
Yerel Bir Araçla ElevenLabs’i İkame Etme Deneyimim: Buluta Bağlantısız, Tamamen Makinede Çalışan Çözüm
Yeterince yapay zeka aboneliği için zaten para ödüyorum. Bu yüzden, ElevenLabs'in açık kaynaklı bir alternatifi olarak tanımlanan bir projenin GitHub'da…
Yeterince yapay zeka aboneliği için zaten para ödüyorum. Bu yüzden, ElevenLabs’in açık kaynaklı bir alternatifi olarak tanımlanan bir projenin GitHub’da 110.000 yıldızı geçmesiyle, onun gerçekten de yerini alıp alamayacağını merak ettim. VoiceStudio; ses klonlama, video dublajı ve transkripsiyon hizmetlerini hiçbir hesap açmadan, tamamen kendi makinenizde çalıştırma vaadi sunuyor. Bu, ücretsiz bir uygulama için büyük bir iddia. Zaten Voicebox’ın birkaç saniyelik bir ses kaydından ses klonlaması, yerel araçların ne kadar ileri gidebileceğini göstermişti.
Bu yüzden onu masaüstü bilgisayarıma, WSL2 ortamına kurup AMD’nin Lemonade aracıyla eşleştirdim. Kendi sesimi klonlayıp bir Alman belgeselinden alınan klip İngilizceye dublaj yaptım. Ardından bilgisayarı internetten ayırıp süreci sıfırdan tekrar çalıştırdım. Çoğunlukla işe yaradı; ancak başarısız olan kısımları da denemeden önce bilmeniz gereken önemli detaylar.


VoiceStudio ve yerel bir LLM, tek bir WSL2 dağıtımına sığıyor
Windows kurucusu imzasız olduğu için doğrudan Linux yolunu seçtim
Test ettiğim makine, Nvidia GeForce RTX 5090 ekran kartına ve 32 GB VRAM’e sahip bir Ryzen 7 9850X3D masaüstü bilgisayar. VoiceStudio’nun bir Windows kurucusu var, ancak projenin kod imzalama politikasına göre Windows kurucuları imzasız ve imzalama başvurusu hâlâ beklemede. Windows ile bu konuda tartışmak istemedim. Linux sürümü CUDA’yı destekliyor ve WSL2, Nvidia GPU’sunu Linux’a açıyor. Böylece VoiceStudio 0.5.8, tek bir komutla WSL2’deki Ubuntu 24.04 LTS’ye yüklendi.
İlk denemem tamamlanmış gibi görünse de aslında öyle değildi. Kurulum hâlâ Python ortamını çekiyordu ve uygulama yerel portunda bir yanıt vermiyordu. Zamana ihtiyacı var; sadece istemi geri aldınız diye hazır olduğunu varsaymayın.
VoiceStudio konuşma işlemlerini kendi başına hallediyor, ancak daha akıllı dublaj modları çeviriyi iyileştirmek için bir LLM’e ihtiyaç duyuyor. Aynı dağıtıma Lemonade Server’ı PPA’sından kurup CUDA arka ucunu ekledim ve 6.4 GB’lık Q4 indirmesiyle Qwen3.5-9B modelini yükledim. İki hizmetin de tek bir loopback adresini paylaşması sayesinde Windows ve Linux arasında herhangi bir bağlantı kurulumu yapmama gerek kalmadı.
Modelde küçük bir ayarlama gerekiyordu. Almanca bir selamlamayı çevirmesi istendiğinde, 281 token kullandı ve bunların neredeyse tamamı düşünme sürecine harcandı; sonuç ise beş kelimelik bir yanıt oldu ve yaklaşık iki saniye sürdü. “Reasoning” özelliğini kapatarak yeniden yüklemek bu sorunu çözdü.
lemonade load Qwen3.5-9B-GGUF –llamacpp cuda –llamacpp-args “–reasoning-budget 0” –save-options
Aynı istem bu kez 10 token ve 87 milisaniyede geri döndü. Bu zaten büyük bir başarı ve zamanla farkı daha da belirginleşiyor. Ben 15 satırlık bir klip çevirirken Lemonade yüzden fazla istek kaydetmişti; bunların arasında kendi test istemlerim de vardı.
Ayarlar sayfası ikisini birbirine bağlıyor. Ayarlar -> Sistem -> LLM Sağlayıcıları bölümünde Özel sağlayıcıyı seçtim, temel URL’yi http://127.0.0.1:13305/api/v1 olarak ayarladım ve model adını yazdım. İlk denememde URL’yi model alanına yapıştırdığımda 404 hatası aldım; bu yüzden yazılımı suçlamadan önce panonuzu kontrol edin.
Alice Harikalar Diyarında’dan otuz saniye, sesimi klonlamak için yeterliydi
Tempo, ses tonu, aksan ve hatta nefes alışımı bile kopyaladı
Örnek olarak, kamu malı olan ve “Alice Harikalar Diyarında”nın başlangıcını okudum; bu seçim, girdiğim bu “tavşan deliği”ne de uygun geliyordu. Kaydı 30 saniyeye indirdim, içe aktardım ve klonun başka bir metni okumasını istedim. Sonuç tüyler ürperticiydi.
Tempomu, ses tonumu, aksanımı ve hatta nefes seslerimi bile yakalamıştı. İşte bu son detay fark yaratıyor: Artık bir sesin metin okuması gibi değil, gerçek bir insanın konuşması gibi duyuluyor. Ve bunun ne kadar kolay olduğunu pek de sevmiyorum.
Klon, hiç kaydetmediğim kelimelerde kusursuz değil. İlk denememde “mini PC” ifadesi “mini psss” olarak çıktı ve “s” sesiyle biten kelimeler üç denemede de aynı şekilde uzadı. Yerleşik seslerden biri “PC”yi doğru söylese de metalik ve bariz bir şekilde sentetik duyuluyordu. Daha sonraki bir sıfır başlangıçta kendi klonum da doğruyu buldu; yani bu hata kalıcı değil. Yeniden oluşturmak sorunu çözmedi, ancak uygulamayı yeniden başlatmak işe yaradı.
Dublaj beklediğimden daha fazla müdahale gerektirdi
Dublaj için ZDF’in Terra X serisinden, Alplerin nasıl oluştuğunu anlatan 1 dakika 45 saniyelik bir bölüm kullandım. Bu bölüm Creative Commons lisansı altında yayınlanıyor; spesifik olarak CC BY 4.0. VoiceStudio metni 15 parçaya ayırdı. İngilizce ses dosyasını oluşturmak yaklaşık 15 saniye sürdü ve tüm GPU’da, LLM dahil olmak üzere yaklaşık 10 GB VRAM kullanıldı.
İlk dublajım, İngilizce okuyan bir Alman konuşmacı gibi duyuluyordu ve cümlelerden önce yabancı ünsüz sesler çıkıyordu. Bir sonraki içe aktarmada, neredeyse fark etmeyeceğim bir uyarı penceresi otomatik ses klonlamanın atlandığını belirtti. Sebebi, konuşmacı etiketlerinin yalnızca ses kaydındaki boşluklara dayalı tahminler olmasıydı ve beni bir diyalizasyon modeline yönlendirdi. Anlatıcının kendi sesinden bir ses profili oluşturup sesi manuel olarak atadım. Sonuç çok daha net oldu, ancak bazı kelimelerden önce hafif bir cızırtı kalmaya devam etti.
Çevirinin de bir gözden geçirmeye ihtiyacı var. Denemelerim boyunca 9B model çoğu cümleyi iyi işledi, ancak bir cümleyi yanlış çevirdi ve başka birini Almanca olarak bıraktı; bu Almanca cümle yeniden ifade edilmiş olsa da hiç çevrilmemişti. VoiceStudio bu Almanca cümleyi hiçbir sorun çıkarmadan okudu ve yerleşik kontrolcü yalnızca bir cümlenin zaman aralığına sığması için zorlandığını belirtti.
Uygulamanın ilerleme göstergelerine de ihtiyacı var. Bir videoyu içe aktarırken ekranda transkript görünene kadar hiçbir şey gösterilmiyor. Bu yüzden birkaç kez başarısız olduğunu düşündüm, oysa aslında sadece çalışıyordu. Bir ilerleme çubuğu beni birkaç gereksiz denemeden kurtarabilirdi.
Bilgisayarı internetten ayırdıktan sonra bile çalışmaya devam etti
Klonlanmış sesim ve dublaj, internet bağlantısı olmadan da çalıştı
Gerçek test için bilgisayarın Wi-Fi kartını kapattım ve GitHub’a erişemediğini doğruladım. Ardından VoiceStudio’yu yeniden başlattım ve tüm süreci sıfırdan çalıştırdım: yerel bir klip kopyasını içe aktarma, transkripsiyon, Lemonade aracılığıyla çeviri, kendi ses klonum ve dublaj. Her şey hata vermeden tamamlandı.
İşte benim için önemli olan test buydu. Modelleri indirmek için bir internet bağlantısına ihtiyacınız olduğu açık, ancak herhangi bir ses aracında asıl soru, işlem sırasında kayıtlarınızın nereye gittiğidir. Burada klonlanmış sesim, video, transkript ve çeviri, internet bağlantısı olmadan tamamen yerel olarak işlendi. “Hesap gerektirmeme” vaadindeki tek istisna diyalizasyondu. Uyarı penceresi beni pyannote’a yönlendirdi ve pyannote’ın model sayfası Hugging Face’e giriş yapmayı ve şartlarını kabul etmeyi gerektiriyordu. Bu yüzden bu adımı atladım ve sesleri manuel olarak atadım.
VoiceStudio bana etkileyici sonuçlar verdi
Eğer fazladan VRAM’e sahip bir GPU’nuz ve iptal etmek istediğiniz bir ses aboneliğiniz varsa, VoiceStudio bir akşamınızı harcamaya değer. Sadece “üret” düğmesine basmadan önce çevrilen her cümleyi okuyun.
VoiceStudio, sesleri kolaylıkla oluşturmak için yerel, açık kaynaklı bir yapay zeka ses stüdyosudur.