Yapay zekâ ses ve görüntüyü nasıl üretir: difüzyon ve ses sentezine basit bir bakış

Kerem arkadaşının gönderdiği kısa bir videoyu izledi. Görüntüdeki kişi hiç yaşanmamış bir olayı anlatıyordu ve sesi tamamen gerçek geliyordu. Video yapay zekâyla üretilmişti. Kerem’in aklında tek soru kaldı: Bilgisayar sıfırdan resim ve sesi nasıl yapıyor? Yanıtın önemli bir parçası difüzyon.

Bu derste formül öğrenmeyeceksiniz. Görüntü üretiminin arkasındaki difüzyon (diffusion) fikrini ve ses üretiminin temel mantığını anlayacak, gördüğünüz ve duyduğunuz içeriğe daha bilinçli bakacaksınız.

Aklınıza bir soru mu takıldı?

Sorunuzu ya da aradığınız konuyu yazın Ders bul

Bu derste neler öğreneceksiniz?

• Difüzyon modelinin bir görüntüyü gürültüden nasıl çıkardığını.
• Ses üretiminin, sesi küçük parçalar hâlinde tahmin etmeye dayandığını.
• Gerçekçi bir içeriğin yapay zekâyla üretilip üretilmediğine nasıl yaklaşacağınızı.

Difüzyon: gürültüden resme

Hugging Face’in difüzyon dersine göre eğitim sırasında modele, farklı miktarlarda gürültü (noise) eklenmiş resimler verilir. Model gürültüyü nasıl temizleyeceğini tahmin eder, tahmininin ne kadar iyi olduğuna göre kendini düzeltir ve bu işi çok kez tekrarlar. Böylece bozulmuş bir görüntüden temiz hâline giden yolu öğrenir.

Üretim sırasında süreç tersine işler. Tamamen rastgele bir gürültüyle başlanır ve model onu her adımda biraz daha netleştirir. Değişiklikler küçük olduğu için erken hatalar sonraki adımlarda toparlanabilir. Ho ve arkadaşlarının 2020 tarihli çalışması bu yöntemle yüksek kaliteli görüntüler elde edilebildiğini göstermişti.

Günümüzün araçlarında yazdığınız metin de sürece yön verir. Rombach ve arkadaşları, işlemi doğrudan piksellerde değil görüntünün sıkıştırılmış bir temsilinde (latent space) yapmanın hesap yükünü azalttığını, metin gibi girdilerle yönlendirmenin de mümkün olduğunu anlatıyor.

Ses nasıl üretilir?

Google DeepMind’ın 2016’da tanıttığı WaveNet, ham ses dalgasını her seferinde tek bir örnek olarak üretiyordu: ağ bir sonraki değeri tahmin ediyor, bu değer geri besleniyor ve sıradaki tahmin yapılıyordu. Konuşmada metinden çıkarılan dilsel özellikler de tahmine eşlik ediyordu. DeepMind, sonucun o günkü en iyi Google konuşma sistemlerinden daha doğal bulunduğunu yazmıştı.

Hugging Face’in Diffusers kitaplığının belgeleri, difüzyon modellerinin yalnızca görüntü için değil ses ve video için de kullanıldığını gösteriyor.

Üretilen içeriği tanımak

İçerik gerçekçi hâle geldikçe kaynağını bilmek önem kazanıyor. Google DeepMind, SynthID ile yapay zekâyla üretilen görüntü ve videolara görünmez bir işaret ekliyor; ses tarafında bu işaret Lyria müzik modeli ve NotebookLM podcast özelliğiyle sınırlı. Dedektör de yalnızca Google’ın ve ortaklarının ürettiği içerikleri tanıyabiliyor. İşaret bulamamanız içeriğin gerçek olduğunu kanıtlamaz. Hugging Face’in ses dersi de sahte ses kayıtlarının dolandırıcılıkta kullanılabileceğini, ses verisi toplayanların açık izin alması gerektiğini hatırlatıyor.

Videoyla izleyin

İzlerken şuna dikkat edin: Videoda anlatılan sürecin derste öğrendiğiniz gürültüden resim fikriyle nasıl örtüştüğüne dikkat edin.

Video: Computerphile (İngilizce). Türkçe altyazı için YouTube’da altyazı ayarını açabilirsiniz.

Adım adım uygulama

1. Bir görüntü üretme aracında kısa bir istek yazın, örneğin kıyıda sabah sisi ve bir balıkçı teknesi. Sonucu kaydedin.
2. Aynı isteği bir kez daha gönderin ve iki görüntüyü karşılaştırın. Süreç rastgele bir başlangıçtan çıktığı için farklı sonuçlar almanız doğaldır.
3. Örnek isteği bir sohbet aracına verin ve benzetmeyi Hugging Face’in difüzyon dersinin ilk bölümüyle karşılaştırın.
4. Üretilmiş bir görselde yazıların, gölgelerin ve ayrıntıların tutarlı olup olmadığına bakın.
5. Bir görseli ya da sesi paylaşmadan önce yapay zekâyla üretildiğini belirtip belirtmeyeceğinize karar verin.

Kendinizi deneyin

Kaynaklar

• Hugging Face Diffusion Kursu, Unit 1: An Introduction to Diffusion Models (İngilizce)
• Ho, Jain, Abbeel, Denoising Diffusion Probabilistic Models (arXiv, 2020) (İngilizce)
• Rombach ve arkadaşları, High-Resolution Image Synthesis with Latent Diffusion Models (CVPR 2022) (İngilizce)
• Google DeepMind, WaveNet: A generative model for raw audio (2016) (İngilizce)
• Hugging Face, Diffusers belgeleri (İngilizce)
• Hugging Face Ses Kursu, Unit 6: From text to speech (İngilizce)
• Google DeepMind, SynthID (İngilizce)
• Computerphile: How AI Image Generators Work (Stable Diffusion / Dall-E) – Computerphile (video, İngilizce)

Son kontrol: 11 Kasım 2026

Kaynak: yzdersleri.com/ders/yapay-zeka-ses-ve-goruntuyu-nasil-uretir-difuzyon-ve-ses-sentezine-basit-bir-bakis/ · Yapay Zeka Dersleri