ufakzeka-kulak: Sıfırdan Eğitilmiş Küçük Bir Türkçe Konuşma Tanıma Modeli
Sıfırdan eğitilen, internet bağlantısı olmadan işlemcide çalışan, 31.564.935 parametreli açık bir Türkçe konuşma tanıma modeli. Yazıda modelin eğitim verisi ve yöntemi, yayın öncesi kabul testinin sonuçları ve ölçülen sınırları anlatılmaktadır.
PDFModel (Hugging Face)GitHub reposuModel sayfasıModeli deneyin
- 31.564.935parametre
- 0,0921FLEURS Türkçe testinde kelime hata oranı
- 0,0916Common Voice 27.0 Türkçe testinde kelime hata oranı
- Apache-2.0ağırlıklar
Özet
ufakzeka-kulak, ufak AI tarafından sıfırdan eğitilen, 31.564.935 parametreli bir Türkçe konuşma tanıma modelidir ve Apache-2.0 lisansıyla yayımlanmaktadır. Metni büyük harfle ve noktalama işaretleriyle yazmakta, sayıları yazıyla vermektedir; aynı ağırlıklar beş çalışma ortamında internet bağlantısı olmadan işlemcide çalışır. Model, lisansı ticari kullanıma izin veren 4.977 saatlik konuşma kaydıyla eğitilmiştir. Bu kayıtların 281 saati insanlar tarafından yazıya dökülmüştür; kalan 4.696 saatin eğitim metni ise videoyu yükleyenin eklediği altyazı ya da otomatik bir transkripttir ve bu metin yalnızca aynı sesten bağımsız olarak çıkarılan ikinci bir transkriptle uyuştuğunda tutulmuştur.
Seçimler yalnızca geliştirme verisinde yapılmış, test kümeleri tek bir kabul testinde (release gate) bir kez puanlanmıştır. Kelime hata oranı (word error rate, WER) FLEURS Türkçe test kümesinde 0,0921 (yüzde 95 güven aralığı 0,0792 ile 0,1055), Common Voice 27.0 Türkçe test kümesinde 0,0916 (0,0873 ile 0,0958) olarak ölçülmüştür; Whisper base’in aynı kümelerdeki kelime hata oranı 0,2461 ve 0,3287’dir. İki model aynı cümleler üzerinde karşılaştırıldığında farkın yüzde 95 güven aralığı iki kümede de tamamen sıfırın altında kalmış ve kabul testi geçilmiştir; Whisper large-v3’ün kelime hata oranı ise daha düşüktür (0,0604 ve 0,0767). Sohbet konuşmasında kelime hata oranı 0,3807 olarak ölçülmüştür.
1. Giriş
Konuşmanın kullanıcının cihazından çıkmaması için bir konuşma tanıma modelinin internet bağlantısı olmadan sıradan bir işlemcide ya da tarayıcıda çalışabilmesi gerekir. Bir üründe kullanılabilmesi için de lisansının ticari kullanıma izin vermesi ve hangi veriyle eğitildiğinin bilinmesi gerekir. ufakzeka-kulak’ın ağırlıkları Apache-2.0 lisanslıdır, eğitim verisindeki her kaynağın lisansı ticari kullanıma izin vermektedir ve kaynakların tam listesi, lisans ve atıf bilgileriyle birlikte model reposundaki ATTRIBUTION.md dosyasında yer almaktadır.
Model, ufakzeka ailesinin üçüncü modelidir; sohbet modeli ufakzeka-1 ile karar modeli ufakzeka-karar’ın aksine ufakzeka-1-base üzerine kurulmamıştır. Adındaki “kulak”, işitme organına gönderme yapmaktadır. Bu yazının dışında kalan ayrıntılar model kartında yer almaktadır.
2. Model
ufakzeka-kulak, 16 katmanlı, 256 gizli boyutlu (hidden size), 4 dikkat başlı (attention head) ve zaman ekseninde 8 kat alt örnekleme (subsampling) yapan NeMo FastConformer kodlayıcısını (encoder) kullanmaktadır. Kodlayıcı iki çıkışı beslemektedir. Varsayılanı, her tokenla birlikte seste kaç çerçeve ilerleneceğini de tahmin eden token ve süre dönüştürücüsü (token-and-duration transducer, TDT; süreler 0 ile 4 çerçeve arasındadır) kod çözücüsüdür (decoder); ikincisi bir CTC (connectionist temporal classification) katmanıdır. Kelime dağarcığı, kontaminasyon temizliğinden sonra yalnızca eğitim transkriptleri üzerinde eğitilmiş, 1.024 tokenlık bir SentencePiece BPE’dir. Model, 16.000 Hz örnekleme hızındaki tek kanallı sesten çıkarılan 80 boyutlu log-mel özniteliklerini okur ve tek seferde tek bir konuşma parçasını yazıya döker (5. bölüm).
Çıktı biçimi. Model büyük ve küçük harfleri ayırarak yazmakta, noktalama işareti olarak yalnızca nokta, virgül, soru işareti, kesme işareti ve kelime içindeki kısa çizgiyi kullanmaktadır; eğitim metinlerindeki diğer işaretler bunlara dönüştürülmüştür. Sayılar yazıyla verilir, yani model “2022’de” değil “iki bin yirmi ikide” yazar. Şapkalı harfler şapkasız yazılır.
Çalışma ortamları. Float32 formatındaki NeMo 3.0.0 dosyası referanstır. Diğer dosyalar transformers 5.20.1 için TDT ve CTC klasörleri, sherpa-onnx 1.13.8 için float32 ve int8 dosyaları, parakeet.cpp v0.6.1 için TDT kod çözücüsünü ve CTC katmanını birlikte taşıyan f32 ve q8_0 GGUF dosyaları ve parakeet-mlx 0.5.3 için float32 ağırlıklar ile bunların öznitelik çıkarma fonksiyonudur; parakeet-mlx öznitelikleri NeMo’dan farklı hesapladığı için bu fonksiyon MLX klasörüyle birlikte verilmektedir. Ağırlıklar, parakeet-mlx’in varsayılan duyarlığı olan bfloat16 ile denetlenmiştir. Yalnızca Common Voice ve FLEURS geliştirme kümelerinde normalize edilmiş WER’i NeMo’nunkinden en fazla 0,0050 uzaklaşan ve hiçbir konuşma parçasında çalışma hatası vermeyen dosyalar yayımlanmıştır (4.6. bölüm).
3. Veri ve eğitim
3.1 Kaynaklar
Saatlerde her kayıt bir kez sayılmış, eğitim sırasında hızı değiştirilerek üretilen kopyalar sayılmamıştır. İlk dört kaynak kendi transkriptleriyle, YODAS kayıtları ise 3.2. bölümde anlatılan metinlerle eğitilmiştir.
| Kaynak | Lisans | Saat |
|---|---|---|
| Mozilla Common Voice Scripted Speech 27.0 Türkçe, geliştirme ve test bölümlerindeki cümleler ve konuşmacılar çıkarılarak | CC0 1.0 | 67,9 |
| Mozilla Common Voice Spontaneous Speech 5.0 Türkçe | CC0 1.0 | 0,1 |
| antalia-voice-corpus, tek bir seslendirme sanatçısı | CC BY 4.0 | 4,2 |
| Turkish Speech Corpus (TSC), ISSAI, Nazarbayev Üniversitesi, eğitim bölümü | CC BY 4.0 | 209,1 |
| YODAS ve YODAS v3, ESPnet, Türkçe | CC BY 3.0 | 4.696,2 |
ISSAI derlemi CC BY 4.0 lisansıyla yayımlamaktadır (TurkicASR reposundaki LICENSE.md); Hugging Face kopyası MIT olarak etiketlenmiştir ve burada CC BY 4.0 lisansına uyulmuştur. YODAS kayıtları, YODAS ve YODAS v3’ün topladığı YouTube sesleridir; bu veri kümelerinin yazarları yalnızca Creative Commons lisansıyla yayımlanmış videoları aldıklarını belirtmekte ve sesleri CC BY 3.0 lisansıyla yayımlamaktadır. YouTube’da yükleyenin bir video için seçebileceği tek Creative Commons lisansı Creative Commons Atıf (CC BY) lisansıdır. Kayıtlar, OWSM v4 verisinin yodas0.10 alt kümesinden, bu alt kümede bulunmayan yodas0.00 kayıtlarından ve Alania Turkish Speech Style Captions veri kümesindeki (CC BY 4.0) aralıklara göre kesilen YODAS v3 seslerinden oluşmaktadır. Alania veri kümesinden yalnızca aralık sınırları kullanılmış, kümenin transkript sütunu hiç okunmamıştır.
Veri artırma (data augmentation) için eğitim seslerine MUSAN veri kümesinin gürültü alt kümesinden (CC BY 4.0; yalnızca kamu malı ya da CC BY olarak işaretlenmiş dosyalar) rastgele gürültü eklenmiş, OpenSLR oda dürtü yanıtı (room impulse response) veri tabanındaki benzetimle üretilmiş oda yanıtlarıyla (Apache-2.0) rastgele yankılanma (reverberation) verilmiş, giriş ses düzeyi rastgele değiştirilmiş, boş transkriptli gürültü kesitleri de konuşma içermeyen ses örneği olarak eğitime katılmıştır.
3.2 YODAS kayıtlarının eğitim metinleri
Otomatik altyazılar hiçbir zaman eğitim metni olarak kullanılmamıştır. Bir konuşma parçasının videoyu yükleyenin eklediği bir altyazısı varsa ve bu altyazı ile Whisper large-v3-turbo’nun transkripti arasındaki WER en fazla 0,2000 ise eğitim metni bu altyazıdır. Altyazı yoksa ya da transkriptle uyuşmuyorsa eğitim metni bu transkripttir; bu transkript yalnızca Omnilingual ASR CTC 7B v2’nin aynı sesten yazıya döktüğü metinle arasındaki karakter hata oranı (character error rate, CER) en fazla 0,1000 olduğunda tutulmuştur. Birden fazla okunuşu olan sayı biçimlerinde hangi okunuşun seste geçtiğini de Omnilingual ASR CTC 7B v2 seçmiştir. 4.696,2 saatin 369,6 saati yükleyenin altyazılarıyla, 4.326,6 saati denetlenmiş transkriptlerle eğitilmiştir.
Whisper large-v3-turbo (MIT) ve Omnilingual ASR CTC 7B v2 (Apache-2.0), eğitimde hiç kullanılmayan TSC geliştirme bölümünde seçilmiştir. Bu modelleri geliştirenler, eğitim verilerini tam olarak açıklamamaktadır. Bu modellerin başka hiçbir çıktısı eğitim metni olarak kullanılmamıştır.
3.3 Kontaminasyon temizliği
Kullanılan bütün geliştirme ve test kümelerinin normalize edilmiş referans metinlerinden oluşan tek bir dışlama kümesi, her eğitim transkriptiyle ve tokenizer’ın eğitildiği her satırla birebir eşleşme ve ortak kelime n-gramları üzerinden karşılaştırılmış, eğitim sesleri de değerlendirme sesleriyle ses parmak izleri üzerinden eşleştirilmiştir. Eşleşen 432 eğitim konuşma parçası çıkarılmıştır; bunların 206’sı, sesi eşleşen TSC kayıtlarıdır. FLEURS, Common Voice’un geliştirme ve test bölümleri, Real-TurnTurk ve 4.4. bölümde raporlanan 2.511 MediaSpeech kaydı eğitimde hiç kullanılmamıştır.
3.4 Eğitim
Model, rastgele başlatılan ağırlıklarla ve tek bir rastgele tohumla (seed) eğitilmiştir. Tasarım seçimleri, aynı adımda durdurulan kısa deneme eğitimleriyle sınanmıştır; ölçüt, Common Voice ve FLEURS geliştirme kümelerinde birlikte hesaplanan WER’dir. Ara katmandaki CTC kaybı yerine CR-CTC kullanmak WER’i göreli olarak yüzde 7,0, CTC tarafının ağırlığını 0,3 yerine 0,1 almak yüzde 1,2, 0,1 oranında BPE-dropout uygulamak da yüzde 3,7 kötüleştirdiği için hiçbiri benimsenmemiştir. Giriş ses düzeyinin rastgele değiştirilmesi ise özgün düzeydeki WER’i yüzde 0,03 değiştirmiş, geliştirme kümelerinin 20 ve 30 dB daha sessiz kopyalarında WER’i yüzde 9,6 düşürdüğü için benimsenmiştir.
Eğitim 135.500 optimizasyon adımı sürmüş, sonunda öğrenme oranı kademeli olarak düşürülmüştür. Yayımlanan model, son kontrol noktasının üstel hareketli ortalama (EMA) ağırlıklarıdır ve geliştirme kümelerinde seçilmiştir. İlk adımdan yayımlanan kontrol noktasına kadar eğitim, A100 80 GB GPU’larda yaklaşık 52 GPU oturum saati sürmüştür; bu saatlere eğitim adımlarının yanı sıra kurulum, doğrulama geçişleri ve kontrol noktası kayıtları da dâhildir.
4. Değerlendirme
4.1 Ölçüm yöntemi
Eğitim yöntemi, kontrol noktası ve yayımlanan dosyalarla ilgili seçimler Common Voice 27.0 Türkçe ve FLEURS Türkçe geliştirme bölümlerinde, eğitim metnini yazan ve denetleyen modellerin seçimi ise TSC geliştirme bölümünde (3.2. bölüm) yapılmıştır; test kümeleri tek bir model için bir kez puanlanmıştır. Kod çözme açgözlü yöntemle (greedy decoding), float32 formatında ve TDT kod çözücüsüyle yapılmış, çerçeve başına en fazla 10 token üretilmiştir. Normalize edilmiş WER için referansa ve model çıktısına aynı Türkçe normalizasyon uygulanmıştır; bu normalizasyon metni Türkçe kurallarına göre küçük harfe çevirmekte, rakamları yazıya dökmekte, şapkalı harfleri şapkasız yazmakta, noktalamayı, parantez içindeki açıklamaları ve ee, hmm gibi dolgu seslerini silmektedir.
Köşeli parantez içindeki değerler, bloklara göre yapılan yüzdelik bootstrap yöntemiyle (2.000 yeniden örnekleme, rastgele tohum 0) hesaplanan yüzde 95 güven aralıklarıdır. Bloklar Common Voice ve Real-TurnTurk’te konuşmacılar, konuşmacı kimliklerini yayımlamayan FLEURS’te ise cümlelerdir. İki sistem arasındaki farkın aralığı eşleştirilmiştir; iki sistem aynı yeniden örneklemelerle puanlanmıştır. Model bir kez eğitildiği için aralıklar eğitimin tekrarlanmasından değil, test kümelerinin yeniden örneklenmesinden gelmektedir. Whisper base ve Whisper small (MIT; bu modelleri geliştiren şirket eğitim verilerini tam olarak açıklamamaktadır) aynı normalizasyonla, açgözlü kod çözmeyle ve Whisper paketinin kod çözme ayarlarıyla, yani ışın boyutu 5 olan ışın aramasıyla (beam search) ve gerektiğinde sıcaklığı yükselterek yeniden denemeyle tarafımızdan puanlanmış, her karşılaştırmada iki ayardan daha düşük hata vereni kullanılmıştır; buradaki bütün kümelerde bu, ikinci ayardır.
4.2 Kabul testi
Model, FLEURS Türkçe ve Common Voice 27.0 Türkçe test kümelerinin ikisinde de Whisper base’ten daha az hata yaparsa ve farkın eşleştirilmiş güven aralığı tamamen sıfırın altında kalırsa yayımlanacaktı. Model iki kümede de bu testi geçmiştir. Whisper large-v3’ün açgözlü kod çözmeyle kelime hata oranı ise 0,0604 ve 0,0767’dir ve ufakzeka-kulak’ınkinden düşüktür; bu fark için güven aralığı hesaplanmamıştır.
| Küme | Konuşma parçası | Saat | ufakzeka-kulak WER | Whisper base WER | Whisper base ile fark | Whisper small ile fark |
|---|---|---|---|---|---|---|
| FLEURS Türkçe test | 743 | 2,6 | 0,0921 [0,0792; 0,1055] | 0,2461 [0,2303; 0,2628] | -0,1541 [-0,1653; -0,1430] | -0,0421 [-0,0506; -0,0340] |
| Common Voice 27.0 Türkçe test | 11.874 | 14,5 | 0,0916 [0,0873; 0,0958] | 0,3287 [0,3190; 0,3380] | -0,2372 [-0,2440; -0,2302] | -0,0885 [-0,0930; -0,0843] |
| Real-TurnTurk, sohbet konuşması, kabul testine katılmaz | 1.532 | 1,7 | 0,3807 [0,3270; 0,4640] | 0,7242 | -0,3435 [-0,4258; -0,3080] | -0,1367 |
Fark, ufakzeka-kulak’ın WER’inden Whisper modelinin WER’i çıkarılarak hesaplanmıştır; negatif değer daha az hata anlamına gelir. Normalize edilmiş karakter hata oranı FLEURS testinde 0,0335 [0,0258; 0,0426], Common Voice testinde 0,0242 [0,0228; 0,0258] olarak ölçülmüştür.
4.3 Noktalama ve büyük harf
Model çıktısı, yazıldığı hâliyle ve noktalaması modelin kullandığı işaretlere dönüştürülmüş referanslarla da puanlanmıştır. PC-WER, noktalama işaretlerini ve büyük harfleri de sayan kelime hata oranıdır; PuncER ve CaseER, bu hataların noktalamadan ve büyük harften gelen kısımlarıdır (büyük harf ve noktalama hata oranları).
| Küme | PC-WER | İşaretsiz ve küçük harfle WER | PuncER | CaseER | Büyük harf F skoru | Bir işaretle biten referansların oranı |
|---|---|---|---|---|---|---|
| FLEURS Türkçe test | 0,1508 | 0,0890 | 0,4223 | 0,1878 | 0,8634 | 0,9960 |
| Common Voice 27.0 Türkçe test | 0,1132 | 0,0963 | 0,1385 | 0,0530 | 0,9691 | 0,9832 |
| Real-TurnTurk | 0,4960 | 0,3838 | 0,8337 | 0,3817 | 0,3116 | 1,0000 |
İşaretsiz ve küçük harfle WER, yalnızca noktalama işaretleri ve büyük harfler kaldırılarak ve referanslardaki sayılar modelin yazdığı biçime getirilerek hesaplanır; bu nedenle yukarıdaki normalize edilmiş WER’den farklıdır. Son sütun modeli değil referansları tanımlamaktadır, çünkü referansları nadiren bir işaretle biten bir küme, cümle sonuna işaret koyan bir modeli cezalandırır.
4.4 MediaSpeech Türkçe
MediaSpeech (NTR Lab, CC BY 4.0), medya konuşmalarından oluşmaktadır. Hazırlayanları, konuşma parçalarının bir kısmının Mozilla Common Voice’tan geldiğini belirttiği için kayıtlar metin ve ses bakımından Common Voice’la, ses bakımından da eğitim seslerimizle karşılaştırılmıştır. 2.513 kayıttan hiçbiri Common Voice ile eşleşmemiş, eğitim sesleriyle eşleşen 2’si çıkarılmıştır; burada 10,0 saatlik 2.511 konuşma parçası raporlanmaktadır. WER 0,1042 [0,1013; 0,1073], CER 0,0422 olarak ölçülmüştür; WER’de Whisper base ile fark -0,2240, Whisper small ile fark -0,1248’dir. Referanslar birleşik sayıları tek kelime olarak yazdığı için WER yükselmektedir (boşluklar çıkarılarak hesaplanan CER 0,0420’dir). Kümede konuşmacı ya da video kimliği bulunmadığı için güven aralığı her konuşma parçasını bağımsız saymaktadır ve olması gerekenden dar kalabilir; Whisper’ın eğitim verisi tam olarak açıklanmadığı için Whisper bu kümeyi eğitimde görmüş olabilir.
4.5 Düşük bit hızı, telefon ve ses düzeyi
4.2. bölümdeki üç test kümesi, MediaSpeech dışında, seslerinin saniyede 6.000 ve 12.000 bitlik Opus ses kodeğiyle, A-law kodlamalı 8.000 Hz telefon bandında ve 20 ve 30 dB daha sessiz olarak önceden üretilip saklanan kopyalarında da puanlanmıştır. Tabloda WER’in özgün sese göre değişimi verilmektedir.
| Kopya | FLEURS Türkçe test | Common Voice 27.0 Türkçe test | Real-TurnTurk |
|---|---|---|---|
| Opus, 6.000 bit/s | +0,0517 | +0,0752 | +0,0803 |
| Opus, 12.000 bit/s | +0,0043 | +0,0110 | +0,0135 |
| Telefon bandı | +0,0373 | +0,0491 | +0,0377 |
| 20 dB daha sessiz | +0,0045 | +0,0009 | +0,0022 |
| 30 dB daha sessiz | +0,0205 | +0,0051 | +0,0040 |
4.6 Yayımlanan dosyalar
Yukarıdaki sayılar NeMo dosyasına aittir. Test kümelerinde int8 sherpa-onnx TDT dosyasının WER’i FLEURS’te 0,0921 (NeMo ile fark 0,0000), Common Voice’ta 0,0932 (+0,0016), int8 CTC dosyasınınki ise 0,1128 (+0,0207) ve 0,1200 (+0,0284) olarak ölçülmüştür. Geliştirme kümelerindeki 11.864 Common Voice ve 338 FLEURS konuşma parçasının hepsinde transformers TDT ve CTC dosyaları NeMo ile aynı token kimliklerini üretmektedir. GGUF ve MLX dosyaları yalnızca geliştirme kümelerinde denetlenmiştir; FLEURS geliştirme kümesinde NeMo ile WER farkları 0,0000 ile +0,0018 arasındadır. Tek iş parçacığında çalışan int8 TDT dosyasının 15 ile 30 saniyelik konuşma parçalarındaki medyan gerçek zaman faktörü (real-time factor, RTF) Apple M1’de 0,0101, aynı bilgisayardaki Chrome’da 0,0311, 2 sanal işlemcili (vCPU) x86-64 Linux bulut sunucusunda ise 0,0364 olarak ölçülmüştür.
5. Sınırlar
- Yalnızca Türkçe için eğitilmiştir. Başka dillerdeki ve Türkçeyle karışık konuşmalardaki başarısı ölçülmemiştir.
- Başarısı konuşmacının cinsiyetine, yaşına ya da yöresel ağzına göre ölçülmemiştir.
- Tek seferde tek bir konuşma parçasını yazıya döker. Akış (streaming) modunda çalışmaz; uzun kayıtların, demoda olduğu gibi, önce ses etkinliği algılamayla (voice activity detection, VAD) konuşma parçalarına bölünmesi ve her parçanın başında ve sonunda birkaç yüz milisaniyelik pay bırakılması gerekir; konuşmanın tam sınırından kesilen bir parça büyük harfsiz ve noktalamasız çıkabilir. Konuşmacıları birbirinden ayırmaz ve doğruluğu denetlenmiş kelime zaman damgaları vermez.
- Sayıları yazıyla verir. Rakam gereken bir uygulamanın bunları kendisinin dönüştürmesi gerekir.
- Virgülleri sık sık atlar. Virgül duyarlılığı (recall) FLEURS testinde 0,359, Common Voice testinde 0,612’dir; nokta için bu değerler 0,839 ve 0,939’dur.
- Sohbet konuşmasında zayıftır. Real-TurnTurk’te WER 0,3807 olarak ölçülmüştür; küme 6 konuşmacı içerdiği için güven aralığı geniştir.
- Eğitim metninde hatalar bulunmaktadır. YODAS kayıtlarının 4.696 saatinin 4.327 saatinde transkriptle uyuşan, videoyu yükleyenin eklediği bir altyazı bulunmadığı için eğitim metnini bir konuşma tanıma modeli yazmış, ikinci bir model denetlemiştir; iki modelin üzerinde uyuştuğu hatalar eğitim metninde kalmaktadır.
- sherpa-onnx dosyaları bir giriş kazancıyla kullanılmalıdır. sherpa-onnx öznitelikleri NeMo’dan farklı hesapladığı için dosyalar, sesin örnek değerleri 8 ile çarpılarak denetlenmiştir; bu çözüm normal kayıt düzeylerinde geçerlidir. 30 dB daha sessiz FLEURS kopyasında ise int8 TDT dosyasının WER’i 0,0369 artmaktadır (NeMo dosyasında 0,0205). CTC dosyasında ayrıca sesin sonuna sıfır değerli örnekler eklenmesi gerekir; aksi hâlde son kodlayıcı çerçevesi, dolayısıyla çoğu zaman son noktalama işareti kaybolabilir.
- MLX dosyaları Apple silicon’da ölçülmemiştir. Dosyalar Linux’ta mlx’in işlemci arka ucunda denetlenmiştir; bfloat16 davranışı Apple silicon’da farklı olabilir.
Atıf
MediaSpeech (4.4. bölüm) dışındaki değerlendirme kümeleri FLEURS (Google, CC BY 4.0), Common Voice 27.0 Türkçe geliştirme ve test bölümleri (Mozilla Common Voice katılımcıları, CC0 1.0) ve Real-TurnTurk’tür (Apache-2.0). Eğitim, veri artırma ve değerlendirmede kullanılan bütün kaynakların atıfları, kaynakçalarıyla birlikte model reposundaki ATTRIBUTION.md dosyasında yer almaktadır. Bir veri kümesinin burada anılması, yazarlarının, katılımcılarının, videoları yükleyen kişilerin ya da yayıncılarının bu modeli veya ufak AI’ı desteklediği anlamına gelmez.
Erişim
Model, bütün çalışma ortamlarının dosyaları, Apache-2.0 lisans metni (LICENSE), ATTRIBUTION.md ve model kartı Hugging Face’te tek bir repoda, modeli oluşturan kod ve sayıların alındığı sonuç dosyaları ise GitHub’da bulunmaktadır. Model, sesinizi hiçbir yere göndermeyen kulak.ufakzeka.com sayfasında tarayıcıda denenebilmektedir; model sayfası ufakzeka.com/ufakzeka-kulak adresindedir. Öneri ya da sorun bildirmek için hello@ufakai.com adresine yazabilirsiniz.