Transkripsiya: süni intellektlə səsi mətnə çevirmək

Bu yazıda transkripsiya danışığın yazılı mətnə çevrilməsi mənasındadır: toplantı, müsahibə, səsli qeyd və ya video oxunan və axtarılan mətnə çevrilir. Məktəbdən tanış olan fonetik transkripsiya, yəni ingilis sözünün tələffüzünü [ˈwɔːtə] kimi yazmaq, başqa mövzudur. Azərbaycanca səsi mətnə çevirmək üçün pulsuz yollar Google Docs-un səslə yazma funksiyası və YouTube-un avtomatik subtitridir. Hazır səs faylını Gemini, ChatGPT və ayrı transkripsiya servisləri mətnə çevirir.

Bu xidmətlərin hamısı süni intellektin nitqi tanıyan modellərinə söykənir. Çat-botların ümumi qiymət cədvəli süni intellekt proqramları icmalında toplanıb. Modelin eşitmədiyi sözü niyə inamla yaza bildiyini süni intellektin sadə izahı göstərir. Aşağıda hər mövzu ayrıca açılır, dil siyahılarından başlayaraq.

Mündəricat:

• Hansı transkripsiya alətləri azərbaycan dilini rəsmi tanıyır?
• Azərbaycanca danışıq nə qədər düzgün yazılır?
• Səsi mətnə çevirmək üçün hansı yolu seçmək?
• Transkripti on dəqiqəyə necə yoxlamaq olar?
• Müştəri zəngini yükləməzdən əvvəl: səs qanunda biometrik məlumatdır
• Ayda neçə saat səs: pulsuz, yoxsa abunə?
• YouTube videosunda azərbaycanca subtitr

Hansı transkripsiya alətləri azərbaycan dilini rəsmi tanıyır?

Reklam səhifələri ilə kömək mərkəzlərindəki dil siyahıları çox vaxt eyni şeyi demir. 4 noyabrda on üç xidmətin rəsmi siyahısını açıb azərbaycan dilini axtardıq. Siyahıda dilin olması keyfiyyətə zəmanət vermir, amma olmaması daha çox şey deyir: belə alətlər azərbaycanca danışığı ya heç yazmayacaq, ya da başqa dilin qaydası ilə yazacaq.

Alət	Azərbaycan dili	Pulsuz hədd	Harada işə yarayır
Google Docs, Voice typing	var, 116 bəndlik siyahıda	tam pulsuz, kompüter brauzerində	canlı diktə, qeyd
YouTube, avtomatik subtitr	var, 67 dil arasında	pulsuz	video subtitri
Gemini tətbiqi, səs faylı yükləmək	var	bir sorğuda ümumi səs 10 dəqiqəyədək	qısa qeyd, xülasə
ChatGPT, səs faylı yükləmək	Whisper siyahısında var; ChatGPT ayrıca siyahı vermir	pulsuz planda yoxdur	transkript, sonra sual-cavab
Whisper, açıq model	var	pulsuz, öz kompüterinizdə	məxfi səs
OpenAI API, gpt-transcribe	dil kodu ilə seçilir	yoxdur	proqramçılar, avtomatik axın
ElevenLabs Scribe v2	var	yoxdur, API ilə	uzun fayl, 32 danışanadək
TurboScribe	var, ayrıca azərbaycanca səhifəsi ilə	gündə 3 fayl, hər biri 30 dəqiqəyədək	müsahibə, podkast
Notta	var, 58 dil arasında	ayda 120 dəqiqə, bir yazı 3 dəqiqəyədək	onlayn görüşə qoşulan bot
Microsoft Azure Speech	var, az-AZ	ayda 5 saat (F0)	texniki inteqrasiya
Microsoft Word, Transcribe	yoxdur; türk və rus var	yoxdur, Microsoft 365 abunəsi	azərbaycanca üçün yaramır
Google Pixel Recorder	yoxdur; türk və rus var	Pixel telefonlarında	azərbaycanca üçün yaramır
Otter	yoxdur, cəmi 6 dil	—	azərbaycanca üçün yaramır

Mənbə: Google Docs səslə yazma, YouTube avtomatik subtitr, Gemini fayl yükləmə, Whisper dil siyahısı, ElevenLabs Scribe, Notta, TurboScribe, Azure Speech, Word Transcribe, Pixel Recorder, Otter; noyabr 2026.

Çox vaxt çaşdıran yer eyni şirkətin iki məhsulu arasındakı fərqdir.

Microsoft-un bulud xidməti Azure Speech azərbaycanca nitqi tanıyır, Word-un Transcribe düyməsinin 82 lokallıq siyahısında bu dil yoxdur. Google Docs azərbaycanca diktəni qəbul edir. Pixel telefonlarının Recorder tətbiqi 42 dil variantının içində türk və rus dilini göstərsə də, azərbaycan dilini göstərmir.

Notta-nın pulsuz planı ayda 120 dəqiqə verir, bir yazının uzunluğu isə 3 dəqiqə ilə məhdudlaşır.

Yarım saatlıq müsahibəni bu planla yazmaq olmur, o, yalnız aləti tanımaq üçün yarayır.

Azərbaycanca danışıq nə qədər düzgün yazılır?

«Alət siyahıda varsa, deməli yaxşı yazır?» Bu suala ən aydın cavabı OpenAI-ın öz araşdırması verir.

Whisper modelini təqdim edən 2022-ci il məqaləsinin əlavəsində FLEURS test toplusu üzrə söz xətası faizi (WER) dillərə görə verilib. Ən böyük large-v2 modeli azərbaycanca danışıqda 23.4% xəta göstərib, türkcədə 8.4%, rusca 5.6%, ingiliscə 4.2%. Sadə dillə desək, həmin testdə azərbaycanca mətndə təxminən hər dörd-beş sözdən biri səhv çıxıb, türkcədə hər on bir-on iki sözdən biri.

Yeni modellər bu boşluğu bağlamağa çalışır, lakin müstəqil ölçülər azdır. ElevenLabs öz sənədində Scribe v2 modelini azərbaycanca üçün 5–10% xəta pilləsinə yazıb, türk və rus dilini 5%-dən aşağı pillədə göstərib. Bu, şirkətin öz ölçüsüdür.

Notta-nın azərbaycanca səhifəsində yazılan 98.86% dəqiqlik yüksək keyfiyyətli səs üçün ümumi reklam rəqəmidir, konkret dilə aid deyil.

Xətanın faizindən çox, yeri vacibdir. Adlar, şirkət adları, məbləğlər və tarixlər səhv yazılanda protokol yanlış qərarı göstərir. Azərbaycanca hərf səhvi bəzən sözün mənasını dəyişir: əl ilə el, ət ilə et, ılıq ilə iliq eyni deyil. Bakıda danışanların araya rus sözləri qatması da modelləri çaşdırır, çünki bir cümlədə iki dil olur.

Danışığı yazdırmaq bir şeydir, onu oxunaqlı mətnə çevirmək başqa. Docs-un kömək səhifəsi açıq yazır ki, səsli əmrlər yalnız ingiliscə işləyir, durğu işarələri də hər dildə alınmaya bilər. Azərbaycanca diktədə nöqtə və vergülü sonradan əl ilə qoymaq lazım gələ bilər.

Səsi mətnə çevirmək üçün hansı yolu seçmək?

Səsdən mətn almağın yolu səsin harada olduğundan asılıdır. Danışığı elə indi yazırsınızsa, ən sadəsi Docs-dur. Telefonda yazılmış səs faylları varsa, onları çat-bota və ya transkripsiya servisinə yükləmək lazım gəlir.

Canlı danışıq: Google Docs-da səslə yazma

1. Kompüterdə Chrome brauzerini açın (Edge və Safari də olar) və yeni Google Docs sənədi yaradın.
2. Tools menyusundan Voice typing seçin, ekranda mikrofon qutusu çıxacaq.
3. Dil siyahısından Azerbaijani seçin, sonra mikrofonu basıb danışın.
4. Səhv yazılan sözü mikrofonu söndürmədən düzəltmək olur: kursoru həmin sözə aparın və dəyişin.
5. Səs zəif eşidilirsə, Google xarici mikrofon qoşmağı və sakit otağa keçməyi tövsiyə edir.

Hazır səs yazısı: Gemini və ya ChatGPT

Gemini-də faylı + menyusundan, veb versiyada Upload files düyməsi ilə əlavə edirsiniz. Bir sorğuda ümumi səs 10 dəqiqəyə qədər ola bilər, Google AI Pro və Ultra planlarında bu hədd 3 saata qalxır, səs faylının ölçüsü 100 MB-a qədərdir. Gemini-nin azərbaycanca imkanları və planları ilə Gemini haqqında bələdçi tanış edir.

ChatGPT-də səs faylı yükləmək OpenAI-ın fayl yükləmə səhifəsinə görə yalnız pullu abunələrdə var, pulsuz planda yoxdur. MP3, M4A, WAV, OGG və başqa formatlar qəbul olunur, fayl 512 MB-a qədər ola bilər. OpenAI eyni səhifədə xəbərdarlıq edir ki, transkriptdə səhv ola bilər, danışanların ayrılması da həmişə etibarlı deyil. ChatGPT-nin azərbaycanca cavab keyfiyyətini ChatGPT-nin azərbaycan dilində işi haqqında yazı ayrıca açır.

Faylı əlavə edəndən sonra modelə nə istədiyinizi dəqiq yazın. Belə tapşırıq modelin cümlələri öz bildiyi kimi düzəltməsinin qarşısını alır:

Əlavə etdiyim fayl azərbaycanca müsahibədir, iki nəfər danışır: jurnalist və kafe sahibi. Danışığı olduğu kimi yaz, cümlələri düzəltmə və qısaltma. Hər replikadan əvvəl danışanı (Jurnalist, Sahib) və vaxtı [dd:ss] formatında göstər.

Rusca deyilən sözləri rusca saxla. Eşidilməyən yeri [eşidilmir], əmin olmadığın sözü [?] ilə işarələ. Ə, ı, ğ, ö, ü, ş, ç hərflərini düzgün yaz.

Uzun fayllar: ayrıca transkripsiya servisi

Bir saatlıq və daha uzun yazılar üçün çat-botdansa ayrıca servislər rahatdır. TurboScribe-in pulsuz planında hər fayl 30 dəqiqəyədək ola bilər, ödənişli Unlimited planda 10 saata və 5 GB-a qədər qalxır. ElevenLabs Scribe v2 3 GB-a qədər faylı qəbul edir, 32 danışanı ayırır. API ilə işlədiyi üçün o, daha çox texniki biliyi olan istifadəçilərə uyğundur. Hansı servisi seçsəniz də, faylı yükləyəndə dili avtomatik təyinə buraxmaq əvəzinə dil kimi Azerbaijani seçmək daha etibarlıdır.

Transkriptdən protokol və məktub

Transkript əlinizdə olanda çat-bot ondan protokol və ya müştəriyə məktub qaralaması çıxara bilər. Burada əsas risk modelin danışıqda olmayan tarixi və ya məsulu özündən əlavə etməsidir. Tapşırığı belə qurmaq bunun qarşısını qismən alır:

Aşağıdakı mətn həftəlik toplantının transkriptidir. Ondan protokol çıxar: qəbul olunan qərarlar, tapşırıqlar (kim, nə, hansı tarixədək), açıq qalan suallar. Yalnız transkriptdə deyilənləri yaz. Tarix və ya məsul adı deyilməyibsə, onun yerinə deyilməyib yaz. Sonda transkriptdə keçən bütün rəqəmləri və tarixləri ayrıca siyahı ilə ver ki, onları səs yazısı ilə tutuşdurum.

İşə qəbul müsahibələrində transkriptlər namizədləri müqayisə etməyi asanlaşdırır. Bütün namizədlərə eyni sualları əvvəlcədən göndərmək istəyirsinizsə, Google Forms-da anket hazırlamaq bu işin yazılı tərəfini həll edir. Promptun quruluşu haqqında ətraflı izahı prompt nədir yazısında tapacaqsınız.

Transkripti on dəqiqəyə necə yoxlamaq olar?

Bir saatlıq yazını başdan-sona yenidən dinləməyə adətən vaxt çatmır. Səhvlərin harada yığıldığını bilmək kifayətdir, çünki onlar mətnə təsadüfi səpələnmir. AP-nin 2024-cü il araşdırmasında proqramçılar Whisper-in uydurduğu sözlərin daha çox fasilələrdə, fon səslərində və musiqi olan yerlərdə çıxdığını deyiblər.

1. Yazının ortasından iki dəqiqəlik parça seçin və onu özünüz dinləyib yazın, adətən 200–300 söz alınır.
2. Öz mətninizi transkriptlə tutuşdurun, səhv yazılan və buraxılan sözləri sayın. Səhv sayını söz sayına bölsəniz, bu faylın xəta faizini təxminən bilərsiniz.
3. Bütün ad, soyad, rəqəm, məbləğ və tarixləri səs yazısında bir-bir yoxlayın, protokol promptunun sonundakı siyahı bunun üçündür.
4. Uzun fasilədən və musiqidən sonrakı cümlələrə xüsusi baxın: model orada olmayan cümlə əlavə edə bilər.
5. Mətndə Ctrl+F ilə tez-tez işlənən sözlərin hərfsiz formasını axtarın, məsələn, ucun, gore, sirket.

İki dəqiqəlik parçada xəta 10%-dən çoxdursa, eyni faylı başqa servisdə sınamaq və ya səs keyfiyyətini yaxşılaşdırmaq vaxta qənaət edir. Danışanlar mikrofona yaxın oturanda və otaqda əks-səda az olanda nəticə bütün alətlərdə yaxşılaşır.

Müştəri zəngini yükləməzdən əvvəl: səs qanunda biometrik məlumatdır

Səs yazısı adi sənəd deyil.

«Fərdi məlumatlar haqqında» Qanunun 9.5-ci maddəsi səs fraqmentini və onun akustik parametrlərini barmaq izi və üz təsviri ilə bir sırada biometrik məlumat sayır, 9.6.1-ci maddə belə məlumatın toplanma şərtlərindən biri kimi subyektin razılığını göstərir (qanunun mətni). Müştərilərin zənglərini yazıb xarici servisə yükləməzdən əvvəl razılığın necə alınacağını hüquqşünasla dəqiqləşdirmək lazımdır.

OpenAI da öz ChatGPT Record səhifəsində başqalarını yazmazdan əvvəl yerli qanunları yoxlamağı və razılıq almağı istifadəçinin üzərinə qoyur. Səhifədə deyilir ki, səs faylı transkripsiyadan sonra silinir, amma Free, Plus və Pro hesablarında Improve the model for everyone ayarı açıqdırsa, transkript modelin öyrədilməsinə gedə bilər. Business, Enterprise və Edu hesablarında bu, standart olaraq bağlıdır.

Tibbi söhbətdə riskin miqyasını ABŞ-dan bir hadisə göstərir. AP 2024-cü ilin oktyabrında yazdı ki, Whisper əsasında qurulan Nabla alətini 30,000-dən çox həkim və 40 tibb sistemi işlədir, şirkət onunla təxminən 7 milyon qəbulun yazıldığını deyir. Alət orijinal səsi data təhlükəsizliyi səbəbi ilə silir, ona görə transkripti səslə tutuşdurmaq mümkün olmur. Araşdırmada Whisper-in mövcud olmayan hyperactivated antibiotics adlı dərmanı mətnə əlavə etdiyi nümunə də var.

Bütün bunlar OpenAI-ın öz xəbərdarlığına baxmayaraq baş verib: şirkət Whisper-i yüksək riskli sahələrdə işlətməməyi tövsiyə edir.

Kornell Universitetinin əməkdaşı Allison Koenecke və həmkarlarının Careless Whisper araşdırmasında transkriptlərin təxminən 1%-ində bütöv uydurma ifadə və ya cümlə tapılıb, bu uydurmaların 38%-i açıq zərərli məzmun daşıyıb. Uzun fasilə ilə danışan insanlarda, məsələn, afaziyası olanlarda belə hallar daha çox olub.

Həkim və vəkil söhbəti, işçi ilə HR görüşü üçün daha təhlükəsiz yol Whisper-i öz kompüterinizdə işlətməkdir, onda səs heç yerə getmir. Layihənin GitHub səhifəsindəki cədvəldə turbo modeli üçün təxminən 6 GB, small üçün 2 GB, large üçün 10 GB video yaddaş göstərilib. Zəif noutbukda kiçik modellər işləyir, ancaq Whisper məqaləsində small modelinin azərbaycanca xətası 49.1% olub, böyük modelinkinin iki mislindən çox. Hansı yolla olursa olsun, orijinal səs yazısı protokol təsdiqlənənədək saxlanmalıdır.

Ayda neçə saat səs: pulsuz, yoxsa abunə?

Qiyməti müqayisə etməyin ən sadə yolu ayda neçə saat səs yazdığınızı bilməkdir. Aşağıdakı cədvəldə hər yol ayda 10 saat səs üçün hesablanıb, bu, həftədə iki-üç uzun toplantıya və ya müsahibəyə bərabərdir.

Yol	Tarif	Ayda 10 saat, manatla	Qeyd
OpenAI API, gpt-transcribe	dəqiqəsi 0.0045 $	~4.6 ₼	proqramlaşdırma lazımdır, fayl 25 MB-dək
ElevenLabs Scribe v2	saatı 0.22 $	~3.7 ₼	API, uzun fayl, danışan ayrılması
Notta Pro	illik 97.99 $, ayda 8.17 $	~14 ₼	ayda 1,800 dəqiqə, yazı 5 saatadək
TurboScribe Unlimited	illik 120 $, ayda 10 $	~17 ₼	limitsiz, sayt Azərbaycandan açanda illik 204 ₼ göstərir
ChatGPT Plus	ayda 20 $	~34 ₼	transkriptdən sonra sual-cavab, protokol
Google AI Pro	ayda 19.99 $	~34 ₼	bir sorğuda 3 saatadək səs, Gemini daxil

Mənbə: OpenAI API qiymətləri, ElevenLabs API qiymətləri, Notta və TurboScribe qiymət səhifələri, noyabr 2026. Dollar Mərkəzi Bankın 4 noyabr məzənnəsi ilə (1 $ = 1.70 ₼) çevrilib, kartla ödənişdə bankın komissiyası əlavə oluna bilər.

Bizim fikrimizcə, ayda bir-iki saatlıq səs üçün abunə almağa dəyməz: TurboScribe-in gündəlik pulsuz həddi bu həcmi götürür, qısa səsli qeydlər üçün Gemini də kifayət edir. Hər həftə müsahibə yazan jurnalistlər və podkast aparanlar üçün TurboScribe Unlimited sabit xərc verir, faylları saymaq lazım gəlmir. API ən ucuzudur, lakin onu yalnız avtomatik axın, məsələn, hər zəngin özü-özünə yazılması qurulanda seçmək mənalıdır. OpenAI köhnə whisper-1 modelini 26 fevral 2027-dək saxlayacağını yazıb, yeni qurulan axında gpt-transcribe modelini seçmək sonradan köçmək zəhmətini aradan qaldırır.

YouTube videosunda azərbaycanca subtitr

YouTube azərbaycanca videolar üçün avtomatik subtitri özü yaradır, dil 67 dilin siyahısındadır. Platforma kömək səhifəsində yazır ki, bu subtitrlərin keyfiyyəti tələffüzdən və fon səsindən asılıdır, onları həmişə yoxlamaq lazımdır. Canlı yayımların avtomatik subtitri hələ yalnız ingiliscədir.

1. Videonu yükləyin və YouTube Studio-da sol menyudan Subtitles bölməsini açın.
2. Videonu seçin, avtomatik subtitrin yanındakı More düyməsi ilə redaktəyə keçin.
3. Adları və ə, ğ, ı hərfli sözləri diqqətlə oxuyun, səhv yerləri düzəldib dərc edin.
4. Avtomatik subtitr zəifdirsə, transkripsiya servisindən SRT faylı alıb onu eyni bölmədən yükləyin.

Transkript hazırdırsa, onu subtitr faylına çat-botla da çevirmək olur. Vaxt kodları olan transkript bu iş üçün lazımdır, onsuz model vaxtı təxmin edər:

Bu transkripti YouTube üçün SRT faylına çevir. Vaxt kodlarını dəyişmə. Hər subtitr bloku iki sətirdən çox olmasın, sətri sözün ortasından bölmə. Mətni redaktə etmə, yalnız sətir bölgüsünü və durğu işarələrini düzəlt.

Əks istiqamət, yəni mətni səsə çevirmək süni intellekt səsləndirmə yazısında, videonun özünü yaratmaq da süni intellektlə video düzəltmək bələdçisində addım-addım göstərilib. Başqalarının videosuna subtitr hazırlamağı xidmət kimi satmaq ideyası da süni intellekt biznes ideyaları siyahısındadır.

Hər videoya transkript çıxarmaq və subtitri yoxlamaq kanal böyüdükcə həftəlik işə çevrilir. Transkriptdən subtitrə və təsvirə gedən bu zənciri bir dəfə qurub kanalı süni intellektlə avtomatlaşdırmaq KURS: AI Agent & YouTube biznesi proqramının YouTube modulunda göstərilir.

Hesabın əsası: ayda 10 saat = 600 dəqiqə. 600 × 0.0045 = 2.7 $ ≈ 4.6 ₼; 10 × 0.22 = 2.2 $ ≈ 3.7 ₼; 8.17 × 1.70 = 13.89 ≈ 14 ₼; 10 × 1.70 = 17 ₼; 120 × 1.70 = 204 ₼; 20 × 1.70 = 34 ₼; 19.99 × 1.70 = 33.98 ≈ 34 ₼. Xəta faizləri Whisper məqaləsinin D.2.4 cədvəlindən (FLEURS, large-v2) götürülüb, dil siyahıları 4 noyabr 2026-da rəsmi səhifələrdə sayılıb.