Yapay Zeka Video Ses Düzenleme: Sorunlar, Ayarlar ve Dinleme Örnekleri

Yapay zeka videosunda ses nasıl düzenlenir?

Yapay zeka videosunun sesi altı adımda düzenlenir: sesi üretip take’leri doğrulamak, sessizlikleri kırpmak, yayın zincirinden geçirmek, gerekirse hızı ayarlamak, müzikle karıştırmak ve sonucu ölçmek. Yapay zekâ ilk adımda sesi üretir ve doğrulamaya yardım eder; düzeltmenin kendisini çoğunlukla klasik filtreler yapar. Adımlar, Sinyal Atlası kanalındaki 8 dakikalık Türkçe anlatımlı videonun (B02) ses dosyalarından alınmıştır; her adımın etkisi sonraki bölümlerde ölçülmüştür.

1. Ses üretimi ve take seçimi (yapay zekâ): Anlatım ElevenLabs ile üretilmiş sentetik Türkçe sestir; take dosyalarının C2PA bildirimi yazarı Eleven Labs Inc. olarak, içeriği algoritmik üretim olarak işaretler. Anlatım dokuz bölüm hâlinde üretildi; her bölümün bir ila üç üretimi alındı (toplam 19 take). Her take, faster-whisper large-v3 modeliyle metne çevrilip metne göre hata oranı, kelime hızı ve 0,45 saniyeyi aşan duraklama sayısı çıkarıldı; her bölümden bir take seçildi (toplam 9).
2. Sessizlik kırpma (sinyal işleme): Take’lerin baş ve sonundaki sessizlik atıldı; sesin en yüksek düzeyinin 38 dB altındaki ve 0,09 saniyeden uzun duraklamalar kısaltıldı. Nokta, soru ve ünlem sonrasında 0,27 saniye, virgül ve iki nokta sonrasında 0,15 saniye, diğer yerlerde 0,09 saniye bırakıldı; kesim noktaları 8 milisaniyelik çapraz geçişle birleştirildi. Dokuz take’in toplamı 497,95 saniyeydi; baştaki 0,35 saniyelik boşluk ve bölümler arası 0,55 ile 0,6 saniyelik aralıklarla birleştirilmiş kırpılmış anlatım 471,55 saniye oldu.
3. Yayın zinciri (klasik filtre): 75 Hz yüksek geçiren filtre, 180 Hz’de +1,5 dB ve 3,5 kHz’de +1,2 dB ton ayarı, hafif de-esser, yumuşak sıkıştırma ve −16 LUFS hedefli loudnorm; anlatım tek kanallı olduğu için bu hedef dosya ölçümüdür ve iki hoparlörde yaklaşık −13 LUFS’ye karşılık gelir. Komut aşağıdaki kutudadır.
4. Hız (isteğe bağlı): Anlatım hedef süreyi aşarsa WSOLA ile hızlandırılır; bu videoda hız değişimi uygulanmadı (oran 1,0). Hızın sınırları ayrı bölümde ölçüldü.
5. Müzik ve efekt miksi (klasik filtre): Beş müzik parçası 3 saniyelik çapraz geçişlerle birleştirildi; müziğin 2,5 kHz çevresi 5 dB kısıldı, ses seviyesi 0,42 katına indirildi ve anlatım varken sidechain sıkıştırmayla ayrıca kısıldı. Efektler 270 kayıtlık bir işaret listesine göre yerleştirildi; çıkış −14 LUFS hedefli loudnorm’dan geçti.
6. Ölçüm: Her aşamadan sonra FFmpeg’in ebur128 filtresiyle (peak=true) entegre ses yüksekliği (LUFS), ses yüksekliği aralığı (LRA) ve gerçek tepe (dBTP) ölçüldü.

Yayın zincirinin FFmpeg komutu:

ffmpeg -i vo_full_raw.wav -af "highpass=f=75,equalizer=f=180:t=q:w=1:g=1.5,equalizer=f=3500:t=q:w=1.2:g=1.2,deesser=i=0.25,acompressor=threshold=-20dB:ratio=2.3:attack=15:release=200:makeup=2,loudnorm=I=-16:TP=-1.5:LRA=9" -ar 48000 vo_full.wav

Müzik ve efektli son miksin FFmpeg süzgeç grafiği (girişler: 0 anlatım, 1 müzik, 2 efekt):

[0:a]asplit=2[vo][sc0];[sc0]adelay=0,atrim=start=0.12,asetpts=PTS-STARTPTS,apad[sc];[1:a]equalizer=f=2500:t=q:w=1.4:g=-5,volume=0.42[m0];[m0][sc]sidechaincompress=threshold=0.02:ratio=9:attack=25:release=420:makeup=1[md];[2:a]volume=1.0[sx];[vo][md][sx]amix=inputs=3:normalize=0:duration=first,loudnorm=I=-14:TP=-1.2:LRA=10[o]

Filtre seçeneklerinin anlamı ve aralıkları FFmpeg filtre belgelerinde yer alır. Kurgu hizmetinin kapsamı için video editleme ve kurgu sayfasına, kurgunun genel sırası için video kurgu nasıl yapılır sayfasına bakın.

Aynı ses kaydında hangi işlem neyi değiştirir?

Aynı 471,55 saniyelik anlatım kaydında yayın zinciri, iki hoparlörde ölçülen ses yüksekliğini −14,4 LUFS’den −13,1 LUFS’ye çıkardı, ses yüksekliği aralığını (LRA) 2,9 LU’dan 2,1 LU’ya indirdi ve gerçek tepeyi −0,1 dBTP’den −1,5 dBTP’ye çekti; müzik ve efektli son miks −14,1 LUFS ölçüldü.

Ölçüm kuralı: Anlatım dosyaları tek kanallıdır, son miks iki kanallıdır. FFmpeg’in ebur128 filtresi tek kanallı dosyayı tek kanal sayar; aynı ses iki hoparlörden çalındığında 3,0 LU daha yüksek duyulur ve filtrenin dualmono seçeneği bu farkı telafi eder. Tablo iki değeri de verir; aşamaları karşılaştırmak için iki hoparlörde sütunu kullanılır.

Aşama	Kanal	Süre	Dosya olarak LUFS	İki hoparlörde LUFS	LRA	Gerçek tepe
Sessizliği kırpılmış ham anlatım	Tek	471,55 sn	−17,4	−14,4	2,9 LU	−0,1 dBTP
Yayın zinciri sonrası	Tek	471,55 sn	−16,2	−13,1	2,1 LU	−1,5 dBTP
Müzik ve efektli son miks	İki	480,0 sn	−14,1	−14,1	2,5 LU	−1,2 dBTP

Zincirden sonra anlatım tek başına iki hoparlörde −13,1 LUFS’dir; müzik ve efekt eklenip çıkış −14 LUFS hedefli loudnorm’dan geçince son miks −14,1 LUFS’ye indi. Ölçümler tam kayıt üzerindedir. Aynı anlatımın zaman çizelgesindeki 26,24 ile 44,40 saniye arası, 18 saniyelik bir pencere üç aşamada dinlenebilir; pencerede anlatıcı testin on soru ve altmış cevaptan oluştuğunu söyler. Dinleme dosyaları 128 kb/sn tek kanallı MP3’tür; son miks iki kanaldan tek kanala indirildi.

Dinleme dosyası	Aşama	Dosya olarak LUFS	İki hoparlörde LUFS	LRA	Gerçek tepe
01 Ham anlatım	Sessizliği kırpılmış ham anlatım	−18,0	−15,0	3,2 LU	−0,9 dBTP
02 Yayın zinciri	Aynı pencere, yayın zinciri sonrası	−16,9	−13,9	2,3 LU	−1,7 dBTP
03 Müzikli son miks	Aynı pencere, müzik ve efektli son miks	−17,3	−14,3	3,7 LU	−1,6 dBTP

Zincirin etkisi tek sayıyla görülmez. Anlatımın 62,25 saniyelik kesitinde tepe ile ortalama düzey arasındaki fark (crest) 18,0 dB’den 15,7 dB’ye indi; sessiz karelerin düzeyi (50 milisaniyelik karelerde 5. yüzdelik değer) −66,3 dBFS’den −64,3 dBFS’ye çıktı, yani kazanç sessiz anları da yükseltti. Bant enerjisi şöyle değişti:

Bant	Ham anlatımdan zincire değişim
20 ile 75 Hz	−3,8 dB
75 ile 180 Hz	+2,4 dB
180 Hz ile 1 kHz	+1,1 dB
1 ile 3,5 kHz	+0,2 dB
3,5 ile 8 kHz	+2,6 dB
8 ile 16 kHz	+2,7 dB

20 Hz ile 16 kHz arası toplam enerji +1,3 dB arttı. Değişim zincirin bütününün sonucudur; tek tek filtrelerin payı ayrı ölçülmedi. Sıkıştırma adımı ayara çok duyarlıdır; aynı 62,25 saniyelik ham kesit üç ayarla ölçüldü (ses yüksekliği iki hoparlörde):

Sıkıştırma ayarı	Entegre ses yüksekliği	LRA	Gerçek tepe	Crest
İşlemsiz ham kesit	−14,6 LUFS	2,8 LU	−0,5 dBTP	18,0 dB
Proje ayarı: eşik −20 dB, oran 2,3, attack 15 ms, release 200 ms, makeup 2	−13,6 LUFS	2,0 LU	+0,1 dBTP	17,4 dB
Agresif ayar: eşik −40 dB, oran 20, attack 1 ms, release 50 ms, makeup 8	−24,1 LUFS	1,2 LU	−11,4 dBTP	15,8 dB

Proje ayarı tek başına gerçek tepeyi +0,1 dBTP’ye çıkardığı için zincirin sonunda loudnorm tepeyi sınırlar. Agresif ayar ses yüksekliğini 9,5 LU düşürdü ve LRA’yı 1,2 LU’ya indirdi; aynı düzeye dönmek için sonradan eklenecek kazanç sessiz anları da aynı ölçüde yükseltir. Teslim dosyalarının ölçüm kaydı için video kurgu teslim kontrol listesine bakın.

Yapay zeka video sesi kaç LUFS olmalı?

Tek bir doğru LUFS değeri yoktur: EBU R 128 yayıncılık için programın ses yüksekliğini −23,0 LUFS’ye ve gerçek tepeyi en çok −1 dBTP’ye normalleştirmeyi önerir; sosyal medya ve YouTube için hedefi platform ile müşteri belirler, kendi yapımlarımızın ölçülen dosyalarında değer −14,0 ile −14,7 LUFS arasındadır.

Kaynak	Kapsam	Ses yüksekliği	Gerçek tepe
EBU R 128 (Kasım 2023)	Yayın programları	−23,0 LUFS; tolerans canlı yayında ±1,0 LU, kalite kontrolde ±0,2 LU	Üretimde en çok −1 dBTP; dağıtım sistemine göre daha düşük sınır gerekebilir
EBU R 128 s1 (Ağustos 2020)	Reklam ve tanıtım gibi kısa içerik	−23,0 LUFS; kısa süreli ses yüksekliği en çok −18,0 LUFS; LRA için sınır belirtilmez	En çok −1 dBTP
EBU R 128 s2 (Kasım 2023)	Akış (streaming)	−23,0 LUFS değiştirilmeden iletilir; yayıncı dinamiği kendisi işleyecekse geçici dağıtım düzeyi −20,0 ile −16,0 LUFS arasıdır	R 128’e göre hazırlanır; hedef −23,0 LUFS’nin üstüne çıkarılırsa tepe sınırlaması yapılır
Kendi yapımlarımız (ölçüm)	YouTube ve Reels teslimleri	−14,0 ile −14,7 LUFS	−1,2 ile −4,4 dBTP

Hedefe tek geçişli loudnorm ile ulaşmak, ses yüksekliğinin ne kadar değiştirildiğine bağlıdır. İki hoparlörde −14,6 LUFS ve −0,5 dBTP ölçülen ham kesitte (tek kanallı kesit için dual_mono=true verildi) tek geçiş hedefi 0,2 ile 0,3 LU, iki geçiş 0,0 LU ıskaladı:

Hedef	Tek geçiş sonucu	İki geçiş sonucu	İki geçişte kip
−16 LUFS, −1,5 dBTP	−16,2 LUFS, −1,9 dBTP	−16,0 LUFS, −1,8 dBTP	Doğrusal
−14 LUFS, −1,0 dBTP	−14,3 LUFS, −1,0 dBTP	−14,0 LUFS, −1,0 dBTP	Dinamik
−23 LUFS, −1,0 dBTP	−23,2 LUFS, −8,9 dBTP	−23,0 LUFS, −8,8 dBTP	Doğrusal

FFmpeg belgesine göre loudnorm hem tek hem iki geçişi destekler; doğrusal kip için ölçülen değerlerin verilmesi gerekir ve hedef LRA kaynak LRA’dan düşük olmamalı, ses yüksekliği değişimi hedef tepeyi aşırtmamalıdır, aksi hâlde filtre dinamik kipe döner. Ham kesitin tepesi −0,5 dBTP olduğu için −14 LUFS hedefinde sesi 0,6 dB yükseltmek tepeyi +0,2 dBTP’ye çıkaracaktı (hedef −1,0 dBTP) ve filtre dinamik kipte kaldı; sesi alçaltan −16 ve −23 LUFS hedeflerinde doğrusal kip çalıştı.

Sonuç malzemeye bağlıdır: müzikli son miks tek geçişli loudnorm ile −14,1 LUFS ölçüldü. Bu yüzden her teslim ayrıca ölçülür. Outlier Ideas kanalındaki İngilizce anlatımlı videonun (EP3) miks betiği iki geçişli doğrusal loudnorm kullanır (hedef −14 LUFS, −1,5 dBTP); teslim dosyası −14,0 LUFS ve −1,4 dBTP ölçüldü. İki geçişin FFmpeg komutları:

ffmpeg -i girdi.wav -af "loudnorm=I=-14:TP=-1.5:LRA=11:print_format=json" -f null -
ffmpeg -i girdi.wav -af "loudnorm=I=-14:TP=-1.5:LRA=11:measured_I=OLCULEN_I:measured_TP=OLCULEN_TP:measured_LRA=OLCULEN_LRA:measured_thresh=OLCULEN_ESIK:offset=OLCULEN_OFFSET:linear=true" -ar 48000 cikis.wav

Birinci komut ölçüm değerlerini JSON olarak yazar; ikinci komutta büyük harfli yer tutucular bu çıktıdaki input_i, input_tp, input_lra, input_thresh ve target_offset değerleriyle değiştirilir. Tek kanallı bir dosya iki hoparlörden çalınacaksa iki komuta da dual_mono=true eklenir; FFmpeg belgesi bu seçeneğin tek kanallı dosyanın ölçümünü algısal olarak doğru hâle getirdiğini söyler.

Videodaki arka plan gürültüsü sonradan temizlenebilir mi?

Gürültü sonradan yalnızca sınırlı ölçüde temizlenir: temiz anlatıma pembe gürültü eklenen denemede FFmpeg’in afftdn filtresi ses/gürültü oranını (SNR) en çok 0,6 dB iyileştirdi ve en gürültülü kayıtta otomatik transkript hatasını azaltmadı, artırdı.

Ölçülen SNR (temizlemeden)	Transkript hatası: temizlemeden	afftdn hafif (nr=12)	afftdn agresif (nr=40)	SNR sonrası: hafif / agresif
18,8 dB	3	5	5	18,2 dB / 17,7 dB
8,8 dB	6	5	5	9,4 dB / 9,4 dB
3,8 dB	8	7	10	4,3 dB / 4,3 dB
−1,2 dB	12	14	15	−0,9 dB / −0,8 dB

Koşullar: Temiz anlatımın 62,25 saniyelik kesiti ve 135 kelimelik referans metin kullanıldı; temiz kesitte hata sayısı 3’tür. Üzerine pembe (1/f) gürültü, konuşma anlarının RMS düzeyine göre 20, 10, 5 ve 0 dB hedefiyle eklendi. Hafif ayar afftdn=nr=12:nf=-30:tn=1, agresif ayar afftdn=nr=40:nf=-30:tn=1 idi; FFmpeg belgesine göre nr gürültü azaltmayı dB olarak, nf gürültü tabanını, tn gürültü tabanı izlemeyi belirler. SNR, filtrenin 1200 örneklik (25 ms) gecikmesi hizalandıktan sonra temiz kayda göre hesaplandı. Hata sayısı, faster-whisper medium (int8, Türkçe) çıktısının referans metne göre düzenleme mesafesidir; rakamlar yazıya, ChatGPT gibi adlar tek biçime normalleştirildi, yoksa temiz kesit bile 14 fark gösteriyordu.

Sınırlar: Gürültü yapay ve tek tiptir; gerçek oda gürültüsü, yankı ya da müzik arka planı farklı sonuç verebilir. FFT tabanlı afftdn ölçüldü, öğrenme tabanlı gürültü gidericileri ölçmedik. Ölçüm, sonradan temizlemenin kazancının sınırlı olduğunu gösterir; kaydı gürültüsüz yeniden almak ya da üretmek mümkünse önce o denenmelidir.

Dinleme dosyalarındaki gürültü, 62 saniyelik kesitin konuşma düzeyine göre ayarlandığı için 18 saniyelik pencerede yerel SNR kesit değerinden farklıdır; aşağıda ikisi birlikte verilir.

Dinleme dosyası	Koşul	18 sn pencerede SNR	62 sn kesitte SNR
06 Gürültülü kayıt	Temizlemeden	7,4 dB	8,8 dB
07 Aynı kayıt, afftdn sonrası	Hafif ayar	7,8 dB	9,4 dB
08 Çok gürültülü kayıt	Temizlemeden	−2,6 dB	−1,2 dB
09 Aynı kayıt, afftdn sonrası	Hafif ayar	−2,3 dB	−0,9 dB

Anlatım sesi hızlandırılırsa ne olur?

Anlatım 2,00 kata kadar hızlandırıldığında otomatik transkript hatası değişmedi (135 kelimede hep 3 hata), ama kelime hızı saniyede 2,17’den 4,34 kelimeye çıktı; makinenin çözebilmesi insanın rahat dinleyebildiği anlamına gelmez, sınırı kulakla koymak gerekir.

Hız	Süre	Kelime/sn	Transkript hatası
1,00 (ham kesit)	62,25 sn	2,17	3
1,10	56,58 sn	2,39	3
1,25	49,77 sn	2,71	3
1,50	41,47 sn	3,26	3
2,00	31,10 sn	4,34	3

Koşullar: Zaman ölçekleme WSOLA ile yapıldı (audiotsm kütüphanesi, çerçeve uzunluğu 1024, sentez adımı 512); hata sayısı gürültü bölümündeki yöntemle ölçüldü. FFmpeg’in atempo filtresi 0,5 ile 100,0 arası bir tempo kabul eder; belge, 2’nin üzerindeki tempoda bazı örneklerin harmanlanmak yerine atlandığını söyler ve istenen tempoya birkaç atempo zincirlemeyi önerir. Aynı 18 saniyelik pencere iki hızda dinlenebilir:

Dinleme dosyası	Koşul	Süre
04 Hız 1,50	Ham pencere, WSOLA ile 1,50 kat	12,09 sn
05 Hız 2,00	Ham pencere, WSOLA ile 2,00 kat	9,06 sn

Müzik ile anlatım arasındaki seviye farkı kaç dB olmalı?

İngilizce anlatımlı EP3 videomuzda anlatım, sidechain sonrası müziğin medyan 15,7 dB üzerinde ölçüldü: 86 anlatım parçasında en düşük fark 12,4 dB, en yüksek fark 28,0 dB oldu.

Ölçüm şöyle yapıldı: Anlatım ve sidechain sonrası müzik ayrı ses gövdeleri olarak çıkarıldı, her anlatım parçasının zaman aralığında iki gövdenin RMS düzeyleri arasındaki fark alındı. Videonun yedi bölümünde bölüm medyanları 14,9 ile 16,6 dB arasında kaldı. Müziği anlatıma yer açacak biçimde hazırlayan iki yapımın ayarları şöyledir:

Yapım	Müzik hazırlığı	Sidechain sıkıştırma
EP3 (İngilizce anlatım, 7 dk 51 sn)	2,5 kHz çevresinde −5 dB (Q 1,1)	Eşik 0,035, oran 4, attack 40 ms, release 450 ms; efektler için ayrı sidechain (eşik 0,03, oran 2, attack 5 ms, release 180 ms)
B02 (Türkçe anlatım, 8 dk)	2,5 kHz çevresinde −5 dB (Q 1,4), ses seviyesi 0,42	Eşik 0,02, oran 9, attack 25 ms, release 420 ms; sidechain anahtarı olan anlatım zarfı 120 ms öne alınır

FFmpeg belgesine göre sidechaincompress, birinci girişi ikinci girişin sinyaline göre sıkıştırır; burada birinci giriş müzik, ikinci giriş anlatımdır. EP3’te karıştırılmış ses ayrıca alimiter ile sınırlanıp iki geçişli doğrusal loudnorm’dan geçirildi. Sıfırdan seslendirme ve dublaj işleri için reklam filmi seslendirme ve videoya Türkçe dublaj sayfalarına bakın.

Yapay zeka videosuna ses nasıl eklenir veya değiştirilir?

Videoya ses eklemek ya da mevcut sesi değiştirmek için görüntü akışı kopyalanır, yeni ses ayrı dosyadan eklenir ve eski ses akışı eşlemeye alınmaz; tek bir FFmpeg komutu yeter.

ffmpeg -i video.mp4 -i ses.wav -map 0:v:0 -map 1:a:0 -c:v copy -c:a aac -b:a 320k -shortest cikis.mp4

Komut gerçek bir dosyada denendi: ses akışı olmayan 6 saniyelik, 1920×1080 H.264 görüntüye 18 saniyelik MP3 ses eklendi; çıkışta H.264 görüntü ve AAC ses akışı ölçüldü, süre -shortest nedeniyle 6 saniye kaldı. Görüntü akışı yeniden kodlanmadığı için görüntü kalitesi değişmez. Gerçek bir YouTube teslim paketimizin bir sürümünde de görüntü ses akışsız alınıp ses sonradan eklendi; sürüm kaydı kontrol listesi sayfasındadır.

Ses düzenleme video kurgu fiyatına dahil mi?

Ses düzenleme, ham görüntü kurgusunun içindedir: kurgu dakikası 750 TL’dir ve 10 dakikalık ham görüntü 7.500 TL tutar. Fiyat; kesim, ritim, geçiş, altyazı, ses ve renk düzenlemesini kapsar. Hizmetin kapsamı ve teslim koşulları video editleme ve kurgu sayfasında, tüm fiyatlar fiyatlar sayfasındadır.

Fiyatlar

İş	Fiyat	Not
Ham görüntü kurgusu (ses düzenleme dahil)	Dakikası 750 TL	Örnek: 10 dk = 7.500 TL; kesim, ritim, geçiş, altyazı, ses ve renk düzenlemesi fiyatın içindedir

Tüm kalemler ve hesaplayıcı: fiyat listesi.

Sık sorulan sorular