Sesle yazma nasıl çalışır

Ses dalgasından dijital sese: dikte ederken mikrofonun neyi kaydeder

Mikrofon ve cihaz sesini nasıl sayılara çevirir: örnekleme hızı, bit derinliği, mono ses, yeniden örnekleme ve mikrofonun konumunun neden teknik özelliklerden daha önemli olduğu.

MacWindowsiPhoneAndroid

Kısaca

Sesin bir basınç dalgasıdır. Mikrofon onu elektrik sinyaline çevirir, bir dönüştürücü de bu sinyali saniyede binlerce kez ölçer. Konuşma için klasik biçim saniyede 16.000 ölçüm ve 16 bittir. Daha yüksek sayılar daha iyi tanıma garantisi vermez: mikrofona yakın, net bir ses teknik özelliklerden çok daha önemlidir.

Slack

Söylediğin

on dakika gecikeceğim bensiz başlayın

SayVelio'nun yazdığı

10 dakika gecikeceğim, bensiz başlayın.

Ses, hareket eden hava olarak başlar

Konuştuğunda ses telleri, dil ve dudaklar havada çok küçük ve hızlı basınç değişimleri yaratır. Mikrofonun bu değişimlerle birlikte hareket eden ince bir zarı vardır ve bu hareketi değişen bir gerilime çevirir: sesini taklit eden analog bir dalga.

Bilgisayar sürekli bir dalgayı saklayamaz, bu yüzden bir analog-dijital dönüştürücü (genellikle dizüstü bilgisayarın, telefonun ya da kulaklığın içinde) bu dalgayı düzenli aralıklarla ölçer. Her ölçüm bir örnektir ve sayı olarak saklanır.

Düzenli aralıklarla ölçülen bir ses dalgası: her nokta bir örnek
Örnekleme: sesinin sürekli dalgası bir dizi ölçülmüş noktaya dönüşür

Örnekleme hızı: sinyal ne sıklıkla ölçülür

Örnekleme hızı saniyedeki ölçüm sayısıdır. 16.000 Hz (16 kHz) saniyede 16.000 örnek demektir; 48 kHz ise 48.000.

Örnekleme hızı, kaydın içerebileceği en yüksek frekansı belirler: yaklaşık yarısını. 16 kHz'lik bir kayıt yaklaşık 8 kHz'e kadar olan sesleri tutar; bu, konuşmayı anlamak için yeterlidir. Klasik telefon sesi yalnızca yaklaşık 3,4 kHz'e kadar çıkar; telefonda "f" ile "s"nin bu kadar kolay karışmasının sebebi budur.

Bit derinliği: her örnek ne kadar hassas saklanır

Bit derinliği, bir örneğin kaç farklı değer alabileceğini söyler. 16 bitlik seste 65.536 olası seviye vardır. Bu yalnızca ölçümün hassasiyetini anlatır: bir konuşma modelinin 65.536 tür sesi ayırt ettiği anlamına gelmez.

Dikte kaydı genellikle monodur: tek kanal, her an için tek örnek. Stereo ikinci bir kanal ekler ama tanımaya pek katkısı olmaz.

Birkaç saniyelik konuşma ne kadar veri tutar

Hesap basit: 16.000 örnek × 16 bit = mono ses için saniyede 256.000 bit, yani başlıklar hariç saniyede 32 KB. 30 saniyelik bir dikte sıkıştırılmadan yaklaşık 1 MB tutar. Modern bir bağlantı için bu az, ama bir uygulama çok sayıda kayıt gönderdiğinde birikir; bazı uygulamaların sesi önce sıkıştırmasının nedeni budur (bkz. konuşma için ses sıkıştırma).

Yeniden örnekleme sadece bir sayıyı değiştirmek değildir

Birçok mikrofon 48 kHz'de kaydeder, birçok tanıma modeli ise 16 kHz bekler. Dönüştürmek dosyayı yeniden adlandırmak değildir: önce düşük hızın tutamayacağı frekansları süzmek gerekir, yoksa bunlar kayda bozulma olarak geri katlanır (aliasing). İşletim sistemi ve ses kütüphaneleri bunu senin yerine yapar, ama bu da sesi ileri geri dönüştürmemek için bir sebep daha.

Mikrofon ve ortam her şeyden önemlidir

Bunların hepsi tanımadan önce olur ve hiçbir yazılım mikrofonun net yakalamadığı kelimeleri geri getiremez. Pratikte:

  • Mesafe her şeyden önemlidir. Mikrofonlu bir kulaklık ya da önündeki dizüstü mikrofonu, odanın öbür ucundaki bir web kamerasını yener. Uzak mikrofonlar daha fazla yankı toplar.
  • Çok yakın "patlar". Mikrofona yapışık konuşmak "p" ve "b"de hava darbeleri yaratır.
  • Hangi girişin seçili olduğunu kontrol et. Kulaklık taktığında bilgisayar mikrofonu değiştirebilir. Mac'te: Sistem Ayarları → Ses → Giriş; Windows'ta: Ayarlar → Sistem → Ses.
  • Dikte uygulamasına mikrofon izni ver. İzin olmadan uygulama yalnızca sessizlik alır.

İpucu

Dikte birden kötüleşirse önce giriş aygıtını kontrol et. Bluetooth kulaklığın mikrofonuna geçmek kaliteyi çoğu zaman düşürür, çünkü birçok kulaklık mikrofon açıkken dar, telefon tarzı bir ses moduna geçer.

Sorular

Daha yüksek örnekleme hızı dikteyi iyileştirir mi?

Şart değil. Tanıma modellerinin çoğu içeride 16 kHz ile çalışır, yani 48 kHz'lik bir kayıt yine de düşürülür. Net bir ses ve iyi bir mikrofon konumu daha önemlidir.

Harici mikrofona ihtiyacım var mı?

Genellikle hayır. Modern dizüstü bilgisayarların ve telefonların yerleşik mikrofonları sessiz bir odada dikte için yeterlidir. Mikrofonlu bir kulaklık açık ofiste ya da gürültülü yerlerde işe yarar.