlar, Hikayeler, abonelere özel videolar ve oynatma listeleri çalışmaz, Spotify bağlantıları DRM yüzünden reddedilir.

Bu sınırların dışında kaldığınız üç durum var ve üçünde de başka bir seçenek daha iyidir. Kayıt bilgisayardan çıkamıyorsa Whisper'ı kendi makinenize kurun. Zaten Microsoft 365 ödüyorsanız ve ayda 300 dakikayı geçmiyorsanız Word'ün Döküm oluştur özelliğini önce deneyin. Konuşma sırasında ekranda akan canlı altyazı istiyorsanız Hear2Text dâhil kayıttan çalışan hiçbir araç o işi görmez. Telefonun ya da toplantı uygulamasının canlı altyazısına bakın.