Ücretsiz yapay zeka seslendirme: Chatterbox ile ses klonlama
Kokoro ve Chatterbox: ücretsiz, açık kaynaklı, ticari kullanıma uygun yapay zeka seslendirme. Ses klonlama ve oyun karakterlerine ses.

Bu sitenin ana sayfası bir Ay üssü. terryl.in adresini açtığınızda Three.js ile yapılmış küçük bir 3D oyuna giriyorsunuz: astronotu üssün içinde gezdirebilir, uzay giysisini giyip hava kilidinden Ay yüzeyine çıkabilir ya da bara gidip özel bir kokteyl isteyebilirsiniz. "Ay Üssü Günlüğü" blogu da bu üssün adım adım nasıl yapıldığını anlatıyor.
Üssün barında Arthur adında bir robot barmen çalışıyor. Bu karakter, Passengers (2016) filmindeki android barmen Arthur'a bir saygı duruşu. Filmdeki gibi nazik, son derece kibar ve yüzünde hiçbir ifade olmadan konuşuyor. Birkaç repliği de filmden uyarlandı; filmi izleyenler tanıyacaktır. Ona neden sürekli bardak sildiğini sorarsanız şöyle cevap veriyor: "Bardağı silmezsem sohbet etmek zorunda kalırım." Ne yazık ki bu repliklerin hepsi şimdiye kadar diyalog kutusundaki yazılardan ibaretti.
Önceki yazıda Ay üssünün ses efektlerini Stable Audio 3 Small SFX ile yapmıştım; bu sefer sıra seslendirmede. Eskiden bir oyun karakterini seslendirmek için ya seslendirme sanatçısı bulmak ya da ElevenLabs gibi karakter başına ücret alan bulut tabanlı yapay zeka seslendirme servislerini kullanmak gerekiyordu. Artık açık kaynak, ücretsiz ve ticari kullanıma açık birkaç TTS (metinden konuşmaya) modeli var: kendi bilgisayarınıza indirip her üretim için ödeme yapmadan kullanabilirsiniz. Kısacası metni sese çevirme işi için ElevenLabs'e ücretsiz bir alternatif.
Bu yazıda şu an en çok kullanmaya değer açık kaynak TTS modellerini karşılaştırıyorum. Ekran kartı olmayan bir dizüstüne Kokoro TTS ve Chatterbox TTS kurdum, Arthur'un repliklerini İngilizce seslendirdim, Türkçe seslendirmeyi denedim ve karakterin her replikte aynı ses tınısını koruması için ücretsiz ses klonlama özelliğini test ettim.
Açık kaynak yapay zeka seslendirme: ticari kullanıma açık TTS modelleri karşılaştırması
Önce sonuç. Lisanslarını tek tek kontrol ettiğim, ticari kullanımı kesin olarak serbest olanlar şunlar:
Model | Parametre | Lisans | Ses klonlama | Türkçe | Donanım |
|---|---|---|---|---|---|
Kokoro-82M | 82 milyon | Apache 2.0 | Yok, 54 hazır ses | Yok | CPU yeterli |
Chatterbox-Nano | 110 milyon | MIT | Var | Yok, sadece İngilizce | CPU yeterli |
Chatterbox-Turbo | 350 milyon | MIT | Var | Yok, sadece İngilizce | CPU'da çalışır, daha yavaş |
Chatterbox (orijinal, Multilingual V3, Çince sürüm) | 500 milyon | MIT | Var | Var, Multilingual V3'te | CPU'da çalışır, çok yavaş |
Step Audio EditX | yaklaşık 3 milyar | Apache 2.0 | Var | Test etmedim | NVIDIA ekran kartı gerekir |
Qwen3-TTS (0.6B, 1.7B) | 600 milyon, 1,7 milyar | Apache 2.0 | Var, 3 saniyelik referansla | Yok | 0.6B CPU'da çalışır, klonlama çok yavaş |
Kısaca:
- Hızlı, hafif ve dizüstünde çalışsın istiyorsanız: Kokoro, ama Türkçe desteği yok.
- Ses klonlayıp karakterin sesini sabit tutmak istiyorsanız: Chatterbox. İngilizce için Nano, Türkçe için Multilingual V3.
- NVIDIA ekran kartınız varsa ve sesi tarifle tasarlamak istiyorsanız: Qwen3-TTS. Tek cümlelik bir metinle sesi "tasarlayabilir", tonlama talimatlarıyla duyguyu kontrol edebilirsiniz; yalnız desteklediği diller arasında Türkçe yok.
- Güçlü bir ekran kartınız varsa ve en iyi ses kalitesi ile duyguyu istiyorsanız: Step Audio EditX.
Step Audio EditX NVIDIA ekran kartı istiyor, benim dizüstümde yok, bu yüzden bu yazıda test etmedim. Qwen3-TTS'in en küçük sürümü olan 0.6B'yi denedim; CPU'da da çalışıyor, sonuçları aşağıda.
Bu yazı genel bir bakış. Sonrasında her model için ayrı bir yazı yazacağım: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX ve VoiceStudio.
İnsanların kör dinleme ile puan verdiği sıralamalarda (örneğin Speech Arena) zirvede hâlâ ElevenLabs gibi kapalı servisler var; açık kaynak modeller henüz ilk ona giremedi. Ama oyun her zaman en üst düzey ses kalitesine ihtiyaç duymaz. NPC replikleri, eğitim bölümlerindeki yapay zeka anlatıcı sesi ya da geliştirme sürecindeki geçici seslendirmeler için açık kaynak modeller fazlasıyla yeterli.
Bir seçenek daha: Qwen3-TTS
Qwen3-TTS, Alibaba'nın Qwen ekibinin Ocak 2026'da açık kaynak olarak yayımladığı bir TTS ailesi; lisansı Apache 2.0, ticari kullanıma açık. 0.6B ve 1.7B olmak üzere iki boyutu var ve her birinin farklı amaçlara yönelik sürümleri bulunuyor:
- Base: ses klonlama, sadece 3 saniyelik referans ses yeterli.
- CustomVoice: aralarında Pekin ve Sichuan aksanlı erkek seslerinin de olduğu 9 hazır ses; 1.7B sürümü ayrıca "çok öfkeli bir tonla söyle" gibi tonlama talimatlarını da anlıyor.
- VoiceDesign (1.7B): metinle tarif ederek ses tasarlıyor, örneğin "17 yaşında bir erkek, tenor, konuştukça kendine güveni artıyor".
10 dili destekliyor: Çince, İngilizce, Japonca, Korece, Almanca, Fransızca, Rusça, Portekizce, İspanyolca ve İtalyanca. Türkçe bu listede yok. Resmi değerlendirmeye göre Çincede telaffuz doğruluğu ve ses benzerliğinde ElevenLabs'i geçiyor, ama bu ekibin kendi yaptığı bir test.
Oyun seslendirmesinde en kullanışlı yöntem önce sesi tasarlayıp sonra klonlamak. Karakterin sesini VoiceDesign'a metinle tarif edip referans olarak bir replik üretiyorsunuz, sonraki tüm replikleri de Base ile klonluyorsunuz; böylece ses tınısı hep aynı kalıyor. Bu, bu yazıda Kokoro ile Chatterbox'ı birlikte kullanma yöntemime çok benziyor.
Kurulum pip install -U qwen-tts ile yapılıyor. Resmi örneklerin hepsi NVIDIA ekran kartında bfloat16 ve FlashAttention 2 ile çalıştırılıyor; ne kadar ekran belleği gerektiği ya da sadece CPU ile çalışıp çalışmadığı yazmıyor.
Aynı dizüstünde 0.6B'yi CPU ile denedim:
- Hazır ses (CustomVoice): yaklaşık 6 saniyelik bir repliği üretmek 31 saniye kadar sürdü.
- Ses klonlama (Base): 4-5 saniyelik bir replik 4 dakikadan fazla sürdü; Chatterbox'ın Çince sürümünde gereken sürenin üç katı.
Her TTS'te olduğu gibi eş yazımlı kelimeleri, özel adları ve yabancı kökenli kelimeleri oyuna koymadan önce mutlaka dinleyin.
Ekran kartı yoksa Qwen3-TTS'in hazır seslerini kullanmak daha mantıklı; çok sayıda repliği ses klonlamayla üretmek için yine de NVIDIA ekran kartı gerekiyor.
Açık kaynak gibi görünen ama ticari kullanılamayanlar
Model seçerken en sık düşülen tuzak lisans. Ağırlıkların Hugging Face'te herkese açık olması, onlarla para kazanabileceğiniz anlamına gelmiyor:
- Coqui XTTS v2: çok dilli, ses klonlayabiliyor ve bir zamanlar çok popülerdi, ama lisansı Coqui Public Model License; sadece ticari olmayan kullanıma izin veriyor.
- Fish Audio S2 Pro: ağırlıkları açık, ama ticari kullanım için Fish Audio'dan ayrıca lisans satın almak gerekiyor.
- Bazı araştırma modelleri: CC BY-NC lisansı kullanıyor (NC, sadece ticari olmayan kullanım demek).
İndirmeden önce mutlaka model sayfasındaki License alanına bakın ve tam metni okuyun.
Kokoro TTS nedir? Türkçe destekliyor mu? Ticari kullanılabilir mi?
Kokoro-82M, sadece 82 milyon parametreli bir TTS modeli; 1.0 sürümü Ocak 2025'te çıktı. CPU'da çalışacak kadar küçük ama ses kalitesi kendi boyutundaki modeller arasında en iyilerden, bu yüzden birçok ticari API ve proje onu kullanıyor.
- Lisans: Apache 2.0; ticari olarak kullanabilir, kendi ürününüze entegre edebilirsiniz.
- Eğitim verisi: geliştiricilerin açıklamasına göre yalnızca kamu malı kayıtlar, Apache veya MIT lisanslı kayıtlar ve büyük şirketlerin kapalı TTS sistemlerinden sentetik sesler kullanılmış; başkalarının sesinden klonlanmış ses kullanılmamış.
- Sesler: 8 dilde 54 hazır ses: İngilizce (Amerikan ve Britanya İngilizcesi), Japonca, Çince, İspanyolca, Fransızca, Hintçe, İtalyanca ve Brezilya Portekizcesi.
- Sınırlama: ses klonlayamıyor, sadece hazır sesler arasından seçim yapabiliyorsunuz.
Türkçe bu listede yok, yani Türkçe metni sese çevirmek için Kokoro kullanılamıyor. Bu yazıda Arthur'un İngilizce repliklerini seslendiriyor ve klonlama için "orijinal" sesi üretiyor.
Bir uyarı: geliştiriciler, alan adında "kokoro" geçen sitelerin bu modelle hiçbir ilgisi olmadığını belirtiyor. O sitelerde ödeme yapmayın, bir şey indirmeyin.
Chatterbox TTS nedir? Türkçe destekliyor mu? Ticari kullanılabilir mi?
Chatterbox, ses teknolojisi şirketi Resemble AI'ın açık kaynak TTS ailesi. En büyük özelliği ses klonlama: 5-10 saniyelik bir insan sesi verdiğinizde yeni replikleri o tınıyla okuyor. Orijinal sürümde duygunun ne kadar abartılı olacağını ayarlayabiliyorsunuz; Turbo sürümü ise metne [laugh], [chuckle], [cough] gibi gülme ve öksürme etiketleri eklemenize izin veriyor.
- Lisans: MIT, ticari kullanıma açık.
- Filigran: üretilen her sese Resemble'ın Perth filigranı gömülüyor. Kulakla duyulmuyor ama mp3'e dönüştürüldükten ya da kurgulandıktan sonra da kalıyor; tespit araçları bu sayede sesin yapay zeka ile üretilip üretilmediğini anlayabiliyor.
- Artık bakımı yapılmıyor: Resemble AI, Ağustos 2026'da Chatterbox'ın "tamamlanmış bir araştırma projesi" olduğunu ve artık güncellenmeyeceğini duyurdu; şirket deepfake tespitine yöneldi. Kod ve ağırlıklar MIT lisansıyla erişilebilir kalmaya devam ediyor, yani hâlâ indirip ticari olarak kullanabilirsiniz; sadece yeni sürüm ve destek gelmeyecek.
Son madde aslında açık kaynağın avantajını gösteriyor: ağırlıklar kendi bilgisayarınızdaysa servisin kapanmasından korkmanıza gerek yok. Bulut tabanlı bir seslendirme servisi zam yaparsa ya da kapanırsa oyundaki seslendirmeyi bir daha değiştiremezsiniz; diskinizdeki açık kaynak bir model ise on yıl sonra bile aynı sesle yeni replikler okuyabilir.
Türkçe için önemli olan, 23 dili okuyabilen Multilingual V3. Chatterbox'ın birkaç sürümü var ve başta karıştırmak çok kolay:
Sürüm | Parametre | Dil | Özellik |
|---|---|---|---|
Chatterbox (orijinal) | 500 milyon | İngilizce | Duygu yoğunluğu ayarlanabilir (exaggeration) |
Multilingual V3 | 500 milyon | Türkçe dahil 23 dil | Tek model, birçok dil |
Çince sürüm (zh-cmn) | 500 milyon | Çince | Özellikle Çince için ince ayarlı |
Turbo | 350 milyon | İngilizce | Daha hızlı, gülme ve öksürme etiketlerini destekliyor, referans ses şart |
Nano | 110 milyon | İngilizce | En küçük ve en hızlısı; geliştiricilere göre 8 çekirdekli CPU'da gerçek zamanın 3 katı hıza çıkıyor |
Sistem gereksinimleri: ekran kartı olmadan çalışır mı?
Dizüstümde Intel Core Ultra 5 (6 çekirdek) var ve sadece dahili grafik bulunuyor; yani her şey CPU'da çalışıyor. Aşağıdaki tablo, ölçtüğüm replik üretim sürelerini gösteriyor. Her replik 4-6 saniye uzunluğunda; süreye her çalıştırmada modelin yüklenmesi de dahil:
Model | Bir replik ne kadar sürüyor |
|---|---|
Kokoro (İngilizce) | yaklaşık 9 sn |
Kokoro (Çince) | yaklaşık 13 sn |
Chatterbox-Nano (klonlama) | yaklaşık 15-20 sn |
Chatterbox-Turbo (klonlama) | yaklaşık 40 sn |
Chatterbox orijinal | yaklaşık 60 sn |
Chatterbox Çince sürüm (klonlama) | yaklaşık 80 sn |
Qwen3-TTS 0.6B (hazır ses) | yaklaşık 31 sn |
Qwen3-TTS 0.6B (klonlama) | yaklaşık 4 dk |
Kokoro ve Chatterbox Nano dizüstünde çok pratik: bir repliği değiştirip dinliyorsunuz, on küsur saniyede hazır. Chatterbox'ın 500 milyon parametreli sürümleri CPU'da replik başına bir iki dakika sürüyor; bu yüzden bütün bir grubu hazırlayıp arka planda yavaş yavaş çalışmasına izin vermek en iyisi. NVIDIA ekran kartınız varsa çok daha hızlı.
Disk alanına gelince, her aracın Python ortamı (CPU sürümü PyTorch dahil) yaklaşık 1,5 GB yer kaplıyor. Model dosyaları ayrıca indiriliyor: Kokoro'nunkiler küçük, Chatterbox'ın her sürümü 1-3 GB.
Kokoro TTS kurulumu (CPU sürümü)
Sistemin Python'una kurmak yerine uv ile ayrı bir Python ortamı oluşturmanızı öneririm. Kokoro, Python 3.10-3.12 ile çalışıyor:
mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfileİngilizce için başka bir şey kurmanıza gerek yok: telaffuzu pip paketine zaten gömülü olan espeak-ng hallediyor. Kokoro Türkçe desteklemediği için aşağıdaki örnek İngilizce.
Bir İngilizce replik üretmek için:
import numpy as np, soundfile as sf
from kokoro import KPipeline
pipe = KPipeline(lang_code="b") # b İngiliz İngilizcesi, a Amerikan İngilizcesi, j Japonca, z Çince
audio = np.concatenate([np.asarray(r.audio) for r in pipe("A bartender keeps confidence.", voice="bm_george")])
sf.write("arthur.wav", audio, 24000)Ses adının ilk harfi dili, ikinci harfi cinsiyeti gösteriyor: bm_george İngiliz İngilizcesi erkek sesi, bf_emma İngiliz İngilizcesi kadın sesi. Tam liste resmi VOICES.md dosyasında. İlk çalıştırmada model Hugging Face'ten otomatik olarak indiriliyor.
Chatterbox TTS kurulumu: PyPI'daki eski sürümü değil, GitHub sürümünü kurun
Düştüğüm en büyük tuzak buydu. Birçok rehberdeki gibi pip install chatterbox-tts çalıştırırsanız PyPI'daki 0.1.7 sürümü kuruluyor ve onun çok dilli modeli hâlâ eski V2. Bunu Çince bir replikle denedim: 3 saniyeyi biraz geçince okumayı bitirdi, ama arkasından on küsur saniyelik duraklama ve tuhaf sesler ekledi.
Multilingual V3, Nano ve Çince sürüm sadece GitHub'daki en yeni sürümde var, o yüzden doğrudan oradan kurun:
mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"Sondaki setuptools<81 de atlanmamalı. Filigran paketi Perth hâlâ eski pkg_resources'u kullanıyor, ama setuptools'un yeni sürümleri onu kaldırdı. Sürümü sabitlemezseniz ilk çalıştırmada hata alırsınız.
Nano ile ses klonlama:
import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS
model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)arthur-ref.wav klonlanacak referans ses. Çince sürümün dosya formatı ana programdan biraz farklı, dosyaları yükleyen kodda küçük bir değişiklik yapmak gerekiyor. Bu tür sıkıcı işleri Claude Code ya da Codex'e bırakmak çok mantıklı.
Kurulumu Claude Code ya da Codex'e bırakın
Sürüm sorunlarıyla uğraşmak istemiyorsanız terminalde Claude Code ya da Codex'i açıp şunu yazın:
~/tools içine Kokoro-82M ve Chatterbox'ı kur (Chatterbox'ı GitHub'daki en yeni sürümden, Nano ve Multilingual V3 dahil), CPU sürümü PyTorch kullan ve her biri için herhangi bir klasörden çağırabileceğim bir komut oluşturBen de böyle kurdum. PyPI sürümünün eski olması, setuptools uyumsuzluğu ve Çince sürümün yüklenememesi gibi sorunların hepsinin nedenini yapay zeka asistanı kendisi bulup düzeltti. ~/tools içine kurmanın avantajı, tüm projelerin aynı kurulumu paylaşması; her oyun için ayrı kopya kurmanız gerekmiyor.
Ses klonlama nedir? Ücretsiz ve açık kaynak yöntem
Ses klonlama (voice cloning), modele bir kişinin sesinden bir parça verip yeni replikleri o tınıyla okutmak demek. Chatterbox ile ses klonlama ücretsiz ve basit: bir referans ses ve okunacak metin hazırlıyorsunuz. Sonucu referans sesin kalitesi belirliyor:
- 5-10 saniye uzunluğunda: 5 saniyeden kısaysa doğrudan hata mesajı veriyor.
- Sadece bir kişi konuşuyor olmalı: arka plan müziği ve gürültü olmadan.
- Ton karaktere uygun olmalı: model konuşma hızını ve duyguyu da öğreniyor. Karakterin yavaş ve tekdüze konuşmasını istiyorsanız referans ses de öyle olmalı.
- Tercihen replikle aynı dilde: referans İngilizce, replik başka bir dildeyse hafif bir İngiliz aksanı çıkabilir. Bu durumda resmi öneri
cfg_weightdeğerini 0 yapmak.
Sesin nereden geldiği çok önemli. Modelin ticari kullanılabilir olması, herkesin sesini kopyalayabileceğiniz anlamına gelmiyor:
- Kendi kaydettiğiniz: sorun yok.
- Seslendirme sanatçısının ya da arkadaşınızın kaydettiği: oyunda kullanmak için kişinin onayını almalısınız, tercihen yazılı olarak.
- Film ya da oyun karakterlerinin, ünlülerin sesi: olmaz. Sadece benzemesi bile kişilik hakları sorununa yol açar.
Ben bir yöntem daha kullanıyorum: önce Kokoro ile bir replik üretip bunu karakterin orijinal sesi olarak kullanmak. Kokoro Apache 2.0 lisanslı olduğu için ürettiği ses serbestçe kullanılabiliyor. Böylece önce karakterin sesini "tasarlamış", sonra diğer replikleri okuma ve duygu katma işini Chatterbox'a bırakmış oluyorsunuz.
Test: robot barmen Arthur'u seslendirmek
Arthur'un İngilizce sesi için Kokoro'nun bm_george sesini seçtim. İngiliz aksanı çok ağırbaşlı; kibar, uşak tipi bir robot gibi duyuluyor. Konuşma hızını 0,95'e düşürdüm.
Filmde Arthur'u Michael Sheen canlandırıyor, ama burada onun sesini taklit etmekten özellikle kaçındım. Seslendirme Kokoro'nun hazır sesiyle yapıldı, klonlanan ses de Kokoro'nun ürettiği ses; yukarıda "sesin nereden geldiği çok önemli" derken kastettiğim buydu.
Aşağıdaki sesler doğrudan modellerden geliyor; sadece baştaki ve sondaki sessizliği kestim ve ses seviyesini eşitledim.
Kokoro: hazır sesi doğrudan kullanmak
Chatterbox: Kokoro'nun sesini klonlamak
Referans ses, yukarıdaki Kokoro bm_george sesinin ilk repliği (yaklaşık 6 saniye).
Karşılaştırma için orijinal Chatterbox'ın hazır sesi; klonlama yok, duygu yoğunluğu 0,3'e düşürüldü:
Birkaç gözlem:
- Kokoro her seferinde aynı sonucu veriyor: aynı replik, aynı ses; kaç kez üretirseniz üretin sonuç aynı, sürüm seçmeye gerek yok. Farklı bir hava istiyorsanız sesi değiştirin ya da hızı ayarlayın.
- Chatterbox her seferinde farklı sonuç veriyor: seed değiştirince aynı replik farklı bir ton ve ritimle geliyor; bu yüzden birkaç sürüm üretip aralarından seçmek gerekiyor.
- Klonlama sesi tutarlı kılıyor: tek bir referans replikle, klonlanan tüm replikler aynı karakterin tınısına sahip oluyor; her seferinde yeniden ses seçmeniz gerekmiyor.
- Klonlanan sürümler daha hızlı konuşuyor: aynı metinde Nano klonu, Kokoro'nun orijinalinden %10-20 daha kısa çıktı. Daha yavaş konuşsun istiyorsanız referans olarak daha yavaş tempolu bir kayıt kullanın.
Türkçe seslendirme testi
Model sizin dilinizi konuşmuyorsa bunların pek anlamı yok. Bu yazıdaki üç modelden Türkçeyi destekleyen sadece Chatterbox Multilingual V3 (Kokoro ve Qwen3-TTS desteklemiyor). Arthur'un iki repliğini Türkçeye çevirip onunla denedim: İngilizce bm_george sesini klonladım ve cfg_weight değerini 0 yaptım. Bu, referans ses ile replik farklı dillerde olduğunda İngiliz aksanını önlemek için resmi olarak önerilen ayar.
Nasıl kontrol ettim:
- Her sesi Whisper (konuşma tanıma) ile tekrar metne çevirip orijinal replikle karşılaştırdım.
- İkinci replik ("Barmen sır tutar. Bu, mesleğin kutsal emanetidir.") için üç farklı seed denedim, ama her seferinde bir kelime (sır ya da Barmen) şüpheli okunmuştu. Bu yüzden yazıya sadece ilk repliği koydum.
- Hız: model bir kez yüklenip replikler art arda üretildiğinde, sadece CPU'lu aynı dizüstünde Chatterbox Multilingual V3 replik başına yaklaşık 30 saniye sürüyor.
Yani Türkçe seslendirme mümkün, ama her repliği dinleyip gerekirse farklı seed ile yeniden üretmeye hazır olun.
Yapay zeka seslendirme için prompt nasıl yazılır? Claude Code ya da Codex'e bırakın
TTS'e girdiğiniz şey repliğin kendisi; ses efekti üretirken olduğu gibi istediğiniz sesi prompt ile tarif etmiyorsunuz. Ama ses seçme, klonlama ve sonucu kontrol etme hep aynı akışla ilerliyor, bu da onu yapay zeka kodlama asistanının genel ayarlarına yazmak için ideal kılıyor. Claude Code'un ayar dosyası ~/.claude/CLAUDE.md, Codex'inki ~/.codex/AGENTS.md. Bundan sonra "Arthur'un şu üç repliğini seslendir" demeniz yeterli, kurallara göre yapacaktır:
## Oyun karakterlerini yerel TTS ile seslendirme
Seslendirme istediğimde yereldeki Kokoro ve Chatterbox'ı kullan ve şu kurallara uy:
- Her karakterin sabit bir sesi olsun. Yeni bir karakter için Kokoro'da hazır bir ses seç, 5-10 saniyelik bir replik üretip referans ses olarak kaydet; sonrasında hep ondan klonla.
- Duygu ya da gülme gerektirmeyen replikleri doğrudan Kokoro ile yap; duygu, gülme ([laugh], [chuckle]) ya da referans sesle tutarlılık gerekiyorsa Chatterbox ile klonla: İngilizce için Nano ya da Turbo, Türkçe için Multilingual V3 (referans İngilizceyse cfg_weight 0).
- Eş yazımlı kelimeleri, özel adları ve yabancı kökenli kelimeleri onaylamadan önce dinle.
- Her replik ayrı bir dosya olsun, dosya adı "karakter-dil-numara".
- Chatterbox'ta her repliği 3 farklı seed ile üret, dosya adlarını ve replikleri listele, ben seçeyim.
- Ürettikten sonra süreyi kontrol et: ses, repliğin olması gereken süresinden belirgin şekilde uzunsa fazladan okumuştur; seed değiştirip yeniden üret.
- Onaylarını aldığımı söylemediğim sürece gerçek kişilerin sesini klonlama.
- Web sayfasına ya da oyuna koyarken baştaki ve sondaki sessizliği kes, kısa bir fade-out ekle, ses yüksekliğini eşitle ve mp3'e dönüştür.Repliklere biraz daha ifade: Turbo'nun gülme etiketleri
Chatterbox-Turbo'da etiketleri doğrudan repliğin içine yazabilirsiniz: [chuckle] kıkırdama, [laugh] kahkaha, [cough] öksürük:
Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.Açık kaynak TTS'in sınırları
Bir tur gerçekten kullandıktan sonra önceden söylemem gereken birkaç nokta var:
- Ekran kartı yoksa sabırlı olun: Kokoro ve Chatterbox Nano hızlı, ama diğer Chatterbox sürümleri CPU'da replik başına bir iki dakika sürüyor.
- İngilizce dışında mutlaka dinleyin: eş yazımlı kelimeler, özel adlar ve yabancı kökenli kelimeler yanlış okunabilir; her repliği oyuna koymadan önce dinleyin.
- Doğru sürümü seçin: Chatterbox'ın PyPI sürümü eski, üstelik proje artık bakım görmediği için bazı sorunları düzelten olmayacak.
- Duygu, referans sese ve parametrelere bağlı: model hikâyeyi anlamıyor; repliğin şaka mı yoksa öfke mi olduğunu kendi bilemiyor. Heyecanlı bir replik istiyorsanız heyecanlı bir referans ses hazırlayın ya da duygu yoğunluğunu artırın.
- Sonucu yine de kontrol edin: fazladan okuma, kelime yutma, başta gürültü gibi şeyler olabiliyor. Ses efektlerinde olduğu gibi, Claude Code ya da Codex'ten bağımsız kontrol için ayrı bir alt ajan (subagent) görevlendirmesini isteyebilirsiniz: önce konuşma tanımayla sesi metne çevirir, sonra orijinal replikle karşılaştırır, fark varsa yeniden üretir.
Bağımsız geliştiriciler için en büyük avantaj: geliştirmenin başında seslendirme
Önceki yazıdaki ses efekti aracı gibi, bence açık kaynak TTS'in en büyük değeri oyuna daha geliştirme sürecinin başında seslendirme ekleyebilmek.
Geliştirmenin başında senaryo sürekli değişiyor. Seslendirme sanatçısı kaydı bitirdikten sonra replik değişirse yeniden kayıt gerekiyor. Yerel TTS ile repliği değiştirip yeniden çalıştırıyorsunuz, on küsur saniyede hazır, ek ücret yok. Senaryo kesinleşince gerçek bir sanatçıyla yeniden kayıt yapıp yapmamaya karar verirsiniz.
O noktaya geldiğinizde replik uzunlukları, diyalog kutusunun ekranda kalma süresi ve karakterin ağız ya da hareket animasyonlarının süresi zaten seslendirmeye göre ayarlanmış oluyor. Gerçek kayda geçerken sadece aynı adlı ses dosyalarını değiştirmeniz yeterli.
Bir diğer avantaj da çoklu dil desteği. Ay üssünün sitesi 15 dilde yayında; 15 dili seslendirme sanatçılarına kaydettirmek pek mümkün değil, ama Kokoro 8 dili, Chatterbox Multilingual V3 ise 23 dili destekliyor, böylece en azından başlıca dillerde önceden seslendirme olabiliyor.
Sık sorulan sorular
Kokoro TTS Türkçe destekliyor mu?
Hayır. Kokoro 8 dili destekliyor: İngilizce (Amerikan ve Britanya İngilizcesi), Japonca, Çince, İspanyolca, Fransızca, Hintçe, İtalyanca ve Brezilya Portekizcesi. Bu yazıdaki modeller arasında Türkçe metni sese çevirebilen tek seçenek Chatterbox Multilingual V3.
Chatterbox TTS Türkçe destekliyor mu?
Evet. Multilingual V3, Türkçe dahil 23 dili okuyabiliyor ve İngilizce bir referans sesi klonlayıp Türkçe konuşturabiliyor; bu durumda İngiliz aksanını önlemek için cfg_weight değerini 0 yapın. Benim testimde ilk replik doğru okundu, ikinci replikte ise denediğim üç seed'de de bir kelime şüpheliydi; her repliği dinleyerek kontrol edin. PyPI'daki eski sürüm cümle sonunda fazladan okuduğu için GitHub'dan kurmayı unutmayın.
Ücretsiz ses klonlama ticari olarak kullanılabilir mi?
Chatterbox MIT lisanslı, yani model ticari olarak kullanılabilir; ama klonlanan sesi kullanma hakkınızın da olması gerekiyor: kendi sesiniz, onay alınarak kullanılan bir ses ya da bu yazıdaki gibi Kokoro ile üretilmiş bir ses. Ayrıca üretilen her seste Perth filigranı bulunuyor.
ElevenLabs'in ücretsiz bir alternatifi var mı?
İhtiyacınız oyun replikleri, anlatıcı sesi ya da eğitim videosu seslendirmesiyse Kokoro ve Chatterbox ücretsiz, ticari kullanıma açık ve kendi bilgisayarınızda çalışan açık kaynak alternatifler. Ses kalitesi ve duygu ifadesi henüz ElevenLabs seviyesinde değil, ama karakter başına ödeme yapmıyorsunuz ve servisin zam yapmasından ya da kapanmasından korkmanız gerekmiyor.
Ekran kartı olmadan açık kaynak TTS çalışır mı?
Çalışır. Kokoro ve Chatterbox Nano dizüstü CPU'sunda bir repliği on küsur saniyede üretiyor; Chatterbox'ın 500 milyon parametreli sürümleri replik başına bir iki dakika sürüyor, onları arka planda toplu olarak çalıştırabilirsiniz.
Sonuç: oyun karakterlerini seslendirmek için bir dizüstü yeterli
Eskiden seslendirmenin bağımsız oyun yaparken en lüks kısım olduğunu düşünürdüm: seslendirme sanatçısı pahalı, bulut TTS karakter başına ücret alıyor, replik sayısı artınca masraf da ciddi bir rakama ulaşıyor. Kokoro ve Chatterbox bu eşiği "bir dizüstü, bir replik, on küsur saniye" seviyesine indiriyor; ticari kullanıma açık, model kendi bilgisayarınızda duruyor, servisin kapanmasından korkmanız gerekmiyor.
Sıradaki adım Arthur'un seslendirmesini oyuna eklemek; diyalog kutusu açıldığında gerçekten konuşsun.
Bu yazı açık kaynak TTS'e genel bir bakıştı. Sırada Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX ve VoiceStudio var; her biri için kurulum, parametre ayarları ve daha fazla testle ayrı bir yazı yazacağım.
Siz oyun karakterlerinizi nasıl seslendiriyorsunuz? Threads ya da X üzerindeki gönderilerimi bulup yorum bırakın, konuşalım.


