DizgeBERT-G2PTTS (deneysel, v0)

Türkçe TTS ön ucu için, ham metinden sözcük başına iki şey tahmin eden küçük bir etiketleyici:

• Vurgu: vurgulu seslem (sondan sıra) ya da vurgusuz.
• Sınır: sözcükten sonra duraklama var mı, hangi düzeyde (0 / ip / IP, cümle sonu cümle).

Deneysel araştırma sürümüdür. Üretim için tasarlanmadı, sınırları aşağıda açıkça yazılı. Beklenmedik çıktılar için lütfen sözlükleri (resources/) düzeltip geri bildirim verin.

Bu bir HİBRİT hattır — yalnız ağırlıklar yetmez

Parça	Ne yapar	Nerede
Kural modülü	Kök sözlüğü (düzensiz vurgulu kökler + ağırlık kuralı), clitic'ler, ünlüsüz sözcükler, sıfat sözlüğüne kapılı pekiştirme (kıpkırmızı) ve -CIk sıfat	stress_rules.py + resources/*.tsv|txt
ELECTRA başlıkları	Kural "varsayılan son seslem" derse: damıtılmış biçimbilim (koşaç, kişi eki, olumsuzluk, -dIr...) ve tüm sınır tahmini	model.safetensors

Vurgu kararı sözlük öncelikli: kural belirleyici bir sonuç veriyorsa o; değilse model. Model başlığı tek başına vurgu için yetersizdir (aşağıda). Bu yüzden AutoModel ile yüklerken resources/ klasörü de indirilir ve kullanılır. Sözlükler düz metindir, düzeltme önerilerini bekleriz.

Kullanım

from transformers import AutoModel

m = AutoModel.from_pretrained("iatagun/DizgeBERT-G2PTTS", trust_remote_code=True).eval()
out = m.tag("Yarın İstanbul'a gideceğim, ama havanın nasıl olacağını bilmiyorum.")
for w in out["words"]:
    print(w["word"], w["stress_from_end"], w["stress_src"], w["boundary"], w["p_break"])

• stress_from_end: vurgulu seslemin sondan sırası (0 = son seslem), None = vurgusuz.
• stress_src: kural:<etiket> (kök, clitic, ünlüsüz, pekiştirme...) ya da model.
• boundary: 0 sınır yok, ip orta, IP büyük, cümle cümlenin son sözcüğü. Noktalama ile birleştirilir (, → en az ip, ; → en az IP).
• Girdi normalize() ile hazırlanır (sayı, kısaltma, tarih açılır; noktalama ayrılır). Uzun metin cümle sınırlarında 254 alt-sözcüklük parçalara bölünür.
• Fonem üretmez. Fonemler için dizge (==0.1.6) kullanılır.

Eğitim

• Gövde: iatagun/DizgeBERT-Dep (sabit revizyon; ELECTRA dbmdz/electra-base-turkish-cased-discriminator temelli), gömme + alt 6 katman dondurulmuş, iki doğrusal başlık.
• Vurgu etiketleri: UD Türkçe treebank'lerinde (BOUN, IMST, Kenet) ve Antalia cümlelerinde kural modülünden damıtıldı (UD'de altın UPOS/FEATS, Antalia'da DizgeBERT-Morph çıktısı). İnsan etiketi değildir.
• Sınır etiketleri: yalnız Antalia (CC-BY-4.0, tek konuşmacı, ~4,2 saat okuma) kayıtlarında sözcükler arası ölçülen sessizlik: < 60 ms → 0, 60–250 ms → ip, ≥ 250 ms → IP.
• 4 epoch, öğrenme oranı 3e-5 (başlıklar 1e-3), Antalia x2 tekrarlı. Epoch seçimi: sınır F1'i en iyiye 0,02 yakın epoch'lar içinden UD son-dışı vurgu uyumu en yüksek olan (epoch 2). Eşik tau=0,25 doğrulama kümesinden.

Sonuçlar (dürüst okuma)

Vurgu — KÖR test (97 sözcük, kural yazılırken bakılmadı)

Rastgele seçilmiş sözcükler, tek başına (cümle bağlamı yok), tek etiketleyici (proje sahibi). Hibrit hat:

Sistem	Doğruluk
DizgeBERT-G2PTTS (hibrit)	90/97 = %92,8 (%95 GA: %87,6–97,9)
Her zaman son seslem	81/97 = %83,5
espeak-ng (tr)	71/97 = %73,2
Kural + DizgeBERT-Morph hattı (M1b)	%94,8 (fark anlamsız; bu model o hattı Morph'suz, tek modelde damıtır)

• Geliştirme setinde (kuralların yazıldığı 250 rastgele sözcük) %86,0. İlk 35'lik gold listesinde 33/35, ama bu liste kuralların yazıldığı örnekleri içerir; bağımsız ölçüm değildir.
• Model başlığı tek başına (kuralsız, ilk 35'lik gold): 18/35. Kök sözlüğü ve istisnaları öğrenememiştir. Vurgunun büyük kısmını kural modülü ve sözlükler taşır.
• Model başlığının kural etiketleriyle uyumu (test): UD %96,6 (son-dışı %89,4), Antalia %98,3 (son-dışı %95,3).

Sınır (test: 82 Antalia klibi, 2276 sözcük sınırı; noktalamasız sınırlar)

Sistem	F1	P	R
DizgeBERT-G2PTTS (tau=0,25)	0,496	0,414	0,620
Bağımlılık öbeği kuralı (DizgeBERT-Dep, K=2)	0,347

Fark +0,096…+0,201 (klip bootstrap %95 GA). Baseline'ı anlamlı geçiyor, ama mutlak değer mütevazı: önerilen sınırların yarısından fazlası ölçülen duraklamayla örtüşmüyor.

Sınırlar ve bilinen zaaflar

• Küçük ve tek etiketleyicili değerlendirme. Vurgu kör testi 97 sözcük, tek kişi; ikinci etiketleyici uyumu ölçülmedi. Bağımsız bir değerlendirme yok.
• Sınır tek konuşmacıdan. Antalia okuma sesi; spontan konuşma, haber okuma gibi tarzlarda davranış bilinmiyor. Etiket "≥60 ms sessizlik"tir, dilbilimsel öbek sınırı değildir.
• Vurgu tek başına sözcük üzerinde ölçüldü; cümle içi vurgusuzlaşma (işlev sözcükleri vb.) modellenmiyor.
• Kural kapsamı bilinçli dardır: seslenme, küçültme, ikileme, bileşikler için tam sözlük yok.
• Yer adı ayrımı büyük harfe bağlı (Ordu / ordu).
• Sıfat kapılı kurallar sözlüğe bağlı (UD ADJ lemmalarından türetildi); sözlük dışı sıfatlar kaçar.

Lisans ve atıf

Kod/ağırlıklar cc-by-sa-4.0 ile paylaşılıyor. Eğitim verisi: UD Türkçe treebank'leri (BOUN, IMST, Kenet; her birinin kendi lisansına tabidir), Antalia (CC-BY-4.0; atıf: "Antalia (Patientdesk.ai)"), gövde iatagun/DizgeBERT-Dep / dbmdz/electra-base-turkish-cased-discriminator. Bu paketi kullanırken ilgili veri ve gövde lisanslarını da gözetin.

Bu model ses üretmez ve ses kullanmaz; Antalia'dan yalnız sözcükler arası ölçülen sessizlik süreleri (etiket) kullanıldı. Yine de veri sahibinin etik notu geçerlidir: konuşmacıyı taklit etmek, sentetik sesi gerçek kayıt diye sunmak, dolandırıcılık/siyasi robocall için kullanmayın.

Kaynak

Eğitim, kural modülü, değerlendirme ve kör test setleri: iatagun/lemma-rule-based, dal dizgetts-v2 (dizgetts/).