kodlama.org Açık Bilgi Bankası

Yapay Zekâ Sözlüğü

Klasik Makine Öğrenmesinden AGI ve Süperzekâ vizyonuna kadar 16 kategoride 605 terim. Her kavram için teknik mekanizma, sezgisel açıklama, formüller ve pratik kullanım senaryoları.

⚡ 605 Özgün Terim📂 16 Kategori📐 Matematiksel Formüller
Harf:
Kategoriler (16)
Toplam 30 terim bulundu(Ses, Konuşma ve Müzik Yapay Zekâsı)Gösterilen: 1 - 24
#489Ses, Konuşma ve Müzik Yapay Zekâsı

Spectrogram

Spektrogram (Ses Isı Haritası)

STFT işleminin genlik karesini alarak; X ekseninde **Zamanı**, Y ekseninde **Frekansı (Hz)**, piksellerin parlaklık ve renginde ise o frekansın **Enerjisini (desibel)** gösteren 2 boyutlu görsel resim formatıdır.
Ayrıntılı Rehber→
#490Ses, Konuşma ve Müzik Yapay Zekâsı

Mel-Spectrogram

Mel-Ölçekli Spektrogram

Standart spektrogramın doğrusal frekans eksenini, insan kulağının düşük frekanslardaki (kalın sesler) küçük değişimleri çok iyi duyup yüksek frekanslardaki (tiz sesler) farkları ayırt edememe biyolojisine göre **Mel ölçeğiyle (logaritmik filtre bankalarıyla)** bükülmüş halidir.
Ayrıntılı Rehber→
#493Ses, Konuşma ve Müzik Yapay Zekâsı

Word Error Rate (WER)

Kelime Hata Oranı

Bir konuşma tanıma (ASR) sisteminin başarısını ölçen standart metrik olup; referans insan metnine göre modelin kaç kelimeyi **eklediğini (Insertion)**, **sildiğini (Deletion)** veya **yanlış değiştirdiğini (Substitution)** ölçen hata yüzdesidir.
Ayrıntılı Rehber→
#495Ses, Konuşma ve Müzik Yapay Zekâsı

Whisper (OpenAI)

Whisper Konuşma Tanıma Modeli

OpenAI tarafından 680.000 saatlik devasa çok dilli internet ses verisiyle zayıf denetimli olarak eğitilen; aksanlara, arka plan gürültülerine ve teknik jargona karşı olağanüstü dayanıklı Encoder-Decoder Transformer mimarisidir.
Ayrıntılı Rehber→
#496Ses, Konuşma ve Müzik Yapay Zekâsı

Wav2Vec 2.0

Dalga Vektörü 2.0 (Sesin BERT'i)

Meta AI tarafından geliştirilen; hiçbir yazılı metin etiketi olmadan on binlerce saatlik ham ses dalgasını dinleyerek, sesin içindeki gizli akustik birimleri **maskeleme ve kontrastif öğrenmeyle** kendi kendine öğrenen öz-denetimli (self-supervised) ses modelidir.
Ayrıntılı Rehber→
#498Ses, Konuşma ve Müzik Yapay Zekâsı

Vocoder

Nöral Vokoder / Ses Kodlayıcı-Sentezleyici

Bir akustik modelin ürettiği ara temsil olan 2D Mel-spektrogramı girdi olarak alıp; faz bilgisini (phase) yeniden inşa ederek insan kulağının dinleyebileceği **yüksek kaliteli 1D ham ses dalgasını (waveform)** sentezleyen özel derin öğrenme modelidir.
Ayrıntılı Rehber→
#499Ses, Konuşma ve Müzik Yapay Zekâsı

HiFi-GAN

Yüksek Sadakatli GAN Vokoderi

Mel-spektrogramlardan ham ses dalgası üretmek için geliştirilen; çok periyotlu ve çok ölçekli ayırt ediciler (discriminators) kullanarak hem inanılmaz yüksek ses kalitesi hem de gerçek zamanlıdan çok daha hızlı (ultra-fast) sentez sunan endüstri standardı vokoderdir.
Ayrıntılı Rehber→
#500Ses, Konuşma ve Müzik Yapay Zekâsı

Neural Audio Codec

Nöral Ses Kod Çözücüsü

Ham ses dalgasını klasik algoritmalar (MP3, AAC) yerine derin sinir ağlarıyla sıkıştıran; sesi çok düşük bit hızlarında (örn: 1.5 - 6 kbps) **ayrık akustik belirteçlere (discrete audio tokens)** dönüştüren ve kayıpsız geri açan yapay zekâ modelidir.
Ayrıntılı Rehber→
#504Ses, Konuşma ve Müzik Yapay Zekâsı

Zero-Shot TTS

Sıfır Örnekli Metinden Sese Dönüştürme

Daha önce sesini hiç duymadığı herhangi bir insanın sadece **3 ila 5 saniyelik kısa bir ses kaydını (prompt ses)** dinleyerek; o kişinin ses tonunu, tınısını, aksanını ve oda akustiğini anında kopyalayıp verilen metni o sesle okuyan sistemdir.
Ayrıntılı Rehber→
#505Ses, Konuşma ve Müzik Yapay Zekâsı

Voice Cloning

Ses Klonlama ve Ses Dönüştürme

Belirli bir hedef kişinin ses tellerinin benzersiz tınısını, tonlamasını, telaffuz alışkanlıklarını ve rezonansını matematiksel bir gömme vektörüne (Speaker Embedding) çıkarıp herhangi bir konuşmaya uygulama teknolojisidir.
Ayrıntılı Rehber→
#506Ses, Konuşma ve Müzik Yapay Zekâsı

VALL-E (Microsoft)

VALL-E Nöral Kodek Dil Modeli

Microsoft tarafından TTS problemini bir dil modelleme görevine dönüştüren; EnCodec belirteçleri kullanarak 3 saniyelik akustik prompt üzerinden sıfır örnekle konuşmacının sesini, tonlamasını ve hatta kayıt yapılan odanın yankısını (akustiğini) birebir taklit eden öncü modeldir.
Ayrıntılı Rehber→