SES STÜDYOSU

Kişisel Ses Klonu İçin Veri Toplama ve Kalite Denetim Sistemi

Proje raporu — 17 Eylül 2026

1. Proje Nedir?

Ses Stüdyosu, kurucunun kendi sesinden yüksek kaliteli bir yapay zekâ ses klonu oluşturmak için gerekli konuşma verisini otomatik olarak toplar, temizler ve kalite açısından denetler.

Sistem telefondan açılan bir web sayfasında çalışır. Kullanıcı yalnızca bir kez küreye dokunur; sonrasında süreç otomatik ilerler:

1. Sistem okunacak Türkçe cümleyi seslendirir.

2. Bip sesi verir.

3. Kullanıcı cümleyi okur.

4. Kullanıcı sustuğunda kayıt otomatik olarak kesilir.

5. Kayıt sunucuya gönderilir ve teknik olarak analiz edilir.

6. Whisper ile gerçekten doğru cümlenin okunup okunmadığı kontrol edilir.

7. Kayıt uygunsa kabul edilir ve sonraki cümleye geçilir.

8. Uygun değilse aynı cümle tekrar okutulur.

9. Üç başarısız denemeden sonra cümle otomatik atlanır.

Amaç: Eğitim modeline doğrudan verilebilecek, temiz ve kontrollü bir konuşma veri seti oluşturmak.

Bu proje ses klonlama modelini eğitmez. Görevi, VoxCPM2 gibi hazır ses klonlama motorlarının kullanabileceği kaliteli veriyi üretmektir.

2. Nihai Hedef

Uzun vadeli hedef, kurucunun kendi sesiyle konuşabilen kişisel bir yapay zekâ sistemi oluşturmaktır.

Bu sistem üç katmandan oluşacaktır:

• Ses: Kişinin kendi sesini üreten model

• Hafıza: Kişisel bilgi ve dosyalardan oluşan hafıza sistemi

• Beyin: Konuşan ve görev gerçekleştiren asistan

Mevcut projenin kapsamı yalnızca sestir.

Başarı ölçütü:

Kendi sesini, ChatGPT/ElevenLabs seviyesine yaklaşan temiz ve doğal bir yapay zekâ sesi olarak oluşturmak.

3. Sistem Mimarisi

Sunucu

Oracle Cloud VDS:

• ARM Neoverse-N1

• 4 çekirdek

• 23 GB RAM

• 193 GB disk

• GPU yok

• Ubuntu 24.04

• Python 3.12.3

• FFmpeg 6.1.1

Sunucu internete doğrudan açık değildir. Uygulama yalnızca 127.0.0.1:8099 üzerinde çalışır.

Erişim:

• iPhone: Tailscale Serve + HTTPS

• Bilgisayar: SSH tüneli

Güvenlik duvarında yalnızca SSH portu dışarıdan kabul edilir.

Tarayıcı

Tek bir index.html dosyası kullanılır.

Başlıca bileşenler:

• Canvas küre

• Web Audio API

• AnalyserNode

• Otomatik konuşma algılama (VAD)

• MediaRecorder

• Screen Wake Lock

Küre sistemin durumunu gösterir:

• Boz: Bekliyor

• Mor: Cümle okunuyor

• Yeşil: Kullanıcı konuşuyor

• Sarı: Kayıt denetleniyor

4. Bir Cümlenin Tam Akışı

Kullanıcı tarafı

1. Cümlenin seslendirmesi sunucudan alınır.

2. Cümle oynatılır.

3. 320 ms beklenir.

4. 880 Hz bip sesi çalar.

5. Mikrofon kaydı başlar.

6. Sistem ortamın gürültü tabanını sürekli ölçer.

7. Kullanıcı konuşmaya başladığında VAD bunu algılar.

8. Yaklaşık 1,4 saniye sessizlik oluştuğunda kayıt otomatik kesilir.

9. Kayıt sunucuya gönderilir.

Cümlenin ortasındaki kısa nefeslerin kaydı kesmemesi için:

• minimum kayıt: 1,8 saniye

• maksimum kayıt: 22 saniye

VAD eşiği ortama göre otomatik ayarlanır:

max(gürültü tabanı × 3,5, 0,006)

5. Sunucudaki Kalite Kontrolü

Sunucu gelen kaydı önce ham haliyle saklar. Ham kayıt hiçbir zaman değiştirilmez.

Daha sonra:

Teknik analiz

FFmpeg ile şu değerler ölçülür:

• Kayıt süresi

• Örnekleme hızı

• Tepe seviyesi

• RMS seviyesi

• Gürültü tabanı

• Sinyal/gürültü oranı

• Kırpılma oranı

• 8 kHz üzeri enerji

• Dijital sessizlik süresi ve oranı

Kayıt daha sonra mono, 16-bit PCM WAV formatına dönüştürülür.

Önemli: Özgün örnekleme hızı değiştirilmez. 16 kHz kaydı yapay olarak 48 kHz’e çıkarmak yeni bilgi üretmez.

6. Metin Doğrulama

Teknik olarak temiz görünen bir kayıt yanlış cümle içerebilir. Bu nedenle her kabul edilecek kayıt Whisper ile kontrol edilir.

Kullanılan model:

whisper.cpp — ggml-small — Türkçe

Whisper’ın ürettiği metin, beklenen cümleyle iki şekilde karşılaştırılır:

• Harf benzerliği

• Kelime benzerliği

İkisinden yüksek olan değer kullanılır.

Karar eşikleri

Yanlış kayıt veri setine girmez.

Bu kontrolün temel amacı, yanlış ses-metinsel eşleşmelerin eğitim verisini sessizce bozmasını engellemektir.

7. Ses Kalitesi Eşikleri

Otomatik RED

• Süre < 0,8 sn

• Süre > 25 sn

• Kırpılma > %0,05

• Tepe < -35 dB

• Metin benzerliği < %62

Uyarı

• Kırpılma > %0,005

• Tepe < -18 dB

• S/G < 25 dB

• Dijital sessizlik > %12

S/G değeri düşükse kayıt ikinci sınıf (toplu) olarak işaretlenebilir.

8. Neden Bu Kadar Sıkı Denetim Var?

Bir ses klonunda yalnızca ses kalitesi önemli değildir. Ses ile metnin doğru eşleşmesi de kritiktir.

Örneğin kullanıcı başka bir cümleyi okursa kayıt:

• temiz,

• yüksek kaliteli,

• gürültüsüz

görünebilir.

Fakat yanlış metinle eşleştirildiğinde model bu hatayı öğrenir.

Bu yüzden sistem hem akustik kaliteyi hem de metin doğruluğunu kontrol eder.

9. Gerçek Ölçümlerde Öğrenilenler

Proje geliştirilirken bazı varsayımlar gerçek kayıtlarla test edildi ve düzeltildi.

AirPods

AirPods’un 16 kHz’e düştüğü varsayımı ölçümlerle doğrulanmadı.

Gerçek kayıtlar:

• iPhone: 48 kHz

• AirPods: 48 kHz

Her iki cihazda da 8 kHz üzeri enerji mevcut.

AirPods’un temel farkı, düşük frekanslarda yaklaşık 5 dB daha güçlü olmasıdır. Bu nedenle dışa aktarımda 70 Hz yüksek geçiren filtre kullanılır.

Gürültü bastırma

AirPods’un yüksek S/G değerleri başlangıçta aşırı dijital işlem olarak yorumlandı. Daha sonra iPhone kayıtlarında da benzer davranış görüldü.

Sonuç:

Yüksek S/G tek başına cihazın sorunlu olduğu anlamına gelmez.

Whisper

Altı kayıt üzerinde yapılan test:

Bu nedenle sistemde Whisper small kullanılmaktadır.

Gürlük eşitleme

Kaynak kayıtlar:

-20,6 ile -24,0 LUFS

Dışa aktarılan kayıtlar:

-22,9 / -23,0 LUFS

Sonuç olarak kayıtlar yaklaşık 0,1 dB aralığında eşitlenmiştir.

10. Fonetik Cümle Sıralaması

Cümleler rastgele değil, ses birimlerini mümkün olduğunca dengeli kapsayacak şekilde sıralanır.

Difon kapsaması:

İlk 25 cümle, 121 cümlede elde edilen toplam difon kapsamasının yaklaşık %81’ini sağlar.

Bu nedenle kayıt yarıda kesilse bile veri mümkün olduğunca dengeli kalır.

11. Veri Yapısı

Ana veri:

~/ses-verisi/

İçeriği:

• ham/ → Değiştirilmemiş orijinal kayıtlar

• wav/ → PCM WAV kayıtları

• kayitlar.jsonl → Tüm ölçümler ve kararlar

• metadata.csv → Kabul edilen kayıtların LJSpeech formatı

• seslendirme/ → Cümlelerin Emel seslendirmeleri

• okuma_sirasi.json → Fonetik okuma sırası

Reddedilen kayıtlar silinmez.

Böylece eşikler ileride değiştirilirse eski kayıtlar yeniden değerlendirilebilir.

12. Eğitim Veri Seti

disari_aktar.py kabul edilen kayıtları eğitim formatına dönüştürür.

Uygulanan işlemler:

• Sessizlik kırpma

• 150 ms pay bırakma

• 70 Hz yüksek geçiren filtre

• EBU R128 ile -23 LUFS gürlük eşitleme

• 24 kHz mono dönüşüm

• LJSpeech formatı

• Eğitim/doğrulama ayrımı

Sonuç:

~/ses-veriseti/

13. Kullanılacak Ses Klonlama Motoru

Araştırma sonucunda ana motor olarak:

VoxCPM2

seçilmiştir.

Rapordaki araştırmaya göre:

• Türkçe desteği var

• 48 kHz çıktı

• Sıfır-atış ses klonlama

• LoRA ile uyarlama

• Apache-2.0 lisansı

• Yaklaşık 5–10 dakika ses ile LoRA uyarlaması yapılabiliyor

VDS’te GPU olmadığı için eğitim:

• ücretsiz GPU sağlayan Kaggle

• veya RTX 2060’lı Windows bilgisayar

üzerinden yapılacaktır.

14. Kayıt Ortamı

Mevcut kayıt düzeni:

AirPods + gürültü azaltma + araç

Bu seçim kalite açısından ideal bir stüdyo ortamı olduğu için değil, tek ve tutarlı kayıt koşulunu korumak amacıyla yapılmıştır.

Ölçümler AirPods’un kullanılabilir bant genişliğine sahip olduğunu göstermiştir.

Ancak araç ortamının ve cihaz işlemelerinin oluşturduğu bazı özellikler sonradan tamamen ortadan kaldırılamaz.

Bu nedenle gelecekte daha yüksek kalite için sessiz bir ortamda ek kayıt yapılması faydalı olabilir.

15. Mevcut Durum — 17 Eylül 2026

Sistem şu anda çalışır durumdadır.

• 621 cümle hazır

• Yaklaşık 41 dakika seslendirme

• 621/621 seslendirme önbelleğe alınmış

• 5 kayıt alındı

• 5 kayıt da çekirdek sınıfında

• 0 red

• Yaklaşık 0,3 dakika kullanıcı sesi

• Fonetik kapsama: %7,8

• VDS’te yaklaşık 179 GB boş alan

• Otomatik yedekleme: 12 saatte bir

• Son 10 yedek korunuyor

Sistem açısından temel altyapı tamamlanmıştır.

Şu anda yapılması gereken ana iş kayıt almaktır.

16. Sonraki Adımlar

Aşama 1 — Veri toplama

İlk hedef:

100–150 cümle ≈ 10 dakika

Daha sağlam bir veri seti için:

400–600 cümle ≈ 30–45 dakika

Mevcut havuz:

621 cümle ≈ 41 dakika

Aşama 2 — Veri setini oluşturma

disari_aktar.py çalıştırılır ve eğitim veri seti hazırlanır.

Aşama 3 — VoxCPM2

Kaggle GPU veya RTX 2060 üzerinde LoRA ince ayarı yapılır.

Aşama 4 — Test

Oluşturulan klon dinlenir ve:

• Ses benzerliği

• Doğallık

• Temizlik

• Tonlama

• Konuşma akıcılığı

değerlendirilir.

Gerekirse yeni veri toplanır.

17. Bilinen Teknik Tuzaklar

Proje sırasında şu hatalar bulunup düzeltildi:

1. 0.0 or varsayılan kullanımı ölçümlerde hatalı sonuç üretti.

2. FFmpeg’de Peak count yerine Abs Peak count kullanılmalı.

3. Yankı ölçümünde sabit dB eşiği kullanılamaz.

4. Gürültü bastırmalı cihazlarda oda yankısı güvenilir şekilde ölçülemeyebilir.

5. Cümle atlama durumu kalıcı hale getirildi.

6. Tarayıcı kayıt stop olayının gelmemesine karşı zaman aşımı eklendi.

7. Arka plandan dönünce AudioContext yeniden etkinleştiriliyor.

8. Ses önbelleğinde yarım dosya oluşmasını önlemek için atomik yazma kullanılıyor.

9. Kayıt kimliği çakışmalarına karşı daha güvenli kimliklendirme yapıldı.

10. Sabit VAD yerine ortama uyarlanan VAD kullanılıyor.

11. Kısa sessizliklerin cümleyi bölmesini önlemek için 1,4 saniyelik eşik kullanılıyor.

12. Yapay zekâ tarafından üretilen cümlelerde düşünme metni sızıntısı filtreleniyor.

13. Hatalı cümlelerin sonsuz tekrarına karşı üç deneme sınırı getirildi.

14. Güncellenen web arayüzünün yanlış dizinden servis edilmesi düzeltildi.

18. Genel Sonuç

Ses Stüdyosu’nun temel amacı bir ses klonlama modeli geliştirmek değil, kaliteli ses klonlama için güvenilir veri üretmektir.

Sistem şu anda:

Cümle üretimi → seslendirme → otomatik kayıt → akustik analiz → Whisper doğrulaması → kalite sınıflandırması → veri seti → eğitim

zincirinin tamamını otomatik olarak çalıştırabilecek durumdadır.

En önemli özellik, yalnızca kayıt yapmak yerine kaydın gerçekten kullanılabilir olup olmadığını otomatik olarak kontrol etmesidir.

Mevcut durumda altyapı tamamlanmış, 621 cümlelik havuz hazırlanmış ve sistem üretime hazır hale getirilmiştir.

Şu anki tek ana görev:

Kurucunun konuşması ve kaliteli veri toplaması.

İlk gerçek hedef yaklaşık 10 dakikalık temiz kayıt oluşturmak, ardından VoxCPM2 ile ilk ses klonunu test etmektir.

Daha fazla veri gerektiği görülürse sistem aynı ham kayıtları koruyarak yeni kayıtlarla genişletilebilir.

Kısa Teknik Özet

Kayıt: AirPods + iPhone → Opus/WebM veya AAC/MP4
Saklama: Özgün örnekleme hızında mono PCM WAV
VAD: Ortama uyarlanan eşik + 1,4 sn sessizlik
Doğrulama: Whisper.cpp small, Türkçe
Kalite: RMS, peak, clipping, S/G, bant analizi, sessizlik
TTS: Edge-TTS Emel Neural, Piper yedek
Veri: LJSpeech, 24 kHz, -23 LUFS
Klonlama: VoxCPM2 + LoRA
Mevcut havuz: 621 cümle / ~41 dakika
İlk hedef: 100–150 cümle / ~10 dakika
Sağlam hedef: 400–600 cümle / ~30–45 dakika
Sunucu: ARM VDS, 4 CPU / 23 GB RAM / GPU yok
Eğitim: Kaggle GPU veya RTX 2060
Mevcut durum: Sistem çalışır durumda.