Arapça, söylendiğinden daha az yazılan bir dildir. Arapça okuyan biri ünlüsüz bir cümleyle karşılaştığında kısa ünlüleri fark etmeden bağlamdan yeniden kurar. Bir ses modeli ise aynı işi istatistikle yapmak zorundadır. Sorun burada başlar: tek bir metin birden fazla okunuşa izin verebilir ve her okunuş anlamı değiştirir. Üstelik Arapçanın lehçe çeşitliliği çok geniştir ve bu lehçeler için düzenli ses verisi azdır. Bu yazıda yakın tarihli araştırma makalelerinin bu engeller hakkında söylediklerini, yazarların yayımladığı sayılarla birlikte okuyor, ardından Arapça sesli içerik üreten biri için ne anlama geldiğini çıkarıyoruz.
Okunuşunu gizleyen metin: kısa ünlüler sorunu
Arapça genellikle kısa ünlüler (fetha, damme, kesre, sükûn ve tenvin) olmadan yazılır. «كتب» sözcüğü bilinen bir örnektir: «kataba» (yazdı), «kutub» (kitaplar) ya da «kutiba» (yazıldı) diye okunabilir. Okur bunu tüm cümleden çıkarır.
Hala Al Masri ve Muhy Eddin Zater'in Arapça konuşma verisi hazırlamaya dair makalesi bu sorunu açıkça anlatır: ünlüler eksik olduğunda tek bir sözcük birkaç anlam taşıyabilir ve hem seslendirme sanatçısı hem de yapay zekâ modülü, belirsizliği azaltan harekelerden yararlanır. Makale, tamamen harekelenmiş metinler az ve pahalı olduğu için yalnızca belirsiz yerlere harekeleme yapılmasını, yani kısmi harekelemeyi önerir.
Harekeleri otomatik ekleyebilir miyiz? Sayılar ilerleme ve bir boşluk gösteriyor
Mantıklı çözüm, metin seslendirilmeden önce harekeleri otomatik eklemektir. Otomatik harekeleme epey gelişti ama mükemmelden uzak. CATT makalesi (karakter düzeyinde bir Arapça teşkil dönüştürücüsü) modelinin sonuçlarını iki ölçüt üzerinde sunar:
- Sözcük sonu harekeleriyle WikiNews ölçütünde, kodlayıcı-çözücü modeli yaklaşık %5,96 karakter hata oranına ve yaklaşık %20,06 sözcük hata oranına ulaştı.
- Daha zor olan CATT ölçütünde karakter hata oranı yaklaşık %8,62, sözcük hata oranı yaklaşık %34,19 oldu.
İki ölçüt arasındaki fark önemlidir. Burada sözcük hatası, sözcüğün en az bir harekeleme hatası içermesi demektir. Makalenin modeli karşılaştırıldığı modelleri geçse de, kolay ölçütte beş sözcükten yaklaşık birini, zor ölçütte üç sözcükten yaklaşık birini yanlış yapıyor. Sözcük sonu harekeleri (dilbilgisel sonlar) harekelemenin en zor kısmıdır, çünkü yalnızca sözcüğe değil cümle yapısına bağlıdır. Bu yüzden onlar dışarıda bırakıldığında sayılar düzeliyor (WikiNews'te yaklaşık %3,63 karakter hatası).
Çıkarım: otomatik harekeleme belirsizliği azaltır ama ortadan kaldırmaz ve içindeki her hata doğrudan okunuşa taşınır.
Veri harekelerin yerini tutabilir mi? QCRI'den bir deney
Alternatif bir araştırma yönü var: metne harekeler eklemek yerine modeli çok büyük miktarda konuşmayla eğitip doğru tahmin etmeyi öğrenmesini sağlamak. Katar Hesaplama Araştırma Enstitüsü'nden (QCRI) araştırmacıların «More Data, Fewer Diacritics» (Mart 2026) makalesi bunu test etti. Ekip sosyal platformlardan yaklaşık 20.000 saat ses topladı; temizleme ve bölümlemeden sonra eğitime uygun yaklaşık 4.000 saat kaldı. Sonra farklı boyutlarda modelleri harekeli ve harekesiz eğitti ve bir konuşma tanıma modeliyle sözcük hata oranını (WER) ölçtü.
Başlıca sonuçlar:
- 4.000 saat ve harekeli: WER 1,67 ile en iyi sonuç.
- 4.000 saat ve harekesiz: WER 3,18.
- 1.000 saatle eğitilen harekesiz model (3,12), 100 saatle eğitilen harekeli modellerden (3,48 ve 3,62) daha iyi çıktı.
Yani veri miktarı sabit tutulduğunda harekeler hâlâ en iyi sonucu veriyor, ama çok veri onların yokluğunun büyük bölümünü telafi ediyor. Araştırmacılar önemli sınırlamalar belirtiyor: deney yalnızca Modern Standart Arapça üzerinde yapıldı, ölçüm nesneldi ve insan dinleme testi yoktu, ayrıca puanlamada kullanılan tanıma modeli ailesi veri hazırlama hattıyla bağlantılı olduğundan sonuçlara yanlılık katabilir.
Standart Arapça ve lehçeler: yazılan bir dil ve konuşulan bir dil
İkinci sorun harekelerden daha derindir: hangi «Arapça»yı kastediyoruz? Habibi makalesi (Ocak 2026), Arapçanın 30'dan fazla konuşulan çeşidi olduğunu, Modern Standart Arapçanın günlük konuşmada nadiren kullanıldığını ve lehçelerin sözcük dağarcığı ile telaffuzda büyük farklar taşıdığını söyler. Mevcut Arapça konuşma verilerinin çoğunun aslında konuşma tanıma için hazırlandığını, çoğu zaman gürültülü ve harekesiz olduğunu, çok lehçeli konuşma sentezini değerlendirecek birleşik bir ölçüt bulunmadığını da ekler.
«Arab Voices» çalışması (British Columbia Üniversitesi, Ocak 2026) tabloyu veri tarafından doğrular. 31 Arapça konuşma veri kümesini listelemiş; lehçe etiketlerinin standart olmadığını, Kuzey Afrika (Cezayir, Hassaniyye, Fas ve Tunus) ile Irak gibi bölgelerin yeterince temsil edilmediğini bulmuştur. Önceden eğitim olmadan yapılan konuşma tanıma testlerinde, bazı Whisper yapılandırmalarının hata oranı 200'ü aştı ve Mezopotamya Arapçası için 271,25'e ulaştı; Standart Arapçanın hata oranı ise birkaç modelde 12'nin altına indi. Bunlar konuşma sentezi değil konuşma tanıma rakamlarıdır, ama verideki aynı standart-lehçe boşluğunu yansıtır.
Habibi'nin dikkat çekici bir sonucu da şudur: modeli önce Standart Arapça, sonra lehçe üzerinde eğitmek, yalnızca lehçeyle eğitmekten çok daha iyi sonuç verir. SADA veri kümesinde bu yaklaşımla WER yaklaşık 13,30 iken, lehçe üzerinde sıfırdan eğitimde 55,63 oldu. Başka bir deyişle Standart Arapça üzerine inşa edilen bir temel işlevi görür ve tek başına lehçe verisi yetmez.
Model konuşmadan önce: metin normalleştirme ve kayıt
Duyduğumuz hataların çoğu ses modelinden değil, ona ulaşan metinden gelir. Al Masri ve Zater, veri hattının sayıları, tarihleri, Arapça olmayan sözcükleri ve kısaltmaları, harekeleme, yazım denetimi ve bölümlemeden önce okunacak Arapça metne çevirdiğini anlatır. «1994», «5 km» ya da «iPhone» gibi bir metin yazıldığı gibi okunmaz; açıkça dönüştürülmezse yanlış okunur ya da atlanır.
Makale kayıt kalitesine de değinir: işlenmemiş bir stüdyodaki gürültü, tıslama ve patlayıcı sesler eğitim verisini bozar; kaynakta gürültüyü önlemeyi, sabit ve doğal bir tempo tutmayı ve duraklamaları yalnızca noktalama işaretlerine yerleştirmeyi önerir. Bu, yapay sesin kalitesinin öğrendiği insan sesinin kalitesine bağlı olduğunu hatırlatır.
Bir sesin iyi olduğunu nasıl anlarız? Ölçüm sorunu
Çalışmaların çoğu WER, konuşmacı benzerliği ve tahmini doğallık (UTMOS) gibi otomatik ölçütlere dayanır ve hepsinin sınırları vardır. Habibi, bu ölçütlerin bir kısmının eğitim verisi dışında iyi genellemediği konusunda uyarır; bu yüzden araştırmacılar her lehçe için 10 ile 20 ana dili konuşan kişiyle insan değerlendirmesi ekledi. Ticari bir modelle karşılaştırmasında hiçbir taraf tüm ölçütlerde üstün çıkmadı: Habibi birkaç lehçede konuşmacı benzerliği ve hata oranında, ticari model ise doğallıkta daha iyiydi. Ders şu: «en iyi sistem» neyi ölçtüğünüze bağlıdır ve gerçekten dinlemenin yerini hiçbir şey tutmaz.
Arapça sesli içerik üreten biri için bunun anlamı ne?
Yukarıdaki araştırmalardan bazı pratik alışkanlıklar çıkar. Bunlar makalelerin kelimesi kelimesine söylediği değil, benim çıkarımlarımdır:
- Belirsiz yerlere harekeleri kendiniz ekleyin. Birden fazla okunuşa izin veren sözcüklere kısmi harekeleme tahmine bırakmaktan hem ucuz hem daha doğrudur; Al Masri ve Zater de bunu önerir.
- Sayıları, tarihleri, kısaltmaları ve yabancı adları okunmasını istediğiniz gibi yazın.
- Standart Arapça ile lehçe arasında bilerek seçim yapın ve sanatsal bir amaç yoksa aynı paragrafta karıştırmayın.
- Yayımlamadan önce dinleyin. Hiçbir otomatik ölçüt insan kulağının yerini tutmaz; özellikle adlar, terimler ve sayılar için.
- Uzun metni kısa parçalara bölün ve parça parça gözden geçirin; bir saatlik kayıttaki tek bir hatayı yakalamak zordur.
Bugün Moknah
Moknah bu adımların bir kısmını platform içinde üstlenir: Arapça için Temel, Tashkeel ve Yapay Zekâ Şair olmak üzere üç metin işlemcisi sunar; Tashkeel ve Yapay Zekâ Şair, Temel'den daha fazla kredi harcar. Platform 130'dan fazla dilde metinden konuşmayı destekler. İnsan incelemesinin yerini tutmaz; tekrarlayan elle işi azaltır. Ücretsiz başlayabilir ve önemli bulduğunuz metni fiyatlandırma sayfasından deneyebilirsiniz.
İlgili okumalar
- Arapça, küresel yapay zeka tabanlı seslendirme (Voice Over AI) sistemleri için neden büyük bir zorluk teşkil ediyor?
- Moknah platformunu kullanarak markanız için en uygun sesi nasıl seçersiniz?
- Metinden Konuşmaya Dönüştürme Teknolojisi (Text-to-Speech)
Kaynaklar
- Musleh, Zhang, Darwish, "More Data, Fewer Diacritics: Scaling Arabic TTS", arXiv:2603.01622, March 2026: https://arxiv.org/html/2603.01622
- "CATT: Character-based Arabic Tashkeel Transformer", arXiv:2407.03236: https://arxiv.org/html/2407.03236
- Al Masri, Zater, "Arabic Text-to-Speech (TTS) Data Preparation", arXiv:2204.03255: https://arxiv.org/pdf/2204.03255v1
- Chen et al., "Habibi: Laying the Open-Source Foundation of Unified-Dialectal Arabic Speech Synthesis", arXiv:2601.13802: https://arxiv.org/html/2601.13802v2
- Sullivan et al., "Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology", arXiv:2601.13319, January 2026: https://arxiv.org/html/2601.13319v2