sipsip'in kurucusu, sipsip.ai'yi kurmadan önce açık kaynak deşifre araçları geliştirmeye başladı. GitHub'a yayımladığı AI-Video-Transcriber projesi bugün 3.300 yıldıza sahip ve dünyanın her yerinden geliştiriciler ve araştırmacılar tarafından kullanılıyor. Hem açık kaynak aracı hem de barındırılan ürünü, yani sipsip'in videoyu yazıya çevirme aracını geliştirmek bize bu alanda ayrıcalıklı bir bakış açısı veriyor: Whisper tabanlı açık kaynak araçların nerede parladığını ve kurulum zahmetinin nerede gerçek zaman kaybına dönüştüğünü yakından biliyoruz.
Whisper AI nedir, neden bu kadar yaygın?
Whisper AI, OpenAI'ın 2022'de MIT lisansıyla yayımladığı konuşma tanıma modelidir. Sesi bir kodlayıcı-çözücü (encoder-decoder) transformer mimarisiyle işler ve 57 dilde son teknoloji kelime hata oranlarına ulaşır; Türkçe de desteklenen diller arasında. Ücretsiz ve açık olduğu için bugün sesi yazıya çeviren açık kaynak araçların neredeyse hepsi Whisper'ın üzerine kurulu. Aşağıda bu araçlardan en iyi yedisini, dürüst bir değerlendirmeyle sıraladık.
Çoğu kişi için en iyi açık kaynak video deşifre aracı, yerel ses ve video dosyalarını, YouTube ile 30'dan fazla platformu ve podcast'leri komut satırı gerektirmeyen tek bir web arayüzünde işleyen AI-Video-Transcriber (GitHub: wendy7756). Hazır bir araç yerine deşifre kütüphanesine ihtiyaç duyan geliştiriciler için Faster-Whisper hız ile doğruluk arasındaki en iyi dengeyi sunuyor.
1. AI-Video-Transcriber: en kapsamlı hepsi bir arada araç
3.300+ GitHub yıldızı · Python · Web arayüzü · Apache-2.0 · Aktif geliştiriliyor
sipsip'in kurucusu bu aracı aynı zahmetle tekrar tekrar karşılaştıktan sonra geliştirdi: Whisper güçlü bir model, ancak onu YouTube linkleri, podcast linkleri ve yerel dosyalarla temiz bir web arayüzünde çalıştırmak her seferinde beş farklı kütüphaneyi birbirine bağlamayı gerektiriyordu. AI-Video-Transcriber bu bağlantıyı bir kez kurar, siz tekrar uğraşmazsınız.
Neleri destekler:
- 30'dan fazla platform: YouTube, TikTok, Bilibili, Apple Podcasts, SoundCloud ve daha fazlası. Önce altyazıya bakar: videonun altyazısı varsa yt-dlp ile anında onu kullanır.
- Faster-Whisper yedeği: Altyazı yoksa sesi Faster-Whisper ile deşifre eder (model boyutu tiny'den large'a ayarlanabilir, varsayılan base).
- Yerel dosyalar (MP4, MKV, WebM, MP3, WAV, M4A, OGG, FLAC): Aynı akışa sürükleyip bırakırsınız.
- Düz metin (.txt): Doğrudan düzenleme, çeviri ve özet adımlarına gider.
Ham Whisper'dan farkı: Bir kütüphane değil, eksiksiz bir araç. Depoyu klonlar, ./install.sh ve python3 start.py komutlarını çalıştırırsınız; localhost'ta bir web arayüzü açılır. Kurulumdan sonra komut satırıyla uğraşmanız gerekmez. Deşifre, özet ve çeviri sekmelerinin her birinde tek tıkla Markdown indirme var. Ayrıca Docker imajı, bir komut satırı arayüzü ve Claude Code ile Codex için bir MCP sunucusu bulunuyor.
Kullanıcıları en çok şaşırtan kısım özetleme katmanı. Deşifreden sonra araç metni OpenAI uyumlu herhangi bir LLM uç noktasına gönderir; metin temizlenir, çevrilir ve 11 dilde yapılandırılmış bir özet çıkar. Ders kayıtlarını işleyen araştırmacılar ya da teknik konuşmaları arşivleyen geliştiriciler için oldukça kullanışlı.
Kurulum: git clone → ./install.sh → python3 start.py → tarayıcıda http://localhost:8000 adresini açın (ya da docker-compose up -d).
Bilmeniz gerekenler: Python 3.8+, FFmpeg ve özetler için OpenAI uyumlu bir LLM sağlayıcısının API anahtarı gerekir. Büyük Whisper modelleri GPU ile çok daha hızlı çalışır; varsayılan base modeli CPU'da rahatça çalışır.
En uygun olduğu kişiler: Sıfırdan bir akış kurmadan her tür içerik için hepsi bir arada deşifre ve özet aracı isteyen geliştiriciler, araştırmacılar ve ileri kullanıcılar.
2. OpenAI Whisper: temel model
72.000+ GitHub yıldızı · Python · Komut satırı · MIT lisansı
Whisper, bu listedeki diğer tüm araçların üzerine kurulduğu temeldir. Video deşifresinde FFmpeg'in okuyabildiği her video formatının, yani pratikte her formatın ses kanalını işler. whisper video.mp4 --model large-v3 komutu metin çıktısının yanında bir transkript, bir SRT altyazı dosyası ve bir VTT dosyası üretir.
OpenAI'ın yayımladığı Whisper ölçümlerine göre large-v3 modeli (1,5 GB) temiz İngilizce seste %3'ün altında kelime hata oranına ulaşır. Çok dilli içerikte, 57 dil için ücretsiz erişilebilen en doğru model.
Bilmeniz gerekenler: Standart Whisper hız için optimize edilmemiştir; CPU'da large-v3 kabaca gerçek sürenin 0,1 katı hızla çalışır (1 saatlik sesi işlemek 10 saat sürer). Üretim ortamında çoğu geliştirici aşağıdaki Faster-Whisper'a geçer. Arayüzü yoktur, tamamen komut satırından kullanılır.
En uygun olduğu kişiler: Özel akışlar kurmak için temel modeli isteyen geliştiriciler ya da en doğru çok dilli deşifreye ihtiyaç duyup optimizasyonu ayrıca yapacak araştırmacılar.
3. Faster-Whisper: hız ve verimlilik
14.000+ GitHub yıldızı · Python · Kütüphane · MIT lisansı
Faster-Whisper, Whisper'ı transformer modelleri için optimize edilmiş bir C++ çıkarım motoru olan CTranslate2 ile yeniden uygular. Whisper large-v3'ü orijinalin 2–4 katı hızda ve %50 daha az bellekle çalıştırır; böylece GPU hızlandırmalı deşifre daha fazla donanımda pratik hale gelir.
RTX 3080 üzerinde 60 dakikalık bir MP4 kaydıyla yaptığımız testte Faster-Whisper large-v3 sesi yaklaşık 8 dakikada işledi; aynı donanımda standart Whisper 25–30 dakika sürdü.
Whisper'a ne ekler: Kelime düzeyinde zaman damgaları (orijinal Whisper yalnızca bölüm düzeyinde zaman damgası verir) ve sessizlikleri atlamak için isteğe bağlı VAD (ses etkinliği algılama) ön işlemesi. Uzun duraklamalı içerikte bu hem hızı hem doğruluğu artırır.
Bilmeniz gerekenler: Yalnızca Python kütüphanesi olarak gelir; kod yazmanız ya da üçüncü taraf bir arayüz kullanmanız gerekir. Ses dosyalarıyla çalışır; YouTube linki için önce sesi indirirsiniz.
En uygun olduğu kişiler: Açık kaynakta en iyi hız-doğruluk dengesini arayan, deşifre akışı geliştiren yazılımcılar.
4. whisper.cpp: CPU ve Apple Silicon için
38.000+ GitHub yıldızı · C++ · Komut satırı · MIT lisansı
whisper.cpp, Whisper'ın Python gerektirmeden CPU ve Apple Silicon'da çalışan C++ sürümüdür. 16 GB belleğe sahip M2 MacBook Pro'da large-v2 modeliyle 30 dakikalık bir ses dosyasını yaklaşık 4 dakikada, GPU olmadan deşifre eder.
Apple Silicon kullanıcıları için Core ML arka ucuyla whisper.cpp genellikle en hızlı yerel seçenektir. Proje ayrıca tarayıcıda çıkarım için WASM bağlantıları ve sade bir derleme süreci sunar.
Bilmeniz gerekenler: Derleme için C++ araç zinciri gerekir. Konuşmacı ayırma ve özetleme gibi hazır özellikler Python ekosistemine göre daha azdır.
En uygun olduğu kişiler: Python'suz, hızlı yerel deşifre isteyen Mac kullanıcıları ve Python dışı ortamlarda deşifre gerektiren uygulamalar geliştirenler.
5. WhisperX: konuşmacı ayırma
13.000+ GitHub yıldızı · Python · Kütüphane · BSD lisansı
WhisperX, Faster-Whisper'a temel modelde bulunmayan üç özellik ekler: wav2vec2 modeliyle kelime düzeyinde zaman hizalama, çok konuşmacılı ayırma (hangi cümleyi kimin söylediğini etiketleme) ve GPU'yu verimli kullanmak için toplu işleme.
Konuşmacının kim olduğunun önemli olduğu röportaj kayıtları ve toplantı dökümleri için WhisperX; deşifre, kelime hizalama ve konuşmacı ayırmayı tek bir akışta yapan tek açık kaynak seçenektir.
Bilmeniz gerekenler: Konuşmacı ayırma modeli (pyannote.audio) için HuggingFace hesabı gerekir. Kurulumu Faster-Whisper'dan daha karmaşıktır. Konuşmaların üst üste bindiği yerlerde ayırma doğruluğu belirgin şekilde düşer.
En uygun olduğu kişiler: Çok konuşmacılı röportajları deşifre eden araştırmacılar, kayıtlı görüşmelerle çalışan gazeteciler ve konuşmacı etiketli metne ihtiyaç duyan geliştiriciler.
6. Insanely-Fast-Whisper: en yüksek GPU verimi
7.000+ GitHub yıldızı · Python · İşlem hattı · Apache 2.0
Insanely-Fast-Whisper, Flash Attention 2 ve toplu çıkarım sayesinde üst düzey donanımda GPU verimini Faster-Whisper'ın belirgin şekilde ötesine taşır. Bir A100 üzerinde gerçek sürenin 150 katından hızlı çalışır: 1 saatlik ses dosyası 25 saniyenin altında biter.
Kazanç en çok ölçek büyüdüğünde hissedilir: tek dosyanın süresinden çok toplam verimin önemli olduğu büyük bir video arşivini işlerken.
Bilmeniz gerekenler: CUDA destekli GPU ister ve sunucu sınıfı donanım için optimize edilmiştir. Kullanıcıya yönelik bir araçtan çok bir kütüphane/işlem hattıdır.
En uygun olduğu kişiler: GPU sunucusuna erişimi olan ve büyük hacimli video içeriğini en yüksek hızla işlemek isteyen mühendislik ekipleri.
7. auto_subtitle: otomatik altyazı üretimi
5.000+ GitHub yıldızı · Python · Komut satırı · MIT lisansı
auto_subtitle, Whisper'ı tek bir komuta sarar: bir SRT altyazı dosyası üretir ve FFmpeg ile videoya gömer. auto_subtitle video.mp4 -o output/ komutu tek adımda altyazılı bir video çıkarır.
Ayrı bir iş akışı kurmadan videolarına altyazı eklemek isteyen içerik üreticileri için ham videodan altyazılı videoya giden en kısa yol.
Bilmeniz gerekenler: Tek bir işe odaklanır: videodan altyazılı videoya. Özet, konuşmacı ayırma ve YouTube linki bu aracın kapsamı dışındadır. FFmpeg'in kurulu ve PATH'te olması gerekir.
En uygun olduğu kişiler: Video dosyalarına tek komutla gömülü altyazı eklemek isteyen içerik üreticileri ve video editörleri.
Karşılaştırma tablosu
| Araç | Arayüz | YouTube | Podcast | Konuşmacı ayırma | Yıldız |
|---|---|---|---|---|---|
| AI-Video-Transcriber | ✅ Web | ✅ | ✅ | ❌ | 3,3k |
| OpenAI Whisper | Komut satırı | ❌ | ✅ | ❌ | 72k |
| Faster-Whisper | Kütüphane | ❌ | ✅ | ❌ | 14k |
| whisper.cpp | Komut satırı | ❌ | ✅ | ❌ | 38k |
| WhisperX | Kütüphane | ❌ | ✅ | ✅ | 13k |
| Insanely-Fast-Whisper | İşlem hattı | ❌ | ✅ | ❌ | 7k |
| auto_subtitle | Komut satırı | ❌ | ✅ | ❌ | 5k |
Hangisini seçmelisiniz?
Geliştirici değilseniz ve sadece çalışsın istiyorsanız: AI-Video-Transcriber, video dosyalarını, YouTube linklerini ve podcast'leri tek bir web arayüzünden işler. Kurulum tek seferlik bir betik ya da Docker.
Bir akış geliştiriyorsanız: Faster-Whisper üretime hazır seçimdir: en iyi hız-doğruluk dengesi, kelime düzeyinde zaman damgaları, VAD desteği.
GPU'suz bir Apple Silicon Mac kullanıyorsanız: whisper.cpp, Python bağımlılığı olmadan Core ML ile doğal hızda çalışır.
Röportaj kayıtlarında konuşmacı etiketi istiyorsanız: WhisperX, konuşmacı ayırmayı tek bir açık kaynak akışta yapan tek seçenek.
Büyük bir arşiv için en yüksek verimi istiyorsanız: GPU sunucusunda Insanely-Fast-Whisper.
Kurulumsuz alternatif: sipsip.ai
Yerel kurulumla hiç uğraşmak istemiyorsanız sipsip.ai'nin deşifre hizmeti bu projeden doğdu ve barındırılan bir hizmet olarak çalışıyor: önce mevcut altyazılara bakar, yoksa Deepgram nova-3 ile deşifre eder. Kurulum, GPU ve bakım gerektirmez. Bir ses kaydı için sesi yazıya çevirme, bir YouTube videosu için YouTube transkript araçlarını tarayıcıda kullanabilirsiniz.
Bu listedeki açık kaynak araçlar; işlemi kendi sunucunuzda yapmanız, özel bir entegrasyon kurmanız ya da büyük ölçekte sıfır maliyet istediğiniz durumlarda doğru tercihtir. Kurulum zahmeti barındırılan bir planın maliyetini aştığında ise barındırılan seçenek mantıklı olandır.
Wendy Zhang, sipsip.ai'nin kurucusu ve AI-Video-Transcriber açık kaynak projesinin (github.com/wendy7756/AI-Video-Transcriber) geliştiricisidir. 2022'den beri konuşma ve video işleme araçları geliştiriyor.
