YouTube, bilgiye ula\u015fman\u0131n en pop\u00fcler yollar\u0131ndan biri haline geldi. Ancak, uzun videolar\u0131 izlemek zaman al\u0131c\u0131 olabilir. Yapay zeka (YZ) teknolojileri sayesinde bu videolar\u0131n i\u00e7eri\u011fini h\u0131zl\u0131ca anlamak m\u00fcmk\u00fcn. Peki, bu teknoloji nas\u0131l \u00e7al\u0131\u015f\u0131yor? \u00d6zellikle, YouTube’daki konu\u015fmalar\u0131 metne d\u00f6n\u00fc\u015ft\u00fcrerek YZ modellerine anlaml\u0131 \u00f6zetler haz\u0131rlatmak veya Bilgiye Dayal\u0131 Yan\u0131t \u00dcretme (Retrieval-Augmented Generation – RAG) sistemlerinde kullanmak i\u00e7in transkriptleri nas\u0131l elde edebiliriz? Bu makalede, bu s\u00fcreci ad\u0131m ad\u0131m inceleyecek, teknik detaylara girecek ve ger\u00e7ek d\u00fcnya senaryolar\u0131yla zenginle\u015ftirece\u011fiz.<\/p>\n
G\u00fcn\u00fcm\u00fczde bilgiye eri\u015fim h\u0131z\u0131m\u0131z ve t\u00fcketimimiz dramatik bir \u015fekilde artt\u0131. YouTube gibi platformlar, e\u011fitimden e\u011flenceye, haberlerden ki\u015fisel geli\u015fime kadar say\u0131s\u0131z konuda zengin bir i\u00e7erik havuzu sunuyor. Ancak, her video i\u00e7eri\u011fini derinlemesine incelemek veya \u00f6nemli noktalar\u0131n\u0131 ka\u00e7\u0131rmadan takip etmek \u00e7o\u011fu zaman pratik de\u011fil. \u0130\u015fte tam bu noktada yapay zeka ve makine \u00f6\u011frenimi devreye giriyor. \u00d6zellikle metin tabanl\u0131 YZ modelleri, b\u00fcy\u00fck veri k\u00fcmelerini i\u015fleyerek anlaml\u0131 \u00f6zetler \u00e7\u0131karabiliyor, sorulara yan\u0131t verebiliyor ve hatta yeni i\u00e7erikler \u00fcretebiliyor. Bu potansiyeli en \u00fcst d\u00fczeye \u00e7\u0131karmak i\u00e7in ise videolardaki konu\u015fmalar\u0131n metin format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fclm\u00fc\u015f haline, yani transkriptlere ihtiyac\u0131m\u0131z var. Bu makalede, YouTube videolar\u0131ndan transkriptleri nas\u0131l \u00e7ekece\u011fimizi ve bu transkriptleri yapay zeka tabanl\u0131 \u00f6zetleme ve RAG sistemlerinde nas\u0131l etkili bir \u015fekilde kullanaca\u011f\u0131m\u0131z\u0131 detayl\u0131 bir \u015fekilde ele alaca\u011f\u0131z.<\/p>\n
YouTube videolar\u0131, g\u00f6rsel ve i\u015fitsel unsurlarla zenginle\u015ftirilmi\u015f olsa da, alt\u0131nda yatan ana bilgi genellikle konu\u015fmac\u0131n\u0131n aktard\u0131\u011f\u0131 metinsel i\u00e7eriktir. Yapay zeka modelleri, \u00f6zellikle do\u011fal dil i\u015fleme (Natural Language Processing – NLP) alan\u0131ndaki ilerlemeler sayesinde, metin verilerini analiz etmekte inan\u0131lmaz derecede ba\u015far\u0131l\u0131d\u0131r. Transkriptler, bu metinsel i\u00e7eri\u011fi YZ modellerinin anlayabilece\u011fi ve i\u015fleyebilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu sayede, videolar\u0131n i\u00e7eri\u011fi sadece dinlenerek de\u011fil, ayn\u0131 zamanda okunarak ve analiz edilerek de kullan\u0131labilir hale gelir. Bu durum, bilgiye eri\u015fimi demokratikle\u015ftirmenin yan\u0131 s\u0131ra, YZ’nin yeteneklerini daha geni\u015f bir alana yayma potansiyeli ta\u015f\u0131r. D\u00fc\u015f\u00fcn\u00fcn ki, saatlerce s\u00fcren bir ders videosunu sadece birka\u00e7 paragrafta \u00f6zetleyebiliyorsunuz veya belirli bir konu hakk\u0131nda sorunuz oldu\u011funda, ilgili videolardaki konu\u015fmalardan an\u0131nda cevaplar alabiliyorsunuz. Bu, transkriptlerin sa\u011flad\u0131\u011f\u0131 metin verisinin g\u00fcc\u00fcn\u00fc g\u00f6steriyor.<\/p>\n
Transkriptlerin yapay zeka i\u00e7in de\u011feri \u00e7ok y\u00f6nl\u00fcd\u00fcr. \u00d6ncelikle, otomatik konu\u015fma tan\u0131ma (Automatic Speech Recognition – ASR) teknolojisi sayesinde elde edilen transkriptler, videonun sundu\u011fu s\u00f6zl\u00fc bilginin yap\u0131land\u0131r\u0131lm\u0131\u015f bir temsilini sunar. Bu yap\u0131land\u0131r\u0131lm\u0131\u015f bilgi, YZ algoritmalar\u0131n\u0131n metin s\u0131n\u0131fland\u0131rmas\u0131, duygu analizi, konu modellemesi ve tabii ki \u00f6zetleme gibi g\u00f6revleri yerine getirmesi i\u00e7in temel olu\u015fturur. \u00d6rne\u011fin, bir e\u011fitim videosunun transkripti, anahtar kavramlar\u0131, tan\u0131mlar\u0131 ve \u00f6nemli a\u00e7\u0131klamalar\u0131 i\u00e7eren bir metin haline geldi\u011finde, YZ modelleri bu metni analiz ederek videonun temel \u00f6\u011frenme \u00e7\u0131kt\u0131lar\u0131n\u0131 \u00e7\u0131karabilir. Benzer \u015fekilde, bir haber videosunun transkripti, olaylar\u0131, ki\u015fileri ve yerleri belirlemek i\u00e7in kullan\u0131labilir. Bu, bilgiyi daha h\u0131zl\u0131 sindirmemizi ve arad\u0131\u011f\u0131m\u0131z spesifik bilgilere daha kolay ula\u015fmam\u0131z\u0131 sa\u011flar.<\/p>\n
Ayr\u0131ca, transkriptler, arama motorlar\u0131n\u0131n ve i\u00e7erik k\u00fcrat\u00f6rlerinin videolar\u0131 daha iyi anlamas\u0131na ve dizinlemesine yard\u0131mc\u0131 olur. Bir videonun i\u00e7eri\u011fi sadece ba\u015fl\u0131\u011f\u0131 ve a\u00e7\u0131klamas\u0131yla s\u0131n\u0131rl\u0131 kalmaz; konu\u015fman\u0131n tamam\u0131, arama sonu\u00e7lar\u0131n\u0131 iyile\u015ftirmek ve kullan\u0131c\u0131lara daha alakal\u0131 i\u00e7erikler sunmak i\u00e7in kritik bir rol oynar. Yapay zeka modelleri, transkriptleri kullanarak videolar aras\u0131ndaki ba\u011flant\u0131lar\u0131 kurabilir, benzer konular\u0131 grupland\u0131rabilir ve hatta video \u00f6neri sistemlerini daha ak\u0131ll\u0131 hale getirebilir. Bu durum, \u00f6zellikle akademik ara\u015ft\u0131rmac\u0131lar, i\u00e7erik \u00fcreticileri ve pazarlamac\u0131lar i\u00e7in b\u00fcy\u00fck bir avantajd\u0131r. \u00d6rne\u011fin, bir ara\u015ft\u0131rmac\u0131, belirli bir konuda yap\u0131lm\u0131\u015f t\u00fcm YouTube konu\u015fmalar\u0131n\u0131 transkriptleri \u00fczerinden tarayarak ilgili t\u00fcm \u00e7al\u0131\u015fmalar\u0131 h\u0131zl\u0131ca bulabilir ve bu bilgileri sentezleyebilir. Bu, bilgiye ula\u015fma s\u00fcrecini k\u00f6kten de\u011fi\u015ftirir.<\/p>\n
YouTube’dan transkript \u00e7ekmenin birka\u00e7 farkl\u0131 yolu vard\u0131r. En temel y\u00f6ntem, YouTube’un kendi otomatik altyaz\u0131 (CC) \u00f6zelli\u011fini kullanmakt\u0131r. Videolar\u0131n \u00e7o\u011fu i\u00e7in YouTube, konu\u015fmalar\u0131 otomatik olarak metne d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu transkriptlere eri\u015fmek ve indirmek m\u00fcmk\u00fcnd\u00fcr. Alternatif olarak, daha geli\u015fmi\u015f ve \u00f6zelle\u015ftirilebilir \u00e7\u00f6z\u00fcmler i\u00e7in \u00fc\u00e7\u00fcnc\u00fc taraf ara\u00e7lar ve API’ler kullan\u0131labilir. Bu y\u00f6ntemler, toplu i\u015flem yapma, farkl\u0131 formatlarda indirme veya hatta ger\u00e7ek zamanl\u0131 transkripsiyon gibi ek \u00f6zellikler sunabilir.<\/p>\n
YouTube’un kendi sundu\u011fu otomatik altyaz\u0131 \u00f6zelli\u011fi, \u00e7o\u011fu kullan\u0131c\u0131 i\u00e7in en eri\u015filebilir y\u00f6ntemdir. Bir videoyu izlerken, oynat\u0131c\u0131n\u0131n alt\u0131ndaki “CC” simgesine t\u0131klayarak altyaz\u0131lar\u0131 etkinle\u015ftirebilirsiniz. Altyaz\u0131lar ekranda g\u00f6r\u00fcnd\u00fc\u011f\u00fcnde, genellikle videonun sa\u011f alt k\u00f6\u015fesindeki \u00fc\u00e7 nokta (…) men\u00fcs\u00fcne t\u0131klayarak “Transkripti g\u00f6ster” se\u00e7ene\u011fini bulabilirsiniz. Bu se\u00e7enek, videonun alt\u0131nda zaman damgalar\u0131yla birlikte metin olarak transkripti g\u00f6r\u00fcnt\u00fcler. Bu metni kopyalay\u0131p yap\u0131\u015ft\u0131rarak kullanabilirsiniz. Ancak, bu y\u00f6ntem toplu indirme veya programatik eri\u015fim i\u00e7in ideal de\u011fildir. E\u011fer belirli bir videonun transkriptini h\u0131zl\u0131ca almak istiyorsan\u0131z, bu y\u00f6ntem olduk\u00e7a pratiktir.<\/p>\n
Daha geli\u015fmi\u015f ihtiya\u00e7lar i\u00e7in, YouTube Data API gibi resmi API’leri veya \u00fc\u00e7\u00fcnc\u00fc taraf k\u00fct\u00fcphaneleri kullanmak daha etkili olabilir. \u00d6rne\u011fin, Python dilinde Son olarak, e\u011fer daha y\u00fcksek do\u011fruluk oran\u0131na sahip veya \u00f6zel dil modelleriyle entegre edilmi\u015f transkriptlere ihtiyac\u0131n\u0131z varsa, Google Cloud Speech-to-Text veya Amazon Transcribe gibi bulut tabanl\u0131 konu\u015fma tan\u0131ma hizmetlerini kullanmay\u0131 d\u00fc\u015f\u00fcnebilirsiniz. Bu hizmetler, video dosyalar\u0131n\u0131 veya ses ak\u0131\u015flar\u0131n\u0131 i\u015fleyerek \u00e7ok daha do\u011fru ve detayl\u0131 transkriptler \u00fcretebilir. Bu y\u00f6ntem, genellikle daha maliyetli olsa da, profesyonel uygulamalar ve y\u00fcksek hassasiyet gerektiren durumlar i\u00e7in idealdir.<\/p>\n Bu y\u00f6ntem, herhangi bir ek ara\u00e7 veya kodlama bilgisi gerektirmez. Sadece web taray\u0131c\u0131n\u0131zla YouTube’a eri\u015fmeniz yeterlidir. \u0130\u015fte ad\u0131mlar:<\/p>\n Bu y\u00f6ntemle elde etti\u011finiz transkriptler, zaman damgalar\u0131n\u0131 i\u00e7erir. Bu zaman damgalar\u0131, YZ modellerinin metni videonun hangi an\u0131yla ili\u015fkilendirmesi gerekti\u011fini anlamas\u0131na yard\u0131mc\u0131 olabilir. Ancak, otomatik transkripsiyonun do\u011fas\u0131 gere\u011fi, \u00f6zellikle aksanlar, arka plan g\u00fcr\u00fclt\u00fcs\u00fc veya karma\u015f\u0131k terminoloji s\u00f6z konusu oldu\u011funda baz\u0131 hatalar i\u00e7erebilece\u011fini unutmamak \u00f6nemlidir. Bu hatalar\u0131 d\u00fczeltmek i\u00e7in manuel d\u00fczenleme gerekebilir.<\/p>\n Daha otomatize edilmi\u015f bir yakla\u015f\u0131m i\u00e7in Python programlama dilini ve \u00d6ncelikle Ard\u0131ndan, a\u015fa\u011f\u0131daki Python kodu ile bir videonun transkriptini \u00e7ekebilirsiniz:<\/p>\n Bu kod, belirtilen YouTube URL’sinden altyaz\u0131lar\u0131 al\u0131r ve YouTube’dan elde etti\u011finiz ham transkriptler genellikle zaman damgalar\u0131 i\u00e7erir ve bazen de otomatik transkripsiyonun getirdi\u011fi hatalarla doludur. Yapay zeka modellerinin bu veriyi etkili bir \u015fekilde kullanabilmesi i\u00e7in temizlenmesi ve haz\u0131rlanmas\u0131 gerekir. Bu haz\u0131rl\u0131k s\u00fcreci, \u00f6zetleme kalitesini do\u011frudan etkiler.<\/p>\n \u0130lk ad\u0131m, gereksiz bilgileri kald\u0131rmakt\u0131r. Zaman damgalar\u0131, konu\u015fma metninin kendisiyle do\u011frudan ilgili olmad\u0131\u011f\u0131ndan, genellikle \u00f6zetleme modelleri i\u00e7in \u00e7\u0131kar\u0131lmal\u0131d\u0131r. E\u011fer zaman damgalar\u0131, \u00f6zetin video i\u00e7indeki belirli bir an\u0131 referans g\u00f6stermesi gerekiyorsa tutulabilir, ancak genel bir \u00f6zet i\u00e7in bunlar gereksizdir. Ayr\u0131ca, otomatik transkripsiyon s\u0131ras\u0131nda ortaya \u00e7\u0131kan tekrarlayan kelimeler, anlams\u0131z karakter dizileri veya yanl\u0131\u015f yaz\u0131lm\u0131\u015f kelimeler de temizlenmelidir. Bu t\u00fcr hatalar, YZ modelinin metni yanl\u0131\u015f anlamas\u0131na ve dolay\u0131s\u0131yla hatal\u0131 bir \u00f6zet \u00fcretmesine neden olabilir.<\/p>\n Metni temizledikten sonra, YZ modellerinin daha iyi anlayabilmesi i\u00e7in c\u00fcmlelere ay\u0131rma (sentence tokenization) ve kelimelere ay\u0131rma (word tokenization) gibi \u00f6n i\u015fleme ad\u0131mlar\u0131 uygulanabilir. Bu ad\u0131mlar, metni daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir birimlere ay\u0131rarak YZ modelinin her bir birimi daha derinlemesine analiz etmesine olanak tan\u0131r. \u00d6zellikle b\u00fcy\u00fck dil modelleri (Large Language Models – LLM’ler), metni bu \u015fekilde yap\u0131land\u0131r\u0131lm\u0131\u015f bir \u015fekilde ald\u0131klar\u0131nda daha iyi performans g\u00f6sterirler. Noktalama i\u015faretlerinin do\u011fru kullan\u0131lmas\u0131, b\u00fcy\u00fck\/k\u00fc\u00e7\u00fck harf d\u00f6n\u00fc\u015f\u00fcmleri ve durdurma kelimelerinin (stop words) kald\u0131r\u0131lmas\u0131 gibi di\u011fer NLP teknikleri de metni daha anlaml\u0131 hale getirebilir.<\/p>\n Bir di\u011fer \u00f6nemli nokta, dil modelinin anlayabilece\u011fi bir formata getirmektir. \u00c7o\u011fu modern YZ modeli, metni vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrerek \u00e7al\u0131\u015f\u0131r. Bu vekt\u00f6r temsilleri, kelimelerin ve c\u00fcmlelerin anlamsal ili\u015fkilerini yakalar. Transkriptleri bu vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrmeden \u00f6nce, yukar\u0131da bahsedilen temizleme ve haz\u0131rl\u0131k ad\u0131mlar\u0131n\u0131n eksiksiz yap\u0131lmas\u0131, elde edilecek vekt\u00f6rlerin kalitesini ve dolay\u0131s\u0131yla \u00f6zetin do\u011frulu\u011funu art\u0131racakt\u0131r. Bu haz\u0131rl\u0131k s\u00fcreci, \u00f6zetleme modelinin sadece kelimeleri de\u011fil, ayn\u0131 zamanda bu kelimelerin olu\u015fturdu\u011fu anlam\u0131 da kavramas\u0131na yard\u0131mc\u0131 olur.<\/p>\n Ham transkript metni genellikle \u015fu unsurlar\u0131 i\u00e7erir:<\/p>\n Bu unsurlar\u0131 temizlemek i\u00e7in basit string manip\u00fclasyonlar\u0131 veya regex (d\u00fczenli ifadeler) kullan\u0131labilir. \u00d6rne\u011fin, Python’da zaman damgalar\u0131n\u0131 kald\u0131rmak i\u00e7in bir regex ifadesi \u015f\u00f6yle olabilir:<\/p>\n Bu temizleme ad\u0131mlar\u0131, YZ modeline g\u00f6nderilecek metnin daha odakl\u0131 ve anla\u015f\u0131l\u0131r olmas\u0131n\u0131 sa\u011flar. Hatal\u0131 veya gereksiz verinin temizlenmesi, \u00f6zetin do\u011frulu\u011funu ve alakal\u0131l\u0131\u011f\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/p>\n Temizlenmi\u015f metni daha k\u00fc\u00e7\u00fck birimlere ay\u0131rmak, NLP modellerinin metni i\u015flemesini kolayla\u015ft\u0131r\u0131r. Python’da \u00d6rnek olarak Bu \u00f6n i\u015fleme ad\u0131mlar\u0131, ham transkript verisini, YZ \u00f6zetleme modellerinin do\u011frudan kullanabilece\u011fi temiz ve yap\u0131land\u0131r\u0131lm\u0131\u015f bir metin haline getirir. Bu, YZ’nin videonun ana mesaj\u0131n\u0131 daha do\u011fru bir \u015fekilde anlamas\u0131na ve \u00f6zetlemesine yard\u0131mc\u0131 olur.<\/p>\n Transkriptler temizlendikten ve \u00f6n i\u015fleme tabi tutulduktan sonra, yapay zeka modellerini kullanarak bu metinlerden anlaml\u0131 \u00f6zetler \u00e7\u0131karabiliriz. \u00d6zetleme teknikleri temel olarak iki ana kategoriye ayr\u0131l\u0131r: \u00c7\u0131kar\u0131msal \u00d6zetleme (Extractive Summarization) ve \u00dcretimsel \u00d6zetleme (Abstractive Summarization).<\/p>\n \u00c7\u0131kar\u0131msal \u00f6zetleme, orijinal metindeki \u00f6nemli c\u00fcmleleri veya c\u00fcmle gruplar\u0131n\u0131 do\u011frudan se\u00e7erek \u00f6zet olu\u015fturur. Bu y\u00f6ntem, metnin \u00f6zg\u00fcnl\u00fc\u011f\u00fcn\u00fc korur ve genellikle daha kolay uygulanabilir. YZ modelleri, metnin her bir c\u00fcmlesinin \u00f6nemini belirlemek i\u00e7in \u00e7e\u015fitli algoritmalar kullan\u0131r. Bu algoritmalar, c\u00fcmlenin konumu, kelime s\u0131kl\u0131\u011f\u0131, anahtar kelimelerle ili\u015fkisi gibi fakt\u00f6rleri dikkate alabilir. \u00d6rne\u011fin, bir makalenin ilk ve son c\u00fcmleleri genellikle \u00f6nemli bilgiler i\u00e7erir. YZ, bu t\u00fcr kal\u0131plar\u0131 \u00f6\u011frenerek en \u00f6nemli c\u00fcmleleri se\u00e7er.<\/p>\n \u00dcretimsel \u00f6zetleme ise, orijinal metni anlay\u0131p, kendi kelimeleriyle yeni bir \u00f6zet olu\u015fturur. Bu y\u00f6ntem, daha ak\u0131c\u0131 ve insan benzeri \u00f6zetler \u00fcretebilir, ancak daha karma\u015f\u0131kt\u0131r ve daha geli\u015fmi\u015f YZ modelleri (\u00f6zellikle Transformer tabanl\u0131 modeller gibi) gerektirir. Bu modeller, metnin anlam\u0131n\u0131 derinden kavrayarak, farkl\u0131 kelimelerle ve c\u00fcmle yap\u0131lar\u0131yla yeniden ifade edebilir. Bu, \u00f6zetin hem k\u0131sa hem de bilgilendirici olmas\u0131n\u0131 sa\u011flar. YouTube transkriptleri gibi uzun metinler i\u00e7in \u00fcretimsel \u00f6zetleme, i\u00e7eri\u011fin \u00f6z\u00fcn\u00fc daha iyi yakalayabilir.<\/p>\n G\u00fcn\u00fcm\u00fczde, GPT-3, GPT-4, T5 gibi b\u00fcy\u00fck dil modelleri, hem \u00e7\u0131kar\u0131msal hem de \u00fcretimsel \u00f6zetleme g\u00f6revlerinde olduk\u00e7a ba\u015far\u0131l\u0131d\u0131r. Bu modeller, geni\u015f veri k\u00fcmeleri \u00fczerinde e\u011fitildikleri i\u00e7in, metnin ba\u011flam\u0131n\u0131 anlama ve anlaml\u0131 \u00e7\u0131kt\u0131lar \u00fcretme konusunda \u00fcst\u00fcnd\u00fcrler. YouTube transkriptlerini bu modellere girdi olarak vererek, videonun ana fikirlerini, \u00f6nemli arg\u00fcmanlar\u0131n\u0131 ve sonu\u00e7lar\u0131n\u0131 i\u00e7eren \u00f6zetler elde edebiliriz. Bu, bilgiye eri\u015fimi h\u0131zland\u0131r\u0131r ve karma\u015f\u0131k konular\u0131n anla\u015f\u0131lmas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r.<\/p>\n Bu y\u00f6ntemde, metindeki en \u00f6nemli c\u00fcmleler belirlenerek bir araya getirilir. Basit algoritmalar, her c\u00fcmlenin bir “\u00f6nem puan\u0131” hesaplar ve en y\u00fcksek puana sahip c\u00fcmleler se\u00e7ilir. Daha geli\u015fmi\u015f algoritmalar ise, c\u00fcmleler aras\u0131ndaki ili\u015fkileri ve metnin genel yap\u0131s\u0131n\u0131 dikkate al\u0131r. \u00d6rne\u011fin, TF-IDF (Term Frequency-Inverse Document Frequency) gibi y\u00f6ntemler, bir kelimenin bir belgedeki \u00f6nemini \u00f6l\u00e7er ve bu bilgi c\u00fcmlelerin \u00f6nemini belirlemek i\u00e7in kullan\u0131labilir.<\/p>\n Bir di\u011fer pop\u00fcler \u00e7\u0131kar\u0131msal \u00f6zetleme tekni\u011fi, TextRank’t\u0131r. TextRank, PageRank algoritmas\u0131ndan esinlenerek \u00e7al\u0131\u015f\u0131r. Metindeki her c\u00fcmle bir d\u00fc\u011f\u00fcm olarak kabul edilir ve c\u00fcmleler aras\u0131ndaki benzerlikler kenarlar olarak temsil edilir. Algoritma, bu graf \u00fczerinde yinelemeli olarak \u00e7al\u0131\u015farak, en \u00f6nemli c\u00fcmleleri (en y\u00fcksek “rank”a sahip olanlar\u0131) belirler.<\/p>\n Python’da Bu \u00f6rnekte, \u00dcretimsel \u00f6zetleme, daha geli\u015fmi\u015f NLP modelleri gerektirir. Transformer mimarisine dayanan modeller, metnin ba\u011flam\u0131n\u0131 daha iyi anlayarak, daha ak\u0131c\u0131 ve do\u011fal \u00f6zetler \u00fcretebilir. Hugging Face Transformers k\u00fct\u00fcphanesi, bu t\u00fcr modelleri kullanmay\u0131 kolayla\u015ft\u0131r\u0131r. \u00d6rne\u011fin, T5 (Text-To-Text Transfer Transformer) modeli, \u00f6zetleme gibi \u00e7e\u015fitli metin tabanl\u0131 g\u00f6revler i\u00e7in kullan\u0131labilir.<\/p>\n A\u015fa\u011f\u0131da, Hugging Face Transformers ile basit bir \u00fcretimsel \u00f6zetleme \u00f6rne\u011fi verilmi\u015ftir:<\/p>\n Bu kod, \u00f6nceden e\u011fitilmi\u015f bir YZ modelini kullanarak, verilen metinden daha ak\u0131c\u0131 ve yeniden ifade edilmi\u015f bir \u00f6zet olu\u015fturur. \u00dcretimsel \u00f6zetleme, \u00f6zellikle videonun ana mesaj\u0131n\u0131 farkl\u0131 kelimelerle anlatmak istedi\u011fimizde \u00e7ok etkilidir.<\/p>\n Bilgiye Dayal\u0131 Yan\u0131t \u00dcretme (Retrieval-Augmented Generation – RAG), YZ modellerinin sadece kendi \u00f6\u011frendikleri bilgilerle de\u011fil, ayn\u0131 zamanda harici bilgi kaynaklar\u0131ndan al\u0131nan bilgilerle de yan\u0131t \u00fcretmesini sa\u011flayan g\u00fc\u00e7l\u00fc bir tekniktir. YouTube transkriptleri, RAG sistemleri i\u00e7in zengin bir bilgi taban\u0131 olu\u015fturabilir. Bir kullan\u0131c\u0131 bir soru sordu\u011funda, RAG sistemi \u00f6ncelikle ilgili bilgiyi transkript veritaban\u0131ndan (veya vekt\u00f6r veritaban\u0131ndan) \u00e7eker ve ard\u0131ndan bu \u00e7ekilen bilgiyi kullanarak YZ modelinin yan\u0131t \u00fcretmesini sa\u011flar.<\/p>\n Bu s\u00fcre\u00e7, YZ modellerinin “hal\u00fcsinasyon” g\u00f6rme (yani, uydurma veya yanl\u0131\u015f bilgi \u00fcretme) e\u011filimini azalt\u0131r. \u00c7\u00fcnk\u00fc modelin yan\u0131t\u0131, belirli ve g\u00fcvenilir kaynaklardan (bu durumda YouTube transkriptleri) al\u0131nan bilgilere dayan\u0131r. \u00d6rne\u011fin, bir \u00f6\u011frenci, bir tarih dersi videosu hakk\u0131nda belirli bir soru sordu\u011funda, RAG sistemi ilgili dersin transkriptini tarayarak en alakal\u0131 bilgiyi bulur ve bu bilgiyi kullanarak do\u011fru ve detayl\u0131 bir yan\u0131t \u00fcretir. Bu, YZ’nin sadece genel bilgiye de\u011fil, ayn\u0131 zamanda spesifik i\u00e7eriklere dayal\u0131 yan\u0131tlar verebilmesini sa\u011flar.<\/p>\n RAG sistemlerinin temel bile\u015fenleri \u015funlard\u0131r: bir bilgi alma (retrieval) mekanizmas\u0131 ve bir \u00fcretim (generation) mekanizmas\u0131. Transkriptler, bilgi alma mekanizmas\u0131n\u0131n temelini olu\u015fturur. Transkriptler, metin olarak saklanabilece\u011fi gibi, daha h\u0131zl\u0131 ve etkili arama i\u00e7in vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fclerek bir vekt\u00f6r veritaban\u0131nda saklanabilir. Kullan\u0131c\u0131 sorusu geldi\u011finde, bu vekt\u00f6r veritaban\u0131nda benzerlik aramas\u0131 yap\u0131l\u0131r ve en alakal\u0131 transkript par\u00e7ac\u0131klar\u0131 (chunk’lar\u0131) bulunur. Daha sonra, bu par\u00e7ac\u0131klar ve orijinal soru, bir b\u00fcy\u00fck dil modeline (LLM) girdi olarak verilir ve LLM, bu ba\u011flam\u0131 kullanarak bir yan\u0131t \u00fcretir.<\/p>\n Bu yakla\u015f\u0131m, \u00f6zellikle e\u011fitim materyalleri, teknik dok\u00fcmantasyonlar veya derinlemesine analiz gerektiren i\u00e7erikler i\u00e7in olduk\u00e7a de\u011ferlidir. \u00d6rne\u011fin, bir \u015firket, kendi \u00fcr\u00fcnleriyle ilgili olarak YouTube’da yay\u0131nlanan tan\u0131t\u0131m videolar\u0131n\u0131n transkriptlerini bir RAG sistemine y\u00fckleyerek, m\u00fc\u015fteri hizmetleri botlar\u0131n\u0131n veya sat\u0131\u015f temsilcilerinin \u00fcr\u00fcn hakk\u0131nda do\u011fru ve h\u0131zl\u0131 yan\u0131tlar vermesini sa\u011flayabilir.<\/p>\n RAG sistemlerinde, transkriptleri etkili bir \u015fekilde aramak i\u00e7in vekt\u00f6r veritabanlar\u0131 kullan\u0131l\u0131r. Bu veritabanlar\u0131, metinlerin anlamsal anlamlar\u0131n\u0131 temsil eden vekt\u00f6rleri depolar. Transkriptler, \u00f6nce k\u00fc\u00e7\u00fck par\u00e7ac\u0131klara (chunk’lara) ayr\u0131l\u0131r. Ard\u0131ndan, bu par\u00e7ac\u0131klar, bir g\u00f6mme (embedding) modeli kullan\u0131larak vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Bu vekt\u00f6rler, daha sonra Kullan\u0131c\u0131 bir soru sordu\u011funda, soru da ayn\u0131 g\u00f6mme modeli kullan\u0131larak bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Ard\u0131ndan, vekt\u00f6r veritaban\u0131nda bu soru vekt\u00f6r\u00fcne en yak\u0131n olan transkript par\u00e7ac\u0131klar\u0131n\u0131n vekt\u00f6rleri aran\u0131r. Bu “en yak\u0131n kom\u015fu” (nearest neighbor) arama, anlamsal olarak en alakal\u0131 transkript par\u00e7ac\u0131klar\u0131n\u0131 bulmay\u0131 sa\u011flar.<\/p>\n \u00d6rnek bir i\u015f ak\u0131\u015f\u0131 \u015fu \u015fekilde olabilir:<\/p>\n Bilgi alma a\u015famas\u0131nda elde edilen alakal\u0131 transkript par\u00e7ac\u0131klar\u0131, bir b\u00fcy\u00fck dil modeline (LLM) girdi olarak verilir. Bu girdi genellikle \u015fu formatta olur:<\/p>\n LLM, bu girdiyi i\u015fleyerek, sa\u011flanan bilgilere dayal\u0131, do\u011fru ve ba\u011flama uygun bir yan\u0131t \u00fcretir. Bu, YZ’nin sadece genel bilgilere de\u011fil, ayn\u0131 zamanda spesifik YouTube videolar\u0131ndaki konu\u015fmalara dayal\u0131 olarak da yan\u0131t verebilmesini sa\u011flar. \u00d6rne\u011fin, bir teknoloji inceleme videosunun transkriptlerini kullanarak, o \u00fcr\u00fcn hakk\u0131ndaki belirli bir \u00f6zelli\u011fin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131 soruldu\u011funda, LLM do\u011frudan videoda anlat\u0131lan bilgiyi kullanarak yan\u0131t verecektir.<\/p>\n Bu RAG yakla\u015f\u0131m\u0131, YouTube i\u00e7eri\u011fini daha interaktif hale getirir. Kullan\u0131c\u0131lar, saatlerce s\u00fcren videolar\u0131 izlemek yerine, do\u011frudan sorular sorarak istedikleri bilgiyi alabilirler. Bu, \u00f6zellikle e\u011fitim ve ara\u015ft\u0131rma alanlar\u0131nda b\u00fcy\u00fck bir potansiyel ta\u015f\u0131r.<\/p>\n Bir \u00e7evrimi\u00e7i e\u011fitim platformu, kurs i\u00e7eri\u011fini zenginle\u015ftirmek ve \u00f6\u011frencilerin \u00f6\u011frenme deneyimini iyile\u015ftirmek istiyor. Platform, pop\u00fcler e\u011fitim YouTube kanallar\u0131ndaki ders videolar\u0131n\u0131 kullanmay\u0131 hedefliyor. Ancak, videolar\u0131n uzunlu\u011fu ve i\u00e7eri\u011fin karma\u015f\u0131kl\u0131\u011f\u0131, \u00f6\u011frencilerin t\u00fcm materyali sindirmesini zorla\u015ft\u0131r\u0131yor.<\/p>\n \u00c7\u00f6z\u00fcm:<\/strong><\/p>\n Sonu\u00e7lar:<\/strong> Bu yakla\u015f\u0131m sayesinde, \u00f6\u011frenciler ders videolar\u0131n\u0131 daha h\u0131zl\u0131 bir \u015fekilde anlayabilirler. \u00d6zetler, anahtar kavramlar\u0131 h\u0131zl\u0131ca kavramalar\u0131na yard\u0131mc\u0131 olurken, Soru-Cevap sistemi, tak\u0131ld\u0131klar\u0131 noktalarda do\u011frudan ve ba\u011flama uygun cevaplar bulmalar\u0131n\u0131 sa\u011flar. Bu, \u00f6\u011frenme verimlili\u011fini art\u0131r\u0131r ve platformun kullan\u0131c\u0131 memnuniyetini y\u00fckseltir. Ayr\u0131ca, bu sistem, farkl\u0131 dillerdeki e\u011fitim videolar\u0131n\u0131 da kapsayacak \u015fekilde geni\u015fletilebilir, b\u00f6ylece k\u00fcresel bir \u00f6\u011frenci kitlesine hitap edebilir.<\/p>\n YouTube transkriptlerini YZ ile kullan\u0131rken performans\u0131 ve do\u011frulu\u011fu art\u0131rmak i\u00e7in baz\u0131 ileri d\u00fczey teknikler ve p\u00fcf noktalar\u0131 bulunmaktad\u0131r. Bunlar, daha karma\u015f\u0131k senaryolar i\u00e7in veya daha hassas sonu\u00e7lar elde etmek istedi\u011finizde faydal\u0131 olabilir.<\/p>\n \u0130lk olarak, transkriptlerin do\u011frulu\u011funu art\u0131rmak i\u00e7in manuel d\u00fczeltme veya hibrit yakla\u015f\u0131mlar d\u00fc\u015f\u00fcn\u00fclebilir. Otomatik transkripsiyon her zaman m\u00fckemmel olmayabilir. E\u011fer transkriptlerin kalitesi kritikse, \u00f6zellikle teknik terimler veya \u00f6zel isimler s\u00f6z konusu oldu\u011funda, baz\u0131 manuel d\u00fczenlemeler yapmak faydal\u0131 olabilir. Alternatif olarak, birden fazla otomatik transkripsiyon arac\u0131n\u0131 kullanarak sonu\u00e7lar\u0131 kar\u015f\u0131la\u015ft\u0131rabilir ve en iyi olan\u0131 se\u00e7ebilirsiniz.<\/p>\n \u0130kinci olarak, transkriptleri daha k\u00fc\u00e7\u00fck ve anlaml\u0131 par\u00e7ac\u0131klara b\u00f6lmek (chunking), hem \u00f6zetleme hem de RAG sistemlerinde performans\u0131 art\u0131r\u0131r. Bu par\u00e7ac\u0131klar\u0131n boyutu, kullan\u0131lan YZ modelinin ba\u011flam penceresine (context window) ve g\u00f6revin niteli\u011fine g\u00f6re ayarlanmal\u0131d\u0131r. \u00c7ok b\u00fcy\u00fck par\u00e7ac\u0131klar modelin t\u00fcm bilgiyi i\u015flemesini zorla\u015ft\u0131rabilirken, \u00e7ok k\u00fc\u00e7\u00fck par\u00e7ac\u0131klar ba\u011flam kayb\u0131na neden olabilir.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc olarak, RAG sistemlerinde do\u011fru g\u00f6mme modellerini (embedding models) se\u00e7mek kritiktir. Farkl\u0131 g\u00f6mme modelleri, metnin anlamsal anlam\u0131n\u0131 farkl\u0131 \u015fekillerde yakalar. G\u00f6revinize (\u00f6rne\u011fin, teknik belgeler mi, genel sohbetler mi?) uygun bir model se\u00e7mek, arama sonu\u00e7lar\u0131n\u0131n kalitesini do\u011frudan etkiler. Ayr\u0131ca, zaman damgalar\u0131n\u0131 ve konu\u015fmac\u0131 bilgilerini RAG sistemine dahil etmek, daha zengin ve ba\u011flama duyarl\u0131 yan\u0131tlar \u00fcretilmesini sa\u011flayabilir. \u00d6rne\u011fin, bir kullan\u0131c\u0131n\u0131n belirli bir konu\u015fmac\u0131n\u0131n ne dedi\u011fini \u00f6\u011frenmek istemesi durumunda bu bilgiler kullan\u0131labilir.<\/p>\n Son olarak, YZ modellerinin \u00e7\u0131kt\u0131s\u0131n\u0131 de\u011ferlendirmek i\u00e7in uygun metrikler kullanmak \u00f6nemlidir. \u00d6zetleme i\u00e7in ROUGE (Recall-Oriented Understudy for Gisting Evaluation) gibi metrikler, \u00fcretilen \u00f6zetin referans \u00f6zetle ne kadar benzer oldu\u011funu \u00f6l\u00e7er. RAG sistemleri i\u00e7in ise yan\u0131tlar\u0131n do\u011frulu\u011fu, alakal\u0131l\u0131\u011f\u0131 ve ak\u0131c\u0131l\u0131\u011f\u0131 gibi unsurlar de\u011ferlendirilmelidir. Bu de\u011ferlendirmeler, sistemin s\u00fcrekli iyile\u015ftirilmesi i\u00e7in temel olu\u015fturur.<\/p>\n Otomatik konu\u015fma tan\u0131ma (ASR) sistemleri, \u00f6zellikle karma\u015f\u0131k ses ortamlar\u0131nda veya aksanl\u0131 konu\u015fmalarda hatalar yapabilir. Bu hatalar\u0131 azaltmak i\u00e7in:<\/p>\n LLM’lerin belirli bir girdide i\u015fleyebilece\u011fi token say\u0131s\u0131 s\u0131n\u0131rl\u0131d\u0131r (ba\u011flam penceresi). Bu nedenle, transkriptleri bu s\u0131n\u0131ra uygun par\u00e7ac\u0131klara b\u00f6lmek \u00f6nemlidir.<\/p>\n YouTube transkriptlerini elde etmek ve bunlar\u0131 yapay zeka tabanl\u0131 \u00f6zetleme ve RAG sistemlerinde kullanmak, bilgiye eri\u015fim ve i\u015fleme bi\u00e7imimizde devrim yaratma potansiyeline sahiptir. Bu s\u00fcre\u00e7, basit altyaz\u0131 indirmelerinden, karma\u015f\u0131k vekt\u00f6r veritaban\u0131 kurulumlar\u0131na kadar uzanan bir yelpazede uygulanabilir. Teknik zorluklar olsa da, do\u011fru ara\u00e7lar ve y\u00f6ntemlerle, YouTube’daki devasa bilgi havuzunu daha eri\u015filebilir, anla\u015f\u0131l\u0131r ve kullan\u0131labilir hale getirebiliriz. Bu teknoloji, e\u011fitimden ara\u015ft\u0131rmaya, i\u00e7erik \u00fcretiminden m\u00fc\u015fteri hizmetlerine kadar bir\u00e7ok alanda verimlili\u011fi art\u0131rabilir ve yeni uygulama alanlar\u0131 a\u00e7abilir.<\/p>\n \u00d6zetle, YouTube transkriptlerini YZ ile kullanarak hem videolar\u0131n ana fikirlerini h\u0131zl\u0131ca kavrayabilir hem de spesifik sorular\u0131m\u0131za dayal\u0131, g\u00fcvenilir yan\u0131tlar alabiliriz. Bu, bilgiye ula\u015fma ve onu i\u015fleme \u015feklimizi k\u00f6kten de\u011fi\u015ftirme potansiyeli ta\u015f\u0131yan heyecan verici bir aland\u0131r.<\/p>\n Hay\u0131r, YouTube’un otomatik transkripsiyonu her zaman %100 do\u011fru olmayabilir. \u00d6zellikle aksanlar, arka plan g\u00fcr\u00fclt\u00fcs\u00fc veya teknik terimler s\u00f6z konusu oldu\u011funda hatalar olu\u015fabilir. Daha y\u00fcksek do\u011fruluk i\u00e7in manuel d\u00fczeltme veya \u00f6zel transkripsiyon hizmetleri gerekebilir.<\/p>\n<\/li>\n GPT-3.5, GPT-4, T5, BART gibi b\u00fcy\u00fck dil modelleri (LLM’ler) hem \u00e7\u0131kar\u0131msal hem de \u00fcretimsel \u00f6zetleme g\u00f6revlerinde olduk\u00e7a ba\u015far\u0131l\u0131d\u0131r. Hugging Face Transformers k\u00fct\u00fcphanesi bu modelleri kullanmay\u0131 kolayla\u015ft\u0131r\u0131r.<\/p>\n<\/li>\n Transkriptler, metin dosyalar\u0131 olarak depolanabilir veya daha h\u0131zl\u0131 arama ve anlamsal sorgulama i\u00e7in vekt\u00f6r veritabanlar\u0131na (\u00f6rn: ChromaDB, Pinecone) g\u00f6m\u00fclerek saklanabilir. Vekt\u00f6r veritabanlar\u0131, RAG sistemlerinin temelini olu\u015fturur.<\/p>\n<\/li>\n Evet, YouTube’un kendi altyaz\u0131 \u00f6zelli\u011fi ve Evet, transkriptleri bir RAG (Retrieval-Augmented Generation) sistemine entegre ederek, YouTube videolar\u0131n\u0131n i\u00e7eri\u011fi hakk\u0131nda sorular sorabilir ve YZ’den videolardaki bilgilere dayal\u0131 yan\u0131tlar alabilirsiniz. Bu, bilgiyi daha etkili bir \u015fekilde sorgulaman\u0131z\u0131 sa\u011flar.<\/p>\n<\/li>\n<\/ul>\n #YouTube #YapayZeka #Transkript #\u00d6zetleme #RAG #NLP #VeriBilimi<\/p>\nyoutube-dl<\/code> veya pytube<\/code> gibi k\u00fct\u00fcphaneler, YouTube videolar\u0131ndan \u00e7e\u015fitli bilgileri \u00e7ekmenize olanak tan\u0131r, bu bilgiler aras\u0131nda transkriptler de bulunabilir. Bu k\u00fct\u00fcphaneler, genellikle videonun URL’sini alarak transkripti metin dosyas\u0131 olarak indirmenizi sa\u011flar. Bu, \u00f6zellikle birden fazla videonun transkriptini otomatik olarak toplamak istedi\u011finizde b\u00fcy\u00fck bir kolayl\u0131k sunar. Ayr\u0131ca, baz\u0131 \u00fc\u00e7\u00fcnc\u00fc taraf web siteleri de YouTube transkriptlerini indirme hizmeti sunmaktad\u0131r. Ancak, bu sitelerin g\u00fcvenilirli\u011fini ve gizlilik politikalar\u0131n\u0131 dikkatlice incelemek \u00f6nemlidir.<\/p>\n1. YouTube’un Kendi Transkript \u00d6zelli\u011fini Kullanma (Ad\u0131m Ad\u0131m)<\/h3>\n
\n
2. Programatik Transkript \u0130ndirme (Python ile \u00d6rnek)<\/h3>\n
pytube<\/code> gibi k\u00fct\u00fcphaneleri kullanabiliriz. Bu k\u00fct\u00fcphane, YouTube videolar\u0131ndan meta verileri, hatta transkriptleri indirmeyi kolayla\u015ft\u0131r\u0131r.<\/p>\npytube<\/code> k\u00fct\u00fcphanesini kurman\u0131z gerekir:<\/p>\npip install pytube<\/code><\/pre>\nfrom pytube import YouTube\n\n def get_youtube_transcript(video_url):\n try:\n yt = YouTube(video_url)\n # Otomatik olarak olu\u015fturulan veya y\u00fcklenen altyaz\u0131lar\u0131 al\n transcript_list = yt.captions\n if not transcript_list:\n return \"Bu videoda altyaz\u0131 bulunamad\u0131.\"\n\n # Varsay\u0131lan olarak \u0130ngilizce altyaz\u0131y\u0131 almaya \u00e7al\u0131\u015fal\u0131m, yoksa ilkini alal\u0131m\n caption = transcript_list.get_by_language_code('en')\n if not caption:\n caption = transcript_list.get_by_order(0)\n\n if caption:\n return caption.generate_srt_captions()\n else:\n return \"Altyaz\u0131 verisi al\u0131namad\u0131.\"\n\n except Exception as e:\n return f\"Bir hata olu\u015ftu: {e}\"\n\n # \u00d6rnek kullan\u0131m:\n video_url = \"https:\/\/www.youtube.com\/watch?v=dQw4w9WgXcQ\" # Ger\u00e7ek bir YouTube video URL'si ile de\u011fi\u015ftirin\n transcript_srt = get_youtube_transcript(video_url)\n\n if \"hata\" not in transcript_srt.lower():\n print(\"Transkript ba\u015far\u0131yla al\u0131nd\u0131:\\n\")\n print(transcript_srt)\n # \u0130sterseniz bu transkripti bir dosyaya kaydedebilirsiniz\n with open(\"transcript.srt\", \"w\", encoding=\"utf-8\") as f:\n f.write(transcript_srt)\n print(\"\\nTranskript 'transcript.srt' dosyas\u0131na kaydedildi.\")\n else:\n print(transcript_srt)\n <\/code><\/pre>\n.srt<\/code> format\u0131nda bir metin olarak d\u00f6nd\u00fcr\u00fcr. .srt<\/code> format\u0131, zaman damgalar\u0131n\u0131 ve metinleri i\u00e7eren standart bir altyaz\u0131 format\u0131d\u0131r. Elde edilen bu metin, YZ modelleri taraf\u0131ndan kolayca i\u015flenebilir. Bu y\u00f6ntem, \u00f6zellikle toplu veri toplama i\u015flemleri i\u00e7in \u00e7ok kullan\u0131\u015fl\u0131d\u0131r ve otomasyon potansiyeli sunar.<\/p>\nTranskriptleri Yapay Zeka \u00d6zetleme \u0130\u00e7in Haz\u0131rlama<\/h2>\n
1. Metin Temizleme ve \u00d6n \u0130\u015fleme<\/h3>\n
\n
import re\n\n def clean_transcript(text):\n # Zaman damgalar\u0131n\u0131 kald\u0131r (\u00f6rn: 00:01:23,456 --> 00:01:25,789)\n text = re.sub(r'\\d{2}:\\d{2}:\\d{2},\\d{3} --> \\d{2}:\\d{2}:\\d{2},\\d{3}', '', text)\n # Sat\u0131r ba\u015flar\u0131ndaki ve sonlar\u0131ndaki bo\u015fluklar\u0131 kald\u0131r\n text = text.strip()\n # Birden fazla bo\u015flu\u011fu tek bo\u015flu\u011fa indirge\n text = re.sub(r'\\s+', ' ', text)\n # Konu\u015fmac\u0131 etiketlerini kald\u0131r (varsa, \u00f6rne\u011fin: [00:01:23] Speaker 1:)\n text = re.sub(r'\\[\\d{2}:\\d{2}:\\d{2}\\] .*?:', '', text)\n return text\n\n raw_text = \"00:00:01,000 --> 00:00:03,500 Merhaba d\u00fcnya.\\n00:00:04,000 --> 00:00:06,200 Bu bir test.\\n\\n\"\n cleaned_text = clean_transcript(raw_text)\n print(cleaned_text)\n # \u00c7\u0131kt\u0131: Merhaba d\u00fcnya. Bu bir test.\n <\/code><\/pre>\n2. C\u00fcmlelere ve Kelimelere Ay\u0131rma (Tokenization)<\/h3>\n
NLTK<\/code> veya spaCy<\/code> gibi k\u00fct\u00fcphaneler bu konuda yard\u0131mc\u0131 olur.<\/p>\nspaCy<\/code> ile c\u00fcmlelere ay\u0131rma:<\/p>\nimport spacy\n\n # spaCy modelini y\u00fckleyin (e\u011fer y\u00fckl\u00fc de\u011filse: python -m spacy download tr_core_news_sm)\n nlp = spacy.load(\"tr_core_news_sm\") # T\u00fcrk\u00e7e dil modeli\n\n text_to_tokenize = \"Bu ilk c\u00fcmledir. Bu da ikinci c\u00fcmledir. Ve i\u015fte \u00fc\u00e7\u00fcnc\u00fc c\u00fcmle.\"\n doc = nlp(text_to_tokenize)\n\n sentences = [sent.text for sent in doc.sents]\n print(\"C\u00fcmleler:\")\n for sentence in sentences:\n print(f\"- {sentence}\")\n\n # Kelimelere ay\u0131rma (tokenization)\n tokens = [token.text for token in doc]\n print(\"\\nKelimeler (Tokenlar):\")\n print(tokens)\n <\/code><\/pre>\nYapay Zeka ile \u00d6zetleme Teknikleri<\/h2>\n
1. \u00c7\u0131kar\u0131msal \u00d6zetleme Y\u00f6ntemleri<\/h3>\n
gensim<\/code> k\u00fct\u00fcphanesi, TextRank algoritmas\u0131n\u0131 kullanarak \u00e7\u0131kar\u0131msal \u00f6zetleme yapmay\u0131 kolayla\u015ft\u0131r\u0131r:<\/p>\nfrom gensim.summarization import summarize\n\n text = \"\"\"\n Yapay zeka, g\u00fcn\u00fcm\u00fcz teknolojisinin en \u00f6nemli alanlar\u0131ndan biridir. Makine \u00f6\u011frenimi, derin \u00f6\u011frenme gibi alt dallar\u0131 ile s\u00fcrekli geli\u015fmektedir. Bu geli\u015fmeler, hayat\u0131m\u0131z\u0131n bir\u00e7ok alan\u0131n\u0131 etkilemektedir. \u00d6zellikle bilgiye eri\u015fim ve i\u015fleme h\u0131z\u0131m\u0131z artm\u0131\u015ft\u0131r. YouTube transkriptleri, yapay zeka ile \u00f6zetleme i\u00e7in harika bir kaynakt\u0131r. Bu transkriptler, konu\u015fmalar\u0131n metne d\u00f6k\u00fclm\u00fc\u015f halidir ve YZ modelleri taraf\u0131ndan kolayca i\u015flenebilir. \u00d6zetleme, uzun metinlerin ana fikirlerini h\u0131zl\u0131ca anlamam\u0131z\u0131 sa\u011flar. \u00c7\u0131kar\u0131msal \u00f6zetleme, orijinal metindeki c\u00fcmleleri se\u00e7erken, \u00fcretimsel \u00f6zetleme yeni c\u00fcmleler \u00fcretir. Her iki y\u00f6ntem de farkl\u0131 avantajlar sunar. Yapay zeka modelleri, bu metinleri analiz ederek k\u0131sa ve \u00f6z bilgiler sunabilir. Bu da kullan\u0131c\u0131lar\u0131n zamandan tasarruf etmesini sa\u011flar.\n \"\"\"\n\n # \u00d6zetin uzunlu\u011funu kelime say\u0131s\u0131 olarak belirleyebiliriz\n summary = summarize(text, word_count=30)\n print(\"\u00c7\u0131kar\u0131msal \u00d6zet:\")\n print(summary)\n <\/code><\/pre>\ngensim<\/code> k\u00fct\u00fcphanesi, metnin ana fikirlerini i\u00e7eren c\u00fcmleleri se\u00e7erek k\u0131sa bir \u00f6zet olu\u015fturur. Bu y\u00f6ntem, metnin \u00f6zg\u00fcnl\u00fc\u011f\u00fcn\u00fc korurken, \u00f6nemli bilgileri h\u0131zl\u0131ca sunar.<\/p>\n2. \u00dcretimsel \u00d6zetleme Y\u00f6ntemleri<\/h3>\n
from transformers import pipeline\n\n # \u00d6zetleme pipeline'\u0131n\u0131 y\u00fckle (varsay\u0131lan model genellikle T5 tabanl\u0131d\u0131r)\n summarizer = pipeline(\"summarization\")\n\n text = \"\"\"\n Yapay zeka, g\u00fcn\u00fcm\u00fcz teknolojisinin en \u00f6nemli alanlar\u0131ndan biridir. Makine \u00f6\u011frenimi, derin \u00f6\u011frenme gibi alt dallar\u0131 ile s\u00fcrekli geli\u015fmektedir. Bu geli\u015fmeler, hayat\u0131m\u0131z\u0131n bir\u00e7ok alan\u0131n\u0131 etkilemektedir. \u00d6zellikle bilgiye eri\u015fim ve i\u015fleme h\u0131z\u0131m\u0131z artm\u0131\u015ft\u0131r. YouTube transkriptleri, yapay zeka ile \u00f6zetleme i\u00e7in harika bir kaynakt\u0131r. Bu transkriptler, konu\u015fmalar\u0131n metne d\u00f6k\u00fclm\u00fc\u015f halidir ve YZ modelleri taraf\u0131ndan kolayca i\u015flenebilir. \u00d6zetleme, uzun metinlerin ana fikirlerini h\u0131zl\u0131ca anlamam\u0131z\u0131 sa\u011flar. \u00c7\u0131kar\u0131msal \u00f6zetleme, orijinal metindeki c\u00fcmleleri se\u00e7erken, \u00fcretimsel \u00f6zetleme yeni c\u00fcmleler \u00fcretir. Her iki y\u00f6ntem de farkl\u0131 avantajlar sunar. Yapay zeka modelleri, bu metinleri analiz ederek k\u0131sa ve \u00f6z bilgiler sunabilir. Bu da kullan\u0131c\u0131lar\u0131n zamandan tasarruf etmesini sa\u011flar.\n \"\"\"\n\n # Modelin \u00fcretece\u011fi \u00f6zetin maksimum ve minimum uzunlu\u011funu belirtebiliriz\n summary = summarizer(text, max_length=60, min_length=20, do_sample=False)[0]['summary_text']\n print(\"\u00dcretimsel \u00d6zet:\")\n print(summary)\n <\/code><\/pre>\nBilgiye Dayal\u0131 Yan\u0131t \u00dcretme (RAG) ve Transkriptler<\/h2>\n
1. Vekt\u00f6r Veritabanlar\u0131 ve Transkript \u0130ndeksleme<\/h3>\n
ChromaDB<\/code>, Pinecone<\/code>, Weaviate<\/code> gibi vekt\u00f6r veritabanlar\u0131nda saklan\u0131r.<\/p>\n\n
2. LLM ile Yan\u0131t \u00dcretimi<\/h3>\n
\"A\u015fa\u011f\u0131daki bilgilere dayanarak soruyu yan\u0131tla:\\n\\nBilgi Kayna\u011f\u0131:\\n[\u00c7ekilen Transkript Par\u00e7ac\u0131klar\u0131]\\n\\nSoru:\\n[Kullan\u0131c\u0131 Sorusu]\\n\\nYan\u0131t:\"<\/code><\/p>\nVaka Analizi: E\u011fitim Platformlar\u0131 \u0130\u00e7in YouTube Transkriptleri<\/h2>\n
\n
pytube<\/code> k\u00fct\u00fcphanesi kullanarak toplar. Bu i\u015flem otomatikle\u015ftirilir ve her yeni video i\u00e7in d\u00fczenli olarak ger\u00e7ekle\u015ftirilir.<\/li>\n\u0130leri D\u00fczey \u0130pu\u00e7lar\u0131 ve P\u00fcf Noktalar\u0131<\/h2>\n
1. Transkript Do\u011frulu\u011funu Art\u0131rma<\/h3>\n
\n
2. Ba\u011flam Penceresi ve Par\u00e7ac\u0131k Boyutland\u0131rma (Chunking)<\/h3>\n
\n
Sonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n
pytube<\/code> gibi \u00fccretsiz Python k\u00fct\u00fcphaneleri arac\u0131l\u0131\u011f\u0131yla transkriptleri indirebilirsiniz. Ancak, API kullan\u0131m\u0131 veya bulut tabanl\u0131 transkripsiyon hizmetleri genellikle \u00fccretlidir.<\/p>\n<\/li>\n