Ses Kaydını Yazıya Çevirme: 5 Aracı Aynı 10 Dakikalık Türkçe Kayıtla Test Ettik
Kısa cevap
On dakikalık Türkçe bir toplantı kaydını beş araçtan geçirdik ve her aracın çıktısını kayıttaki gerçek metinle kelime kelime karşılaştırdık. En doğru sonucu Google Gemini verdi; tarayıcıda uğraşsız sonuç isteyene ses kaydını yazıya çevirme aracı 12 saniyede metin döndürdü; bilgisayardan hiç çıkmaması gereken kayıtlar için Whisper'ın büyük modeli çalışır bir yol. Ücretsiz küçük Whisper modeli ise Türkçede cümle atlıyor — tutanak niyetine kullanmayın.
Aşağıda kaydın kendisi, beş aracın ham çıktıları, hata sayıları, konuşmacı ayrımı ve dakika başına ücret var. Kaydı indirip aynı testi istediğiniz araçta tekrarlayabilirsiniz.
Test kaydı: 10 dakika 16 saniyelik bir toplantı
Üç konuşmacı; Elif toplantıya telefonla katılıyor (2,3 dakikalık bölüm telefon hattı kalitesinde).
Kayıt, uydurma bir ambalaj firmasının haftalık operasyon toplantısı: 89 replik, 1.136 kelime, üç konuşmacı. Senaryoyu bilerek zorlaştırdık: kişi ve firma adları (Öztürk Gıda, Miray Kozmetik, Demir İnşaat), ilçe adları (Şahinbey, Şehitkamil), sektör terimleri (selefon, navlun, çeki listesi), tutarlar ("iki milyon yedi yüz elli bin lira") ve tarihler. Elif'in replikleri telefon hattının 8 kHz bandından geçiyor — gerçek toplantıların "telefonla katılan" bölümü.
Kayıt stüdyoda üretildi — ve testi bu güçlendiriyor
Kaydı üç yapay zeka sesine okuttuk (stüdyodaki adlarıyla Seher, Kaan ve Melis); telefon bölümü, stüdyonun santral dışa aktarmasıyla aynı işlemden geçti. Bunu saklamıyoruz, çünkü yöntemin gücü tam da bu: kayıtta ne söylendiğini harfi harfine bildiğimiz için her aracın çıktısını kesin doğru metinle karşılaştırabiliyoruz. Gerçek bir toplantı kaydında "doğru metin" diye bir şey elinizde olmaz.
Hata payını kelime düzeyinde saydık (eksik, fazla ve yanlış kelimelerin toplamı / toplam kelime). Sayı yazımı farkları eşitlendi: "2.750.000" ile "iki milyon yedi yüz elli bin" aynı kabul edilir, rakamla yazan araç puan kaybetmez. Beş araç: SpeechGen (tarayıcıda), Google Gemini (AI Studio'da herkes deneyebilir), Google Speech-to-Text (geliştirici API'si), ve Whisper'ın iki modeli (küçük "small" ile büyük "large-v3-turbo", ikisi de bilgisayarda ücretsiz çalışır).
Sonuçlar: kelime hata payları
| Araç | Tam kayıt | Temiz bölüm | Telefon bölümü | Süre (10 dk kayıt) |
|---|---|---|---|---|
| Google Gemini | %2,3 | %3,0 | %2,2 | 39 sn |
| SpeechGen | %10,5 | %29,3* | %11,2 | 12 sn |
| Google Speech-to-Text | %14,7 | %6,6 | %10,0 | 141 sn** |
| Whisper — büyük model (yerel) | %9,6 | %17,1 | %9,7 | 29 sn |
| Whisper — küçük model (yerel) | %26,6 | %34,4 | %20,1 | 55 sn |
Dört gözlem. Gemini açık ara önde: on dakikalık kayıtta topu topu 26 kelimelik sapma var, tutarları ve özel adların çoğunu doğru yazdı. SpeechGen orta doğrulukta ama en hızlısı: 12 saniyede sonuç, telefon bölümünde bile hata artmıyor; buna karşılık temiz bölüm testinde bir noktada takılıp aynı kelimeyi onlarca kez tekrarladı — çıktıyı okurken fark edilir ama tutanağı bozar. Google Speech-to-Text parça sınırlarında cümle düşürüyor; karışık bantlı (stüdyo + telefon) tam kayıtta hatası ikiye katlanıyor. Küçük Whisper modeli Türkçede cümle atlıyor: daha kaydın ilk yarım dakikasında dört repliği birden yuttu; büyük model atlamayı azaltıyor ama bitirmiyor.
Tekrar döngüsü: uzun kayıtların bilinen hastalığı
SpeechGen'in temiz bölüm çıktısında model bir noktada "Avrupa" kelimesine takıldı ve onlarca kez tekrarladı; %29,3'lük sapmanın 181 kelimesi bu tek döngü. Aynı kaydın tamamında bu olmadı (%10,5). Bu davranış tanıma modellerinin bilinen bir hata türü — hangi aracı kullanırsanız kullanın, uzun kayıt çıktısını göz ucuyla taramadan tutanak yapmayın.
Ham çıktılar yan yana
Yüzdeler soyut kalır; hataların türü daha öğretici. Aynı cümlelerin dört araçtaki hâli:
| Kayıtta söylenen | Gemini | SpeechGen | Google STT | Whisper (büyük) |
|---|---|---|---|---|
| Gündem bugün yüklü | Gündem bugün yüklü | "günden bugün yüklü" | Gündem bugün yüklü | "günden bugün yüklü" |
| Miray Kozmetik | Miray Kozmetik | "Miraik Kozmetik" | Miray Kozmetik | "Mirai Kozmetik" |
| Şahinbey yerine Şehitkamil'e | "Şahin Bey yerine Şehit Kamil'e" | "Şahin Bey yerine şehit Kamile" | "Şahin Bey yerine şehitkamil'e" | "Şahin Bey yerine Şehit Kamil'e" |
| üç bin beş yüz adet koli | 3500 adet koli | "3500 adet kolye" | 3.500 adet koli | "3500 adet kolye" |
| Elif, hattasın değil mi? | Elif hattasın, değil mi? | Elif, hattasın değil mi? | "Elif haklısın değil mi" | Elif, hattasın değil mi? |
Desen net: modern araçlar artık harf hatası değil, özel ad ve atlama hatası yapıyor. "Koli"nin iki araçta "kolye" olması, ilçe adının beş araçta da ikiye bölünmesi tesadüf değil; tutanağın sayıları ve kişi adları kritikse çıktıyı bu gözle tarayın. Genel konuşma akışı içinse en zayıf araç bile okunur metin veriyor.
Konuşmacı ayrımı ve zaman damgası
Toplantı ve röportaj deşifresinde "kim söyledi" çoğu zaman metnin kendisi kadar önemli. Burada tablo kısa: Gemini istenirse konuşmacıları ayırıyor ve bu testte üç konuşmacıyı hatasız etiketledi; Whisper zaman damgası verir ama konuşmacı ayırmaz; SpeechGen bugün düz metin (TXT) döndürür — konuşmacı etiketi ve zaman damgası yok; Google'da ayrım için ayrı yapılandırma gerekir. Gemini'nin çıktısından ilk satırlar:
Konuşmacı 1: Evet arkadaşlar, herkese günaydın. Saat 10 olduğuna göre başlayalım. […] Konuşmacı 2: Günaydın Zeynep Hanım. Konuşmacı 1: Elif hattasın, değil mi? Sesin geliyor mu? Bir kontrol edelim. Konuşmacı 3: Buradayım. Merhaba. Depodan bağlanıyorum. Telefondayım.
— Gemini, konuşmacı etiketli istem — üç konuşmacının üçü de doğru ayrıldı
Süre ve ücret: dakika başına ne ödersiniz
| Araç | Bu kaydın maliyeti | Ücretsiz yol | Kurulum / hesap |
|---|---|---|---|
| SpeechGen | 4.312 kredi (≈ 0,43 $) | Üyelikle 10.000 kredi ≈ 23 dakika kayıt | Tarayıcı; kurulum yok |
| Google Gemini | AI Studio'da kota dahilinde ücretsiz; API'de birkaç cent | AI Studio kotası | Google hesabı; dosyayı elle yüklersiniz |
| Google Speech-to-Text | ≈ 0,16 $ (0,016 $/dk) | Ayda 60 dakika | Google Cloud projesi + kart; geliştirici işi |
| Whisper (ikisi de) | Ücretsiz | Tamamı | Bilgisayara kurulum; komut satırı |
Ölçülen süreler de tabloyu tamamlıyor: SpeechGen 12 saniye, Gemini 39 saniye, Apple işlemcili bir dizüstünde büyük Whisper 29, küçük Whisper 55 saniye; parçalanmış Google çağrısı 141 saniye. Günde bir iki kayıt için hepsi yeterince hızlı; fark, iş akışında: tarayıcıya dosya bırakmak ile Cloud projesi kurmak aynı iş değil.
Hangi iş için hangi araç
| İş | Önerimiz | Neden |
|---|---|---|
| Toplantı tutanağı (kim ne dedi) | Gemini | En düşük hata + konuşmacı ayrımı bu testte hatasız |
| Ders / konferans kaydı (tek konuşmacı, uzun) | SpeechGen ya da Gemini | SpeechGen: tarayıcıda 12 saniyede TXT; Gemini: en yüksek doğruluk |
| Röportaj (iki konuşmacı, yayına girecek) | Gemini + elle düzeltme | Özel adlar her araçta kontrol ister; ayrım etiketleri işi kısaltır |
| Hassas / gizli kayıt | Whisper büyük model (yerel) | Ses dosyası bilgisayardan çıkmaz |
| Telefon görüşmesi kaydı | Gemini ya da SpeechGen | İkisinin de telefon bandındaki hatası düşük (%2,2 ve %11,2) |
Dürüst özet: doğrulukta bu testin birincisi biz değiliz, Gemini. SpeechGen'in yeri farklı — dosyayı tarayıcıya bırakıp 12 saniyede metin almak, hesap-kota-kurulum derdi olmadan; sesli not, ders kaydı ve WhatsApp sesli mesajı gibi günlük işlerin aracı. Deşifre aracımız artık video da kabul ediyor (MP4/MOV, 45 dakikaya kadar): videonun sesi sunucuda ayrıştırılıp aynı yoldan metne çevriliyor.
Sık sorulan sorular
Ses kaydını ücretsiz yazıya çevirebilir miyim?
Evet, üç yolla: SpeechGen'de üyelikle gelen kredi yaklaşık 23 dakikalık kaydı karşılar; Google AI Studio'da Gemini'ye kota dahilinde dosya yükleyebilirsiniz; Whisper'ı bilgisayarınıza kurarsanız tamamen ücretsizdir (büyük modeli tercih edin — küçüğü Türkçede cümle atlıyor).
Hangi ses formatları destekleniyor?
SpeechGen MP3, WAV, M4A, OGG, FLAC ve WebM kabul eder (25 MB'a kadar); MP4/MOV/WebM/MKV video dosyalarından da sesi ayrıştırıp çevirir (200 MB / 45 dakikaya kadar). WhatsApp sesli mesajları (.opus) için önce paylaş menüsünden dosyayı dışa aktarın.
Konuşmacıları ayırabiliyor musunuz?
Bugün hayır — SpeechGen düz metin döndürür. Testte konuşmacı ayrımını hatasız yapan araç Gemini oldu; "kim ne dedi" kritikse bu ihtiyaç için bugün doğru adres orası.
Kaydım ne kadar doğru çevrilir?
Bu testte araçların kelime hata payı %2,3 ile %34 arasında değişti. Gerçek kayıtlarda arka plan gürültüsü ve mikrofon kalitesi bu sayıları yukarı çeker; özel adlar ve tutarlar her araçta elle kontrol ister.
Telefon görüşmesi kaydı çevrilir mi?
Evet. Testin 2,3 dakikalık bölümü bilerek telefon hattı kalitesindeydi (8 kHz): Gemini %2,2, SpeechGen %11,2 hata verdi. Telefon bandı modern araçlar için artık büyük engel değil.
Bu testi kendim tekrarlayabilir miyim?
Evet — yazının başındaki kaydı indirin ve istediğiniz araca yükleyin. Kayıtta ne söylendiğini yazının içindeki alıntılardan doğrulayabilirsiniz; senaryo bilinçli olarak özel adlar, tutarlar ve sektör terimleriyle doludur.
Kaydınızı tarayıcıda metne çevirin
Dosyayı bırakın, dilini seçin, 12 saniyede TXT indirin. Üyelikle gelen kredi ~23 dakikalık kaydı karşılar; video dosyaları da kabul edilir.
Ses kaydını yazıya çevirme aracını aç