Gemini API ile ses çözümleme: kayıtları metne ve özete dönüştürme

Bu rehberde ne öğreneceksiniz?

Gemini API’nin ses girdisini kullanarak bir kaydın içeriğini açıklamasını, özetlemesini veya sorulara yanıt vermesini sağlayabilirsiniz. API, ses için yazıya dökme ve çeviri yapmanın yanı sıra belirli bölümleri zaman damgalarıyla inceleyebilir; konuşma ve müzikte duygu tespiti de belgelenen kullanım alanları arasında.

Bu özellikler mimarlık ve iç mekân tasarımı ekiplerinde toplantı notları, proje değerlendirmeleri veya saha kayıtlarından metin taslağı çıkarmak için denenebilir. Ancak çıkan transkriptin doğruluğunu kontrol etmek gerekir; özellikle proje kararlarında, ölçülerde ve teknik terimlerde otomatik sonucu onaylanmış tutanak gibi değerlendirmeyin.

Gereksinimler ve dosya seçimi

Örnekte Python istemcisi ve gemini-3.8-flash model kimliği kullanılıyor. Python kodu google.genai paketini içe aktararak istemci oluşturuyor; ardından ses dosyasını yükleyip dosyayı metin talimatıyla birlikte generate_content isteğine ekliyor. Kaynakta fiyat, hesap türü veya gerekli kurulum adımları belirtilmediğinden burada bunlarla ilgili bir koşul varsaymıyoruz.

Ses verisini iki şekilde gönderebilirsiniz: isteğe doğrudan ekleyebilir veya istekten önce dosya olarak yükleyebilirsiniz. Dosya, metin istemi ve sistem talimatları dâhil toplam istek boyutu 20 MB’tan büyükse belgeler Files API kullanılmasını söylüyor. Aşağıdaki kısa Python örneği, yükleme yöntemini ve dosyaya bağlı bir talimatı gösteriyor:

from google import genai

client = genai.Client()
myfile = client.files.upload(file="path/to/sample.mp3")
response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents=["Describe this audio clip", myfile]
)
print(response.text)

Örnekteki path/to/sample.mp3 değerini kullanılacak ses dosyasının yolu ile değiştirin. Modelden beklenen işi contents içindeki metin belirler. Kod, yanıtı metin olarak yazdırır; bu nedenle çıktı biçiminin her seferinde belirli bir JSON şemasına uyduğunu varsaymayın.

Adım adım ses analizi

1. Görevi netleştirin. Önce yalnızca bir sonuç türü isteyin: kısa özet, transkripsiyon, çeviri ya da sesin betimlenmesi. Aynı kayıttan birden fazla çıktı alacaksanız beklentileri talimatta ayrı maddeler hâlinde yazın.

Bu ses kaydını Türkçe olarak özetle. Ana konuya ve konuşmacıların belirttiği proje kararlarına odaklan. Duyulmayan veya belirsiz kalan bilgileri tahmin etme; bunları belirsiz olarak belirt.

Bu talimat, bir toplantı veya proje değerlendirme kaydından başlangıç özeti almak için örnek bir istemdir. Bu, kaynağın sunduğu hazır bir mimarlık prompt’u değil; belgelenen ses özetleme özelliğine göre hazırlanmış bir örnektir.

1. Ses dosyasını yükleyin ve isteğe ekleyin. Yukarıdaki kodda dosya client.files.upload ile yükleniyor, ardından yüklenen dosya ve talimat generate_content çağrısına veriliyor. Dosyanın toplam istek boyutunu kontrol edin; 20 MB sınırı dosyanın tek başına boyutuna değil, kaynakta açıklanan toplam isteğe ilişkindir. Daha küçük isteklerde belgeler, ses verisinin doğrudan istek içinde gönderilebileceğini de belirtiyor.

2. Transkripsiyon için çıktı beklentilerini yazın. Bir kaydı yazıya dökerken dil, çeviri ve bölümleme gibi beklentileri açıkça belirtin. Belgelerdeki örnek; her bölüm için MM:SS biçiminde zaman damgası, birincil dil, İngilizce dışındaki bölümler için İngilizce çeviri ve konuşmacının duygusunu istiyor. Örnek duygu seçenekleri Happy, Sad, Angry ve Neutral olarak sınırlandırılmış.

Ses kaydını ayrıntılı biçimde yazıya dök. Her bölüm için MM:SS biçiminde zaman damgası ve konuşulan dili belirt. Konuşma İngilizce değilse İngilizce çevirisini ekle. Her bölüm için şu seçeneklerden yalnızca birini kullanarak baskın duyguyu belirt: Happy, Sad, Angry, Neutral. Başta kaydın kısa bir özetini ver.

Bu istem, belgelerde açıklanan transkripsiyon örneğinin iş akışını mimarlık toplantısı gibi genel bir kayıt için yeniden ifade eder. Ses Türkçe ise kaynak talimatındaki İngilizceye çeviri beklentisi korunur; hedef dilin değiştirilmesi, örnektekiyle aynı sonucu garanti etmez.

1. Sonucu yapılandırılmış biçimde isteyin. Resmî örnekte yanıt biçimi application/json olarak ayarlanıyor ve bir şema tanımlanıyor. Şemada summary adlı özet alanı ile segments adlı bölüm dizisi bulunuyor; bölümlerde zaman damgası, içerik, dil, dil kodu, çeviri ve duygu gibi alanlar tanımlanıyor. Böylece uygulama tarafında belirli alanlara göre işlem yapmak mümkün olabilir. Ancak örnek şemada bazı alanlar zorunlu olarak belirtilmişken translation alanı zorunlu listesinde yer almıyor; kendi uygulamanızda beklenen alanları kontrol edin.

2. Çıktıyı kayda karşı denetleyin. Zaman damgalarını, özel isimleri, sayı ve ölçüleri orijinal sesle karşılaştırın. Birden fazla dil kullanılan kayıtlarda dil ve çeviri alanlarını ayrıca inceleyin. Duygu etiketi de otomatik bir sınıflandırmadır; toplantı tutanağında veya müşteri geri bildiriminde doğrudan nesnel gerçek gibi kullanılmamalıdır.

Sık yapılan hatalar ve sınırlar

En önemli sınırlama, Gemini API’nin gerçek zamanlı transkripsiyon kullanımını desteklememesidir. Canlı konuşma ve video etkileşimleri için belgeler Live API’ye; gerçek zamanlı transkripsiyon destekleyen özel konuşmadan metne modeller için Google Cloud Speech-to-Text API’ye yönlendiriyor. Bu nedenle toplantı sırasında anlık altyazı üretmek ile daha sonra bir ses dosyasını işlemek aynı iş akışı değildir.

Bir başka hata, kısa bir talimatın ayrıntılı ve düzenli çıktı sağlayacağını varsaymaktır. Zaman damgası, özet, dil, çeviri ya da duygu gerekiyorsa bunları istemde açıkça tarif edin; uygulama yanıtı alanlara ayıracaksa kaynakta gösterilen yapılandırılmış çıktı yaklaşımını değerlendirin. Ayrıca, Describe this audio clip gibi genel bir istek yalnızca sesin betimlenmesini ister; transkript veya bölüm zamanları talep etmez.

Dosya yükleme yöntemini seçerken toplam istek boyutunu hesaba katın. 20 MB’ı aşan toplam isteklerde Files API kullanılması resmî belgede açıkça belirtiliyor. Kaynaklarda fiyatlandırma, dosyaların saklama süresi veya belirli ses biçimleri için kapsamlı uyumluluk listesi verilmediği için bu konularda varsayım yapmayın; kullanıma geçmeden önce güncel API belgelerini kontrol edin.

Mimarlık, iç mekân ve archviz iş akışlarına etkisi

Mimarlar ve iç mimarlar toplantı kayıtlarını özetletmeyi, saha ses notlarını yazıya döktürmeyi veya görselleştirme değerlendirmelerinde konuşulan geri bildirimleri bölümlere ayırmayı deneyebilir. Zaman damgaları, uzun kayıtta ilgili bölüme geri dönmeyi kolaylaştırabilir. Çok dilli görüşmelerde çeviri alanı da taslak çalışma için yararlı olabilir.

Bunlar kaynakta hazır mimarlık uygulaması olarak sunulmuyor; API’nin özetleme, transkripsiyon, çeviri ve zaman damgası özelliklerinden çıkarılan olası iş akışlarıdır. Teknik terimler, mahal adları, ölçüler ve müşteri kararları mutlaka dinlenerek doğrulanmalı. Ekipler ayrıca API kullanımıyla ilgili maliyet ve veri işleme koşullarını kendi hesapları için incelemeli; bu konularda kaynak sayfada ayrıntı yok.

Sonraki adımlar

İlk denemede kısa ve tek amaçlı bir kayıt seçin. Önce özet veya transkripsiyon alıp sonucu dinleyerek kontrol edin; ardından zaman damgası, çeviri ya da JSON alanları gibi ek gereksinimleri tek tek ekleyin. Böylece hatanın ses girdisinden mi, talimattan mı yoksa beklenen çıktı biçiminden mi kaynaklandığını ayırt etmek kolaylaşır.

Canlı transkripsiyon gerekiyorsa Gemini API ile dosya işleme örneğini gerçek zamanlı bir çözüm gibi kullanmayın. Belgelerin işaret ettiği Live API ve Google Cloud Speech-to-Text seçeneklerini ayrıca inceleyin. Buradaki örnek, dosya tabanlı ses çözümleme ve metin yanıtı üretimi içindir.

Kaynak ve lisans

Bu rehber, Google’ın Gemini API ses anlama dokümantasyonundaki örnekler temel alınarak Türkçeye uyarlanmıştır. Kaynak CC BY 4.0 lisanslıdır. Kod örneği ve kullanım bilgileri bu açık lisanslı kılavuzdaki açıklamalara dayanır; mimarlık odaklı istemler editoryal olarak hazırlanmıştır.