Geleneksel \u00c7in m\u00fczi\u011finin kalbi olan Erhu, kendine \u00f6zg\u00fc t\u0131n\u0131s\u0131 ve ifade g\u00fcc\u00fcyle dinleyenleri b\u00fcy\u00fcleyen, iki telli, yayl\u0131 bir \u00e7alg\u0131d\u0131r. Ancak bu zarif enstr\u00fcman\u0131 do\u011fru akort etmek, \u00f6zellikle dijital ortamda, \u00e7o\u011fu zaman bir meydan okuma haline gelebilir. Standart perde alg\u0131lama y\u00f6ntemleri, Erhu’nun zengin harmonik yap\u0131s\u0131 kar\u015f\u0131s\u0131nda yetersiz kal\u0131rken, taray\u0131c\u0131 tabanl\u0131 \u00e7\u00f6z\u00fcmlerde otomatik korelasyon (autocorrelation) tekni\u011fi, akort do\u011frulu\u011funu devrim niteli\u011finde art\u0131rarak m\u00fczisyenlere e\u015fsiz bir deneyim sunuyor. Bu makale, otomatik korelasyonun neden geleneksel perde alg\u0131lama algoritmalar\u0131n\u0131 geride b\u0131rakt\u0131\u011f\u0131n\u0131 ve taray\u0131c\u0131n\u0131zda nas\u0131l daha hassas bir Erhu akort cihaz\u0131 geli\u015ftirebilece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayacakt\u0131r.<\/p>\n
Erhu, perdeleri (fret) olmayan bir enstr\u00fcman olmas\u0131 nedeniyle do\u011fru entonasyon (intonation) ve akort, icrac\u0131n\u0131n yetene\u011fine ve kula\u011f\u0131na b\u00fcy\u00fck \u00f6l\u00e7\u00fcde ba\u011fl\u0131d\u0131r. Parmaklar\u0131n tel \u00fczerindeki en k\u00fc\u00e7\u00fck kaymas\u0131 bile sesin perdesini \u00f6nemli \u00f6l\u00e7\u00fcde de\u011fi\u015ftirebilir. Bu durum, Erhu’yu \u00f6\u011frenenler ve hatta deneyimli m\u00fczisyenler i\u00e7in bile hassas akordu kritik bir mesele haline getirir. Geleneksel akort cihazlar\u0131 genellikle gitar veya keman gibi Bat\u0131 enstr\u00fcmanlar\u0131 i\u00e7in tasarlanm\u0131\u015ft\u0131r ve genellikle temel frekans\u0131 (fundamental frequency) belirlemek i\u00e7in H\u0131zl\u0131 Fourier D\u00f6n\u00fc\u015f\u00fcm\u00fc (FFT – Fast Fourier Transform) gibi spektral analiz y\u00f6ntemlerini kullan\u0131r. Ancak Erhu’nun t\u0131n\u0131s\u0131, zengin ve karma\u015f\u0131k \u00fcst harmoniklerle (overtones) doludur. Bu harmonikler, temel frekans\u0131n alg\u0131lanmas\u0131n\u0131 zorla\u015ft\u0131rabilir ve standart akort cihazlar\u0131n\u0131n yanl\u0131\u015f perde g\u00f6stermesine neden olabilir. \u00d6rne\u011fin, bir Erhu notas\u0131n\u0131n temel frekans\u0131 440 Hz (La) iken, FFT tabanl\u0131 bir analiz, en g\u00fc\u00e7l\u00fc g\u00f6r\u00fcnen bir \u00fcst harmoni\u011fi (\u00f6rne\u011fin 880 Hz veya 1320 Hz) temel perde olarak alg\u0131layabilir ve bu da yanl\u0131\u015f akort y\u00f6nlendirmelerine yol a\u00e7ar.<\/p>\n
Dijital akort cihazlar\u0131na duyulan ihtiya\u00e7, g\u00fcn\u00fcm\u00fcz d\u00fcnyas\u0131nda m\u00fczisyenlerin her yerde pratik yapma ve performans sergileme arzusundan kaynaklanmaktad\u0131r. Bir ak\u0131ll\u0131 telefon veya bilgisayar taray\u0131c\u0131s\u0131 \u00fczerinden eri\u015filebilen bir akort cihaz\u0131, ta\u015f\u0131nabilirlik ve eri\u015filebilirlik a\u00e7\u0131s\u0131ndan b\u00fcy\u00fck avantajlar sunar. \u00d6zellikle Erhu gibi geleneksel enstr\u00fcmanlar\u0131n \u00f6zel akort ihtiya\u00e7lar\u0131n\u0131 kar\u015f\u0131layabilen, taray\u0131c\u0131 tabanl\u0131 \u00e7\u00f6z\u00fcmler, hem yeni ba\u015flayanlar hem de profesyoneller i\u00e7in paha bi\u00e7ilmez bir ara\u00e7 haline gelebilir. T\u00fcrkiye’de de geleneksel m\u00fczik aletlerine olan ilginin artmas\u0131yla birlikte, Erhu gibi farkl\u0131 k\u00fclt\u00fcrlerin enstr\u00fcmanlar\u0131n\u0131 \u00f6\u011frenen m\u00fczisyenlerin say\u0131s\u0131 y\u00fckselmektedir. Bu m\u00fczisyenler i\u00e7in, enstr\u00fcmanlar\u0131n\u0131n kendine has \u00f6zelliklerini anlayarak do\u011fru akort yapmalar\u0131n\u0131 sa\u011flayacak g\u00fcvenilir dijital ara\u00e7lar geli\u015ftirmek, m\u00fczik e\u011fitimini ve prati\u011fini kolayla\u015ft\u0131rman\u0131n anahtar\u0131d\u0131r. Bu ba\u011flamda, taray\u0131c\u0131da \u00e7al\u0131\u015fan, y\u00fcksek do\u011frulukta bir Erhu akort cihaz\u0131, m\u00fczisyenlerin enstr\u00fcmanlar\u0131yla daha iyi bir uyum yakalamalar\u0131na ve m\u00fczi\u011fe daha fazla odaklanmalar\u0131na olanak tan\u0131r. Ayr\u0131ca, fiziksel bir akort cihaz\u0131 ta\u015f\u0131ma zorunlulu\u011funu ortadan kald\u0131rarak pratik yapmay\u0131 daha esnek ve ula\u015f\u0131labilir hale getirir. Bu, \u00f6zellikle seyahat eden m\u00fczisyenler veya b\u00fct\u00e7esi k\u0131s\u0131tl\u0131 \u00f6\u011frenciler i\u00e7in b\u00fcy\u00fck bir kolayl\u0131k sa\u011flar.<\/p>\n
Geleneksel enstr\u00fcmanlar\u0131n dijitalle\u015fme s\u00fcrecinde kar\u015f\u0131la\u015f\u0131lan bu t\u00fcr zorluklar\u0131n \u00fcstesinden gelmek, sadece teknolojik bir ba\u015far\u0131 de\u011fil, ayn\u0131 zamanda k\u00fclt\u00fcrel miras\u0131n korunmas\u0131 ve yayg\u0131nla\u015ft\u0131r\u0131lmas\u0131 a\u00e7\u0131s\u0131ndan da \u00f6nemlidir. Erhu’nun otantik t\u0131n\u0131s\u0131n\u0131 do\u011fru bir \u015fekilde yakalayabilen bir akort cihaz\u0131, bu enstr\u00fcman\u0131 icra edenlerin sanatsal ifadelerini tam anlam\u0131yla ortaya koymalar\u0131na yard\u0131mc\u0131 olur. Bu nedenle, Erhu’nun karma\u015f\u0131k ses yap\u0131s\u0131n\u0131 anlayarak, ona \u00f6zel olarak optimize edilmi\u015f dijital bir akort \u00e7\u00f6z\u00fcm\u00fc geli\u015ftirmek, hem teknoloji hem de m\u00fczik d\u00fcnyas\u0131 i\u00e7in \u00f6nemli bir ad\u0131md\u0131r. Taray\u0131c\u0131 tabanl\u0131 yakla\u015f\u0131mlar, bu t\u00fcr \u00f6zel \u00e7\u00f6z\u00fcmlerin geni\u015f kitlelere kolayca ula\u015fmas\u0131n\u0131 sa\u011flayarak, geleneksel m\u00fcziklerin pop\u00fclaritesini ve eri\u015filebilirli\u011fini art\u0131rabilir. Sonu\u00e7 olarak, Erhu’nun kendine has ses \u00f6zelliklerini do\u011fru bir \u015fekilde alg\u0131layabilen dijital akort cihazlar\u0131, modern m\u00fczik e\u011fitiminde ve prati\u011finde vazge\u00e7ilmez bir rol oynayacakt\u0131r.<\/p>\n
Ses, havadaki titre\u015fimler yoluyla yay\u0131lan bir enerji bi\u00e7imidir ve periyodik dalgalar halinde hareket eder. Bir sesin perdesi (pitch), bu dalgalar\u0131n frekans\u0131 (frequency) ile do\u011frudan ili\u015fkilidir; frekans ne kadar y\u00fcksekse, ses o kadar tiz (ince) duyulur. \u00d6rne\u011fin, standart A4 notas\u0131 440 Hz frekansa sahiptir, yani saniyede 440 kez titre\u015fir. Dijital ortamda sesle \u00e7al\u0131\u015fmak i\u00e7in \u00f6ncelikle bu analog (s\u00fcrekli) ses dalgalar\u0131n\u0131n dijital (ayr\u0131k) verilere d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi gerekir. Bu s\u00fcre\u00e7, Analogdan Dijitale D\u00f6n\u00fc\u015f\u00fcm (ADC – Analog-to-Digital Conversion) olarak adland\u0131r\u0131l\u0131r. Bir mikrofon, ses dalgalar\u0131n\u0131 elektrik sinyallerine d\u00f6n\u00fc\u015ft\u00fcr\u00fcr ve bu sinyaller daha sonra belirli aral\u0131klarla \u00f6rneklenerek (sampling) dijital de\u011ferlere \u00e7evrilir. \u00d6rnekleme h\u0131z\u0131 (sample rate), saniyede ka\u00e7 \u00f6rnek al\u0131nd\u0131\u011f\u0131n\u0131 belirtir (\u00f6rne\u011fin, 44100 Hz CD kalitesinde ses i\u00e7in yayg\u0131n bir \u00f6rnekleme h\u0131z\u0131d\u0131r). \u00d6rneklenen bu dijital veriler, genellikle bir dizi say\u0131sal de\u011fer (\u00f6rneklem – sample) olarak depolan\u0131r.<\/p>\n
Taray\u0131c\u0131da ses verisiyle \u00e7al\u0131\u015fmak i\u00e7in Web Audio API (Uygulama Programlama Aray\u00fcz\u00fc) kullan\u0131l\u0131r. Bu g\u00fc\u00e7l\u00fc API, taray\u0131c\u0131da sesin i\u015flenmesi, sentezlenmesi ve analiz edilmesi i\u00e7in bir dizi ara\u00e7 sunar. Ses giri\u015fini almak i\u00e7in FFT, ses sinyalini zaman alan\u0131ndan frekans alan\u0131na d\u00f6n\u00fc\u015ft\u00fcren matematiksel bir algoritmad\u0131r. Bir ses sinyalini olu\u015fturan farkl\u0131 frekans bile\u015fenlerini ortaya \u00e7\u0131kar\u0131r. Bu, genellikle bir spektrum grafi\u011fi olarak g\u00f6rselle\u015ftirilir; yatay eksen frekans\u0131, dikey eksen ise o frekans\u0131n genli\u011fini (\u015fiddetini) g\u00f6sterir. Teorik olarak, bir enstr\u00fcman taraf\u0131ndan \u00e7al\u0131nan bir notan\u0131n temel frekans\u0131, spektrumdaki en g\u00fc\u00e7l\u00fc pik (peak) olarak g\u00f6r\u00fclebilir. Ancak pratikte durum daha karma\u015f\u0131kt\u0131r. Erhu gibi enstr\u00fcmanlar, temel frekans\u0131n yan\u0131 s\u0131ra bir\u00e7ok \u00fcst harmonik (overtone) ve k\u0131smi ton (partial) \u00fcretir. Bu harmonikler, temel frekans\u0131n tam katlar\u0131 olabilir (\u00f6rne\u011fin, 440 Hz temel frekans i\u00e7in 880 Hz, 1320 Hz, 1760 Hz vb.) ve bazen temel frekanstan daha y\u00fcksek genli\u011fe sahip olabilirler. Bu durum, basit bir FFT tabanl\u0131 perde alg\u0131lama algoritmas\u0131n\u0131n yan\u0131lt\u0131c\u0131 sonu\u00e7lar vermesine yol a\u00e7abilir. Algoritma, spektrumdaki en g\u00fc\u00e7l\u00fc piki temel frekans olarak yanl\u0131\u015fl\u0131kla yorumlayabilir ve bu da Erhu akortu i\u00e7in kabul edilemez bir hata pay\u0131 olu\u015fturur. Bu nedenle, sadece spektral analiz yapmak, Erhu gibi karma\u015f\u0131k t\u0131n\u0131lara sahip enstr\u00fcmanlar i\u00e7in yeterli de\u011fildir ve daha geli\u015fmi\u015f perde alg\u0131lama y\u00f6ntemlerine ihtiya\u00e7 duyulur. Bu temel anlay\u0131\u015f, neden otomatik korelasyonun Erhu gibi enstr\u00fcmanlar i\u00e7in daha \u00fcst\u00fcn bir \u00e7\u00f6z\u00fcm oldu\u011funu anlaman\u0131n ilk ad\u0131m\u0131d\u0131r.<\/p>\n Standart perde alg\u0131lama y\u00f6ntemleri, genellikle ses sinyalini frekans alan\u0131na ta\u015f\u0131yarak \u00e7al\u0131\u015f\u0131r. Bu y\u00f6ntemlerin ba\u015f\u0131nda H\u0131zl\u0131 Fourier D\u00f6n\u00fc\u015f\u00fcm\u00fc (FFT) gelir. FFT, bir zaman serisi sinyalini (mikrofondan gelen ham ses verisi gibi) onu olu\u015fturan farkl\u0131 frekans bile\u015fenlerine ayr\u0131\u015ft\u0131r\u0131r. Sonu\u00e7 olarak elde edilen frekans spektrumu, sinyaldeki her bir frekans\u0131n ne kadar g\u00fc\u00e7l\u00fc oldu\u011funu g\u00f6sterir. Bir akort cihaz\u0131 ba\u011flam\u0131nda, bu spektrumdaki en y\u00fcksek genli\u011fe sahip frekans\u0131n, \u00e7al\u0131nan notan\u0131n temel perdesi oldu\u011fu varsay\u0131l\u0131r. Bu yakla\u015f\u0131m, basit sin\u00fcs dalgalar\u0131 veya harmonik yap\u0131s\u0131 nispeten d\u00fczenli ve temel frekans\u0131n her zaman en g\u00fc\u00e7l\u00fc oldu\u011fu enstr\u00fcmanlar i\u00e7in kabul edilebilir sonu\u00e7lar verebilir.<\/p>\n Ancak, Erhu gibi zengin ve karma\u015f\u0131k t\u0131n\u0131lara sahip m\u00fczik aletleri i\u00e7in FFT’nin ciddi s\u0131n\u0131rlamalar\u0131 vard\u0131r. Erhu’nun yay\u0131 ve telleri aras\u0131ndaki etkile\u015fim, sadece temel frekans\u0131 de\u011fil, ayn\u0131 zamanda \u00e7ok say\u0131da \u00fcst harmoni\u011fi (overtone) ve k\u0131smi tonu (partial) da \u00fcretir. Bu \u00fcst harmonikler, temel frekans\u0131n tam katlar\u0131 olabilir ve bazen temel frekanstan daha y\u00fcksek genli\u011fe sahip olabilirler. \u00d6rne\u011fin, bir Erhu’dan \u00e7\u0131kan “Do” notas\u0131n\u0131n temel frekans\u0131 261.6 Hz ise, ayn\u0131 anda 523.2 Hz (ikinci harmonik), 784.8 Hz (\u00fc\u00e7\u00fcnc\u00fc harmonik) gibi frekanslar da \u00fcretilir. E\u011fer \u00fc\u00e7\u00fcnc\u00fc harmonik, temel frekanstan daha g\u00fc\u00e7l\u00fc bir genli\u011fe sahipse, basit bir FFT tabanl\u0131 akort cihaz\u0131 784.8 Hz’i temel perde olarak alg\u0131layabilir. Bu durum, m\u00fczisyene “Do” notas\u0131 yerine “Sol” notas\u0131 \u00e7ald\u0131\u011f\u0131na dair yanl\u0131\u015f bir geri bildirim verir ve akort s\u00fcrecini tamamen bozar.<\/p>\n Bu yan\u0131lt\u0131c\u0131 sonu\u00e7lar, \u00f6zellikle yeni ba\u015flayan Erhu icrac\u0131lar\u0131 i\u00e7in b\u00fcy\u00fck bir problem te\u015fkil eder. Enstr\u00fcman\u0131 do\u011fru akort etmeye \u00e7al\u0131\u015f\u0131rken s\u00fcrekli yanl\u0131\u015f perde g\u00f6stergeleriyle kar\u015f\u0131la\u015fmak, \u00f6\u011frenme s\u00fcrecini sekteye u\u011fratabilir ve m\u00fczisyenin motivasyonunu d\u00fc\u015f\u00fcrebilir. Ayr\u0131ca, FFT’nin \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fc de bir di\u011fer s\u0131n\u0131rlamad\u0131r. FFT’nin frekans \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fc, analiz edilen ses blo\u011funun (pencere – window) uzunlu\u011funa ba\u011fl\u0131d\u0131r. Daha k\u0131sa pencereler daha iyi zaman \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fc sa\u011flarken, frekans \u00e7\u00f6z\u00fcn\u00fcrl\u00fc\u011f\u00fcn\u00fc d\u00fc\u015f\u00fcr\u00fcr; daha uzun pencereler ise tam tersini yapar. Bu, \u00f6zellikle d\u00fc\u015f\u00fck frekansl\u0131 notalar\u0131n hassas bir \u015fekilde alg\u0131lanmas\u0131nda sorun yaratabilir, \u00e7\u00fcnk\u00fc d\u00fc\u015f\u00fck frekanslar daha uzun periyotlara sahiptir ve do\u011fru bir \u015fekilde analiz edilebilmeleri i\u00e7in daha uzun bir sinyal penceresi gerektirir. Bu durum, Erhu’nun genellikle daha d\u00fc\u015f\u00fck perdelerde \u00e7al\u0131nan i\u00e7 teli (nei xian) i\u00e7in daha da belirgin hale gelir.<\/p>\n S\u0131f\u0131r ge\u00e7i\u015f alg\u0131lama (zero-crossing detection) gibi daha basit perde alg\u0131lama y\u00f6ntemleri de benzer \u015fekilde yetersiz kal\u0131r. Bu y\u00f6ntemler, ses dalgas\u0131n\u0131n s\u0131f\u0131r eksenini ge\u00e7ti\u011fi noktalar\u0131 sayarak periyodu tahmin etmeye \u00e7al\u0131\u015f\u0131r. Ancak, karma\u015f\u0131k dalga formlar\u0131na sahip Erhu sesleri, birden fazla s\u0131f\u0131r ge\u00e7i\u015fe sahip olabilir veya g\u00fcr\u00fclt\u00fcden (noise) etkilenebilir, bu da yanl\u0131\u015f periyot ve dolay\u0131s\u0131yla yanl\u0131\u015f perde alg\u0131lamalar\u0131na yol a\u00e7ar. Geleneksel m\u00fczik aletleri, Bat\u0131 m\u00fczi\u011fi enstr\u00fcmanlar\u0131ndan farkl\u0131 olarak, mikrotonal farkl\u0131l\u0131klar ve zengin t\u0131n\u0131lar i\u00e7erir. Bu da standart algoritmalar\u0131n bu n\u00fcanslar\u0131 yakalamakta zorlanmas\u0131na neden olur. \u00d6rne\u011fin, bir T\u00fcrk saz\u0131 veya kemen\u00e7esi de benzer harmonik zenginli\u011fe sahiptir ve bu t\u00fcr enstr\u00fcmanlar i\u00e7in de standart FFT tabanl\u0131 akort cihazlar\u0131 genellikle yetersiz kal\u0131r. Bu durum, bize Erhu ve benzeri enstr\u00fcmanlar i\u00e7in daha sa\u011flam ve g\u00fcvenilir bir perde alg\u0131lama mekanizmas\u0131na olan ihtiyac\u0131 a\u00e7\u0131k\u00e7a g\u00f6stermektedir. \u0130\u015fte tam da bu noktada otomatik korelasyon devreye girerek, bu karma\u015f\u0131k ses yap\u0131lar\u0131n\u0131 daha do\u011fru bir \u015fekilde analiz etme yetene\u011fiyle \u00f6ne \u00e7\u0131kmaktad\u0131r.<\/p>\n Otomatik korelasyon (autocorrelation), bir sinyalin kendisinin gecikmi\u015f (lagged) bir versiyonuyla olan benzerli\u011fini \u00f6l\u00e7en matematiksel bir ara\u00e7t\u0131r. Ses i\u015fleme ba\u011flam\u0131nda, bu, bir ses dalgas\u0131n\u0131n ne kadar periyodik oldu\u011funu ve bu periyodun uzunlu\u011funu belirlemek i\u00e7in kullan\u0131l\u0131r. Periyodik bir ses sinyali, belirli bir zaman aral\u0131\u011f\u0131ndan sonra kendini tekrar eder. Otomatik korelasyon, sinyali farkl\u0131 gecikme s\u00fcreleriyle (lag) kayd\u0131r\u0131r ve her gecikme s\u00fcresi i\u00e7in sinyalin kendisiyle ne kadar \u00f6rt\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc (benzedi\u011fini) hesaplar. En y\u00fcksek benzerli\u011fin (korelasyonun) bulundu\u011fu gecikme s\u00fcresi, sinyalin temel periyodunu g\u00f6sterir. Bu periyot, temel frekans\u0131n tersidir (Frekans = 1 \/ Periyot).<\/p>\n Otomatik korelasyonun perde alg\u0131lamada sa\u011flad\u0131\u011f\u0131 en b\u00fcy\u00fck avantaj, Erhu gibi harmonik a\u00e7\u0131dan zengin enstr\u00fcmanlar\u0131n seslerini \u00e7ok daha do\u011fru bir \u015fekilde analiz edebilmesidir. FFT, frekans spektrumundaki en g\u00fc\u00e7l\u00fc piki ararken, otomatik korelasyon, ses dalgas\u0131n\u0131n genel tekrar eden desenini (pattern) arar. Erhu’nun \u00fcretti\u011fi \u00fcst harmonikler, temel frekans\u0131n katlar\u0131 oldu\u011fu i\u00e7in, t\u00fcm bu harmonikler birlikte temel frekans\u0131n periyodik yap\u0131s\u0131n\u0131 takip eder. Otomatik korelasyon, bu karma\u015f\u0131k dalga formunun tamam\u0131n\u0131n ne zaman tekrar etti\u011fini tespit eder, b\u00f6ylece temel frekans\u0131, \u00fcst harmoniklerin bask\u0131nl\u0131\u011f\u0131ndan etkilenmeden do\u011fru bir \u015fekilde belirleyebilir. Basit bir benzetmeyle a\u00e7\u0131klayacak olursak: FFT, bir orkestradaki en y\u00fcksek sesi \u00e7\u0131karan enstr\u00fcman\u0131 bulmaya \u00e7al\u0131\u015f\u0131rken, otomatik korelasyon, orkestran\u0131n tamam\u0131n\u0131n hangi ritimde \u00e7ald\u0131\u011f\u0131n\u0131 anlamaya \u00e7al\u0131\u015f\u0131r. Orkestradaki bir trompet \u00e7ok y\u00fcksek ses \u00e7\u0131kar\u0131yor olsa bile, otomatik korelasyon orkestran\u0131n genel temposunu, yani temel ritmini yakalar.<\/p>\n Bu sa\u011flaml\u0131k (robustness), otomatik korelasyonu \u00f6zellikle g\u00fcr\u00fclt\u00fcl\u00fc ortamlarda veya karma\u015f\u0131k t\u0131n\u0131lara sahip enstr\u00fcmanlarla \u00e7al\u0131\u015f\u0131rken ideal hale getirir. Bir Erhu notas\u0131n\u0131n ses dalgas\u0131, temel frekans\u0131n yan\u0131 s\u0131ra bir\u00e7ok \u00fcst harmoni\u011fi ve hatta bazen g\u00fcr\u00fclt\u00fc bile\u015fenlerini i\u00e7erir. Otomatik korelasyon algoritmas\u0131, bu karma\u015f\u0131k dalga formunun kendisiyle en iyi e\u015fle\u015fti\u011fi noktay\u0131 bulmaya odakland\u0131\u011f\u0131 i\u00e7in, tek tek harmoniklerin veya g\u00fcr\u00fclt\u00fcn\u00fcn anl\u0131k etkilerinden daha az etkilenir. Bu, daha tutarl\u0131 ve g\u00fcvenilir perde alg\u0131lamas\u0131 anlam\u0131na gelir. \u00d6rne\u011fin, bir Erhu icrac\u0131s\u0131 hafif\u00e7e yanl\u0131\u015f bir yay tekni\u011fiyle bir nota \u00e7ald\u0131\u011f\u0131nda, bu durum spektrumda baz\u0131 harmoniklerin genli\u011fini de\u011fi\u015ftirebilir, ancak otomatik korelasyon hala temel periyodu tespit etme konusunda olduk\u00e7a ba\u015far\u0131l\u0131 olacakt\u0131r.<\/p>\n Matematiksel olarak, otomatik korelasyon fonksiyonu genellikle a\u015fa\u011f\u0131daki gibi ifade edilir: Taray\u0131c\u0131da otomatik korelasyon tabanl\u0131 bir Erhu akort cihaz\u0131 geli\u015ftirmek, modern Web Audio API’nin g\u00fcc\u00fcn\u00fc kullanarak nispeten karma\u015f\u0131k bir dijital sinyal i\u015fleme (DSP – Digital Signal Processing) g\u00f6revini yerine getirmeyi i\u00e7erir. Bu s\u00fcre\u00e7, mikrofon giri\u015fini almaktan, ses verilerini i\u015flemeye ve perdeyi alg\u0131lamaya kadar birka\u00e7 ad\u0131mdan olu\u015fur. \u0130\u015fte ad\u0131m ad\u0131m bir rehber:<\/p>\n \u0130lk ad\u0131m, kullan\u0131c\u0131n\u0131n mikrofonuna eri\u015fmek ve ses verilerini bir Burada, Perde alg\u0131lama d\u00f6ng\u00fcs\u00fc, Yukar\u0131daki Bir akort cihaz\u0131n\u0131n en \u00f6nemli bile\u015fenlerinden biri, kullan\u0131c\u0131ya net ve anla\u015f\u0131l\u0131r geri bildirim sa\u011flamas\u0131d\u0131r. Alg\u0131lanan perdeyi (\u00f6rne\u011fin, \"D4\" veya \"La\") ve hedeflenen notadan ne kadar sapma oldu\u011funu (cent cinsinden) g\u00f6steren bir kullan\u0131c\u0131 aray\u00fcz\u00fc (UI) olu\u015fturmak gerekir. Bu genellikle bir ibre veya renkli bir \u00e7ubuk ile g\u00f6rselle\u015ftirilir. \u00d6rne\u011fin, ibre ortadaysa akort do\u011fru, sa\u011fa kayarsa tiz (keskin), sola kayarsa pes (d\u00fcz) demektir. Renkler de kullan\u0131labilir; ye\u015fil do\u011fru akort, k\u0131rm\u0131z\u0131 ise yanl\u0131\u015f akort anlam\u0131na gelebilir.<\/p>\n Bu ad\u0131mlar, taray\u0131c\u0131da \u00e7al\u0131\u015fan, otomatik korelasyon tabanl\u0131 bir Erhu akort cihaz\u0131n\u0131n temelini olu\u015fturur. Geli\u015fmi\u015f optimizasyonlar ve daha sofistike algoritmalar (YIN gibi) kullan\u0131larak do\u011fruluk ve performans daha da art\u0131r\u0131labilir.<\/p>\n Otomatik korelasyon, standart FFT'ye g\u00f6re daha do\u011fru perde alg\u0131lamas\u0131 sunsa da, \u00f6zellikle taray\u0131c\u0131 ortam\u0131nda ger\u00e7ek zamanl\u0131 \u00e7al\u0131\u015f\u0131rken performans optimizasyonlar\u0131 gerektirebilir. \u0130\u015flem g\u00fcc\u00fc yo\u011fun bir algoritma oldu\u011fu i\u00e7in, kullan\u0131c\u0131 deneyimini (UX) olumsuz etkilememek ad\u0131na dikkatli bir \u015fekilde ele al\u0131nmal\u0131d\u0131r. \u0130\u015fte performans ve ger\u00e7ek zamanl\u0131 akort deneyimini iyile\u015ftirmek i\u00e7in baz\u0131 \u00f6nemli teknikler:<\/p>\n Daha \u00f6nce belirtildi\u011fi gibi, Web Audio API'nin Otomatik korelasyon algoritmas\u0131nda, E\u011fer sadece temel frekans\u0131 alg\u0131lamak istiyorsan\u0131z ve y\u00fcksek frekansl\u0131 harmoniklere ihtiyac\u0131n\u0131z yoksa, ses verilerini daha d\u00fc\u015f\u00fck bir \u00f6rnekleme h\u0131z\u0131na d\u00fc\u015f\u00fcrmek (downsampling), otomatik korelasyon hesaplamalar\u0131n\u0131n karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 azaltabilir. \u00d6rne\u011fin, 44100 Hz yerine 22050 Hz veya hatta 11025 Hz'e d\u00fc\u015f\u00fcrmek, i\u015flenen veri miktar\u0131n\u0131 yar\u0131ya veya \u00e7eyre\u011fe indirir. Ancak bu, y\u00fcksek frekansl\u0131 notalar\u0131n do\u011fruluk pay\u0131n\u0131 etkileyebilir, bu y\u00fczden dikkatli bir denge kurulmal\u0131d\u0131r.<\/p>\n Ses verilerini analiz etmeden \u00f6nce, veri blo\u011funa (pencere - window) bir pencereleme fonksiyonu (\u00f6rne\u011fin Hanning veya Hamming penceresi) uygulamak, sinyal i\u015fleme s\u0131ras\u0131nda olu\u015fabilecek \"spektral s\u0131z\u0131nt\u0131y\u0131\" (spectral leakage) azaltmaya yard\u0131mc\u0131 olur. Bu, algoritman\u0131n daha temiz ve do\u011fru sonu\u00e7lar vermesini sa\u011flar. Ayr\u0131ca, ortam g\u00fcr\u00fclt\u00fcs\u00fcn\u00fc filtrelemek i\u00e7in basit bir genlik e\u015fi\u011fi (amplitude threshold) veya daha geli\u015fmi\u015f g\u00fcr\u00fclt\u00fc azaltma teknikleri kullan\u0131labilir. E\u011fer ses genli\u011fi belirli bir e\u015fi\u011fin alt\u0131ndaysa (yani enstr\u00fcman \u00e7al\u0131nm\u0131yorsa veya \u00e7ok sessizse), perde alg\u0131lama i\u015flemini durdurmak veya g\u00f6z ard\u0131 etmek, yanl\u0131\u015f alg\u0131lamalar\u0131 \u00f6nler.<\/p>\n Performans\u0131n yan\u0131 s\u0131ra, kullan\u0131c\u0131 deneyimi de akort cihaz\u0131n\u0131n ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n Bir vaka analizi olarak, profesyonel bir Erhu oyuncusunun konser \u00f6ncesi h\u0131zl\u0131ca akort yapmas\u0131 gerekti\u011fini d\u00fc\u015f\u00fcnelim. Taray\u0131c\u0131 tabanl\u0131 akort cihaz\u0131n\u0131n saniyeler i\u00e7inde do\u011fru perdeyi alg\u0131lay\u0131p, net bir g\u00f6rsel geri bildirim sunmas\u0131 hayati \u00f6nem ta\u015f\u0131r. E\u011fer cihaz yava\u015f \u00e7al\u0131\u015f\u0131r, yanl\u0131\u015f perde alg\u0131lar veya s\u00fcrekli titrek sonu\u00e7lar verirse, oyuncu sahneye gergin \u00e7\u0131kabilir. Bu nedenle, yukar\u0131da bahsedilen optimizasyonlar, sadece teknik bir gereklilik de\u011fil, ayn\u0131 zamanda ger\u00e7ek d\u00fcnya kullan\u0131m senaryolar\u0131nda m\u00fczisyenin performans\u0131n\u0131 do\u011frudan etkileyen fakt\u00f6rlerdir. Bu optimizasyonlar sayesinde, Erhu gibi geleneksel enstr\u00fcmanlar\u0131n dijital akortu, profesyonel standartlara ula\u015fabilir ve m\u00fczisyenlere g\u00fcvenilir bir ara\u00e7 sunulabilir.<\/p>\n Geleneksel m\u00fczik aletleri, Bat\u0131 m\u00fczi\u011fi enstr\u00fcmanlar\u0131ndan farkl\u0131 olarak, genellikle kendine \u00f6zg\u00fc t\u0131n\u0131lara, mikrotonal perdelere ve zengin harmonik yap\u0131lara sahiptir. Bu \u00f6zellikler, standart dijital akort cihazlar\u0131 i\u00e7in ciddi zorluklar yarat\u0131r. Erhu \u00f6rne\u011finde g\u00f6rd\u00fc\u011f\u00fcm\u00fcz gibi, temel frekans\u0131n g\u00fc\u00e7l\u00fc \u00fcst harmonikler taraf\u0131ndan maskelenmesi, FFT tabanl\u0131 algoritmalar\u0131n yetersiz kalmas\u0131na neden olur. Ancak bu durum sadece Erhu'ya \u00f6zg\u00fc de\u011fildir; T\u00fcrk m\u00fczi\u011findeki saz, kemen\u00e7e, ney gibi enstr\u00fcmanlar da benzer zorluklar\u0131 bar\u0131nd\u0131r\u0131r. \u0130\u015fte bu noktada, otomatik korelasyonun geleneksel \u00e7alg\u0131lar i\u00e7in web tabanl\u0131 akort \u00e7\u00f6z\u00fcmlerindeki rol\u00fc kritik hale gelmektedir.<\/p>\n Hayali bir senaryo d\u00fc\u015f\u00fcnelim: \u0130stanbul'daki bir m\u00fczik akademisi, \u00f6\u011frencilerine geleneksel T\u00fcrk ve Do\u011fu m\u00fczi\u011fi enstr\u00fcmanlar\u0131n\u0131 \u00f6\u011fretirken, akort sorunlar\u0131yla s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131yor. \u00d6zellikle yeni ba\u015flayan \u00f6\u011frenciler, saz\u0131n on iki farkl\u0131 akort d\u00fczeni (d\u00fczen), kemen\u00e7enin hassas entonasyonu veya neyin nefes kontrol\u00fcne dayal\u0131 perde \u00fcretimi gibi konularda zorlanmaktad\u0131r. Piyasadaki standart akort cihazlar\u0131 genellikle bu enstr\u00fcmanlar\u0131n karma\u015f\u0131k harmonik yap\u0131lar\u0131n\u0131 do\u011fru bir \u015fekilde alg\u0131layamamakta, bu da \u00f6\u011frencilerin yanl\u0131\u015f akort yapmas\u0131na ve m\u00fczikal geli\u015fimlerinin sekteye u\u011framas\u0131na neden olmaktad\u0131r. Akademi, bu sorunu \u00e7\u00f6zmek i\u00e7in web tabanl\u0131 bir \"Geleneksel \u00c7alg\u0131lar Akort Platformu\" geli\u015ftirmeye karar verir.<\/p>\n Bu platformun temelinde, her bir enstr\u00fcman\u0131n \u00f6zel ihtiya\u00e7lar\u0131na g\u00f6re optimize edilmi\u015f bir perde alg\u0131lama algoritmas\u0131 yatar. Erhu i\u00e7in oldu\u011fu gibi, saz, kemen\u00e7e ve ney i\u00e7in de otomatik korelasyon veya onun geli\u015fmi\u015f versiyonlar\u0131 (YIN gibi) tercih edilir. Neden mi? Saz\u0131n telleri, tek bir notada bile birden fazla oktavda titre\u015fimler ve zengin harmonikler \u00fcretir. Kemen\u00e7enin yayl\u0131 yap\u0131s\u0131, Erhu'ya benzer \u015fekilde karma\u015f\u0131k dalga formlar\u0131 yarat\u0131r. Neyin ise, \u00fcflenme \u015fekline g\u00f6re de\u011fi\u015fen t\u0131n\u0131lar\u0131 ve alt harmoniklerin (undertones) bask\u0131n olabildi\u011fi durumlar vard\u0131r. Bu enstr\u00fcmanlar\u0131n hepsinde, otomatik korelasyon, sinyalin genel periyodik yap\u0131s\u0131n\u0131 arayarak, spektrumdaki anl\u0131k g\u00fc\u00e7l\u00fc harmoniklerden etkilenmeden temel frekans\u0131 daha do\u011fru bir \u015fekilde tespit edebilir.<\/p>\n Geli\u015ftirilen platformda, her enstr\u00fcman i\u00e7in \u00f6zel akort d\u00fczenleri tan\u0131mlan\u0131r. \u00d6rne\u011fin, saz i\u00e7in \"ba\u011flama d\u00fczeni\", \"bozuk d\u00fczen\", \"misket d\u00fczeni\" gibi se\u00e7enekler sunulur. Kullan\u0131c\u0131 saz\u0131n\u0131 akort ederken, Web Audio API mikrofon giri\u015fini al\u0131r, Bu web tabanl\u0131 \u00e7\u00f6z\u00fcm\u00fcn avantajlar\u0131 saymakla bitmez:<\/p>\n Bu vaka analizi, otomatik korelasyonun sadece Erhu i\u00e7in de\u011fil, genel olarak geleneksel m\u00fczik aletleri i\u00e7in ne kadar \u00f6nemli bir ara\u00e7 oldu\u011funu g\u00f6stermektedir. Web tabanl\u0131 \u00e7\u00f6z\u00fcmlerin g\u00fcc\u00fcyle birle\u015fti\u011finde, bu teknoloji, m\u00fczik e\u011fitimini ve prati\u011fini d\u00f6n\u00fc\u015ft\u00fcrerek, k\u00fclt\u00fcrel miras\u0131n korunmas\u0131na ve modern d\u00fcnyaya entegre edilmesine \u00f6nemli katk\u0131lar sa\u011flayabilir.<\/p>\n Erhu gibi zengin harmonik yap\u0131ya sahip, perdeleri olmayan enstr\u00fcmanlar\u0131n akort edilmesi, tarih boyunca m\u00fczisyenler i\u00e7in hassasiyet ve deneyim gerektiren bir s\u00fcre\u00e7 olmu\u015ftur. Dijital \u00e7a\u011f\u0131n getirdi\u011fi teknolojik imkanlar sayesinde, bu s\u00fcreci kolayla\u015ft\u0131rmak ve daha eri\u015filebilir hale getirmek m\u00fcmk\u00fcn hale gelmi\u015ftir. Bu makalede ele ald\u0131\u011f\u0131m\u0131z gibi, taray\u0131c\u0131 tabanl\u0131 bir Erhu akort cihaz\u0131 geli\u015ftirirken, standart perde alg\u0131lama y\u00f6ntemleri (\u00f6zellikle FFT) Erhu'nun karma\u015f\u0131k t\u0131n\u0131lar\u0131 kar\u015f\u0131s\u0131nda yetersiz kalmaktad\u0131r. Temel frekans\u0131n \u00fcst harmonikler taraf\u0131ndan maskelenmesi, yanl\u0131\u015f akort y\u00f6nlendirmelerine yol a\u00e7arak m\u00fczisyenin deneyimini olumsuz etkileyebilir. \u0130\u015fte bu noktada, otomatik korelasyon algoritmas\u0131, ses sinyalinin genel periyodik yap\u0131s\u0131n\u0131 analiz ederek, bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in \u00e7ok daha sa\u011flam ve do\u011fru bir \u00e7\u00f6z\u00fcm sunmaktad\u0131r.<\/p>\n Otomatik korelasyon, bir sinyalin kendisinin gecikmi\u015f bir versiyonuyla olan benzerli\u011fini \u00f6l\u00e7erek, temel periyodu ve dolay\u0131s\u0131yla temel frekans\u0131 g\u00fcvenilir bir \u015fekilde belirler. Bu yakla\u015f\u0131m, Erhu'nun zengin \u00fcst harmoniklerinden ve k\u0131smi tonlar\u0131ndan etkilenmeden, \u00e7al\u0131nan notan\u0131n ger\u00e7ek perdesini tespit etme yetene\u011fiyle \u00f6ne \u00e7\u0131kar. Web Audio API ve JavaScript gibi taray\u0131c\u0131 teknolojilerini kullanarak, bu g\u00fc\u00e7l\u00fc algoritmay\u0131 do\u011frudan web taray\u0131c\u0131lar\u0131nda \u00e7al\u0131\u015ft\u0131rabiliriz. Erhu akort cihazlar\u0131n\u0131n gelece\u011fi, otomatik korelasyonun sundu\u011fu bu temel f\u0131rsatlar \u00fczerine in\u015fa edilecektir. Bu teknoloji, sadece Erhu i\u00e7in de\u011fil, saz, kemen\u00e7e, ney gibi di\u011fer geleneksel enstr\u00fcmanlar i\u00e7in de benzer akort \u00e7\u00f6z\u00fcmlerinin geli\u015ftirilmesinin \u00f6n\u00fcn\u00fc a\u00e7maktad\u0131r. Bu sayede, geleneksel m\u00fcziklerin ve enstr\u00fcmanlar\u0131n \u00f6\u011frenimi ve icras\u0131 daha eri\u015filebilir hale gelecek, k\u00fclt\u00fcrel miras\u0131n korunmas\u0131na ve modern teknolojiyle entegrasyonuna \u00f6nemli katk\u0131lar sa\u011flanacakt\u0131r. Gelecekte, yapay zeka (AI) ve makine \u00f6\u011frenimi (ML) tekniklerinin otomatik korelasyon algoritmalar\u0131yla birle\u015ftirilmesi, perde alg\u0131lama do\u011frulu\u011funu daha da art\u0131rabilir. \u00d6rne\u011fin, bir Erhu'nun farkl\u0131 \u00e7alma tekniklerinden (vibrato, glissando) kaynaklanan n\u00fcanslar\u0131 anlayabilen ve bunlara g\u00f6re akort geri bildirimi sa\u011flayabilen ak\u0131ll\u0131 akort cihazlar\u0131 geli\u015ftirilebilir.<\/p>\n E\u011fitim alan\u0131nda da bu t\u00fcr web tabanl\u0131 akort cihazlar\u0131 b\u00fcy\u00fck potansiyel ta\u015f\u0131maktad\u0131r. M\u00fczik okullar\u0131 ve e\u011fitimciler, \u00f6\u011frencilerine pratik yaparken kullanabilecekleri, enstr\u00fcmanlar\u0131na \u00f6zel olarak tasarlanm\u0131\u015f, do\u011fru ve eri\u015filebilir akort ara\u00e7lar\u0131 sa\u011flayabilirler. Bu, \u00f6\u011frencilerin enstr\u00fcmanlar\u0131yla daha iyi bir ili\u015fki kurmalar\u0131na, do\u011fru entonasyonu geli\u015ftirmelerine ve m\u00fczikal yolculuklar\u0131nda daha ba\u015far\u0131l\u0131 olmalar\u0131na yard\u0131mc\u0131 olacakt\u0131r. Sonu\u00e7 olarak, otomatik korelasyon, taray\u0131c\u0131da daha iyi bir Erhu akort cihaz\u0131 geli\u015ftirmenin anahtar\u0131d\u0131r ve geleneksel m\u00fczi\u011fin dijital d\u00fcnyada hak etti\u011fi yeri bulmas\u0131na olanak tan\u0131yan \u00f6nemli bir teknolojik ad\u0131md\u0131r.<\/p>\n C: Erhu'nun zengin harmonik yap\u0131s\u0131 ve perdelerin olmamas\u0131, temel frekans\u0131n di\u011fer armoniklerle kar\u0131\u015fmas\u0131na neden olabilir. Standart FFT tabanl\u0131 algoritmalar, en g\u00fc\u00e7l\u00fc frekans\u0131 temel frekans olarak yanl\u0131\u015fl\u0131kla alg\u0131layabilir ve bu da yanl\u0131\u015f akort y\u00f6nlendirmelerine yol a\u00e7ar.<\/p>\n<\/li>\n C: Otomatik korelasyon, bir sinyalin kendisinin gecikmi\u015f bir versiyonuyla ne kadar benzer oldu\u011funu \u00f6l\u00e7er. Periyodik bir ses dalgas\u0131nda, sinyalin kendisiyle en y\u00fcksek benzerli\u011fi g\u00f6sterdi\u011fi gecikme s\u00fcresi (lag), temel frekans\u0131n periyodunu verir. Bu periyot kullan\u0131larak temel frekans hesaplan\u0131r.<\/p>\n<\/li>\n C: Temel bir seviyede, Web Audio API'nin sundu\u011fu ara\u00e7lar ve JavaScript bilgisiyle geli\u015ftirilebilir. Ancak y\u00fcksek do\u011fruluk, performans ve g\u00fcr\u00fclt\u00fcye kar\u015f\u0131 sa\u011flaml\u0131k i\u00e7in optimizasyonlar (AudioWorklet, arama aral\u0131\u011f\u0131 s\u0131n\u0131rlama) ve daha geli\u015fmi\u015f algoritmalar (YIN gibi) \u00f6\u011frenmek gerekebilir.<\/p>\n<\/li>\n C: Hay\u0131r, otomatik korelasyon, gitar, keman, saz, kemen\u00e7e gibi di\u011fer m\u00fczik aletlerinin akordu i\u00e7in de olduk\u00e7a etkilidir. \u00d6zellikle karma\u015f\u0131k t\u0131n\u0131lara sahip, \u00e7ok say\u0131da \u00fcst harmoni\u011fi olan veya mikrotonal yap\u0131daki \u00e7alg\u0131larda standart y\u00f6ntemlere g\u00f6re daha do\u011fru sonu\u00e7lar verir.<\/p>\n<\/li>\n C: Herhangi bir yaz\u0131l\u0131m kurulumuna gerek kalmadan, internet eri\u015fimi olan her cihazdan kullan\u0131labilirlik, h\u0131zl\u0131 geli\u015ftirme d\u00f6ng\u00fcleri, geni\u015f kullan\u0131c\u0131 kitlesine ula\u015fma potansiyeli ve d\u00fc\u015f\u00fck maliyet ba\u015fl\u0131ca avantajlar\u0131d\u0131r. Ayr\u0131ca, g\u00fcncellemeler an\u0131nda t\u00fcm kullan\u0131c\u0131lara ula\u015f\u0131r.<\/p>\n<\/li>\n<\/ul>\n #ErhuAkort #OtomatikKorelasyon #WebAudioAPI #PerdeAlg\u0131lama #M\u00fczikTeknolojisi<\/p>\n","protected":false},"excerpt":{"rendered":"Geleneksel \u00c7in m\u00fczi\u011finin kalbi olan Erhu, kendine \u00f6zg\u00fc t\u0131n\u0131s\u0131 ve ifade g\u00fcc\u00fcyle dinleyenleri b\u00fcy\u00fcleyen, iki telli, yayl\u0131 bir \u00e7alg\u0131d\u0131r.","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-43788","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nnavigator.mediaDevices.getUserMedia({ audio: true })<\/code> metodu kullan\u0131l\u0131r. Bu metod, kullan\u0131c\u0131n\u0131n mikrofonuna eri\u015fim izni ister ve ba\u015far\u0131l\u0131 olursa bir medya ak\u0131\u015f\u0131 (MediaStream) d\u00f6nd\u00fcr\u00fcr. Bu ak\u0131\u015f daha sonra bir AudioContext<\/code> i\u00e7erisine bir MediaStreamSourceNode<\/code> olarak ba\u011flan\u0131r. Ses analizi i\u00e7in ise AnalyserNode<\/code> kritik bir bile\u015fendir. AnalyserNode<\/code>, zaman alan\u0131 (time-domain) ve frekans alan\u0131 (frequency-domain) verilerini \u00e7\u0131karabilir. Zaman alan\u0131 verileri, ses dalgas\u0131n\u0131n anl\u0131k genlik (amplitude) de\u011ferlerini temsil ederken, frekans alan\u0131 verileri (genellikle H\u0131zl\u0131 Fourier D\u00f6n\u00fc\u015f\u00fcm\u00fc – FFT kullan\u0131larak elde edilir), sesin hangi frekans bile\u015fenlerinden olu\u015ftu\u011funu g\u00f6sterir.<\/p>\nStandart Perde Alg\u0131lama Y\u00f6ntemleri ve FFT’nin S\u0131n\u0131rlar\u0131 Nelerdir?<\/h3>\n
Otomatik Korelasyon (Autocorrelation) Nedir ve Perde Alg\u0131lamada Nas\u0131l Bir Avantaj Sa\u011flar?<\/h2>\n
\n R(k) = \u03a3(n=0 to N-k-1) x[n] * x[n+k]<\/code>
\n Burada x[n]<\/code> sinyalin n. \u00f6rne\u011fini, N<\/code> sinyalin toplam \u00f6rnek say\u0131s\u0131n\u0131 ve k<\/code> gecikmeyi (lag) temsil eder. Bu form\u00fcl, sinyalin kendisinin k kadar gecikmi\u015f versiyonuyla \u00e7arp\u0131m\u0131n\u0131n toplam\u0131n\u0131 hesaplar. Bu toplam\u0131n en y\u00fcksek oldu\u011fu k<\/code> de\u011feri, sinyalin periyodunu verir. Baz\u0131 durumlarda, ortalama b\u00fcy\u00fckl\u00fck fark\u0131 fonksiyonu (AMDF – Average Magnitude Difference Function) veya YIN algoritmas\u0131 gibi varyantlar kullan\u0131l\u0131r. AMDF, benzer \u015fekilde gecikmeli sinyal ile orijinal sinyal aras\u0131ndaki fark\u0131n mutlak de\u011ferini minimize etmeye \u00e7al\u0131\u015f\u0131r. YIN (Yet Another Neurotic YIN) ise, otomatik korelasyonun daha geli\u015fmi\u015f bir versiyonu olup, \u00f6zellikle oktav hatalar\u0131n\u0131 (bir notan\u0131n bir oktav yukar\u0131 veya a\u015fa\u011f\u0131 alg\u0131lanmas\u0131) azaltmak ve daha do\u011fru sonu\u00e7lar elde etmek i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bu algoritmalar, Erhu’nun zengin t\u0131n\u0131s\u0131n\u0131n getirdi\u011fi zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in kritik \u00f6neme sahiptir ve taray\u0131c\u0131 tabanl\u0131 akort cihazlar\u0131n\u0131n performans\u0131n\u0131 ciddi \u015fekilde art\u0131r\u0131r.<\/p>\nTaray\u0131c\u0131da Otomatik Korelasyon ile Erhu Akort Cihaz\u0131 Nas\u0131l Geli\u015ftirilir? Ad\u0131m Ad\u0131m Rehber<\/h2>\n
1. Web Audio API Kurulumu ve Mikrofon Eri\u015fimi<\/h3>\n
AudioContext<\/code> i\u00e7erisine y\u00f6nlendirmektir. Bu, Web Audio API’nin temelini olu\u015fturur.<\/p>\n\n const audioContext = new (window.AudioContext || window.webkitAudioContext)();\n let analyser = audioContext.createAnalyser();\n analyser.fftSize = 2048; \/\/ Analiz i\u00e7in \u00f6rnek boyutunu ayarlay\u0131n (2^n olmal\u0131)\n const bufferLength = analyser.fftSize;\n const dataArray = new Float32Array(bufferLength); \/\/ Ses verilerini depolayacak dizi\n\n \/\/ Mikrofon eri\u015fimi iste\u011fi\n navigator.mediaDevices.getUserMedia({ audio: true })\n .then(stream => {\n const source = audioContext.createMediaStreamSource(stream);\n source.connect(analyser); \/\/ Mikrofon ak\u0131\u015f\u0131n\u0131 analiz\u00f6re ba\u011fla\n \/\/ Analiz\u00f6rden gelen verileri i\u015flemeye ba\u015fla\n startPitchDetection();\n })\n .catch(err => {\n console.error(\"Mikrofon eri\u015fimi reddedildi veya hata olu\u015ftu:\", err);\n alert(\"Akort cihaz\u0131n\u0131 kullanmak i\u00e7in mikrofon eri\u015fimine izin vermelisiniz.\");\n });\n <\/code><\/pre>\n<\/p><\/div>\nAudioContext<\/code> ses i\u015fleme grafi\u011fini y\u00f6netir. AnalyserNode<\/code>, ses verilerini zaman veya frekans alan\u0131nda yakalamam\u0131z\u0131 sa\u011flar. fftSize<\/code>, analiz edilecek \u00f6rnek blo\u011funun boyutunu belirler ve 2’nin kuvveti olmal\u0131d\u0131r (genellikle 1024, 2048, 4096 gibi de\u011ferler kullan\u0131l\u0131r). getUserMedia<\/code> ile kullan\u0131c\u0131dan mikrofon izni al\u0131n\u0131r ve ba\u015far\u0131l\u0131 olursa, ak\u0131\u015f bir MediaStreamSourceNode<\/code>‘a ba\u011flan\u0131r ve bu da AnalyserNode<\/code>‘a ba\u011flanarak ses verilerinin al\u0131nmas\u0131n\u0131 sa\u011flar.<\/p>\n2. Ses Verilerini \u0130\u015fleme ve Otomatik Korelasyon Algoritmas\u0131<\/h3>\n
AnalyserNode<\/code>‘dan periyodik olarak zaman alan\u0131 verilerini alarak ve bu verilere otomatik korelasyon algoritmas\u0131n\u0131 uygulayarak \u00e7al\u0131\u015f\u0131r. Modern taray\u0131c\u0131larda bu t\u00fcr a\u011f\u0131r i\u015flemleri ana i\u015f par\u00e7ac\u0131\u011f\u0131n\u0131 (main thread) bloke etmeden yapmak i\u00e7in AudioWorklet<\/code> kullan\u0131lmas\u0131 \u00f6nerilir. Ancak basit bir \u00f6rnek i\u00e7in setInterval<\/code> veya requestAnimationFrame<\/code> i\u00e7inde de yap\u0131labilir.<\/p>\n\n function startPitchDetection() {\n setInterval(() => {\n analyser.getFloatTimeDomainData(dataArray); \/\/ Zaman alan\u0131 verilerini al\n const pitch = detectPitchAutocorrelation(dataArray, audioContext.sampleRate);\n\n if (pitch > 0) {\n \/\/ Alg\u0131lanan perdeyi kullan\u0131c\u0131 aray\u00fcz\u00fcnde g\u00f6ster\n console.log(\"Alg\u0131lanan Perde:\", pitch.toFixed(2), \"Hz\");\n \/\/ Burada perdeyi bir notaya d\u00f6n\u00fc\u015ft\u00fcr\u00fcp, akort bilgisini g\u00f6sterebilirsiniz.\n displayTuningInfo(pitch);\n } else {\n console.log(\"Perde alg\u0131lanamad\u0131.\");\n displayTuningInfo(0); \/\/ Perde bulunamad\u0131\u011f\u0131nda UI'\u0131 s\u0131f\u0131rla\n }\n }, 100); \/\/ Her 100 milisaniyede bir perdeyi kontrol et\n }\n\n \/\/ Basit bir Otomatik Korelasyon (AMDF benzeri) algoritmas\u0131\n function detectPitchAutocorrelation(buffer, sampleRate) {\n const MIN_HZ = 80; \/\/ Erhu'nun en d\u00fc\u015f\u00fck notas\u0131 i\u00e7in ~80 Hz\n const MAX_HZ = 1200; \/\/ Erhu'nun en y\u00fcksek notas\u0131 i\u00e7in ~1200 Hz\n const MIN_SAMPLES = sampleRate \/ MAX_HZ;\n const MAX_SAMPLES = sampleRate \/ MIN_HZ;\n\n let bestLag = -1;\n let bestCorrelation = Infinity; \/\/ AMDF'de minimum de\u011fer en iyi korelasyonu g\u00f6sterir\n\n for (let lag = Math.floor(MIN_SAMPLES); lag <= Math.floor(MAX_SAMPLES); lag++) {\n let correlation = 0;\n for (let i = 0; i < buffer.length - lag; i++) {\n correlation += Math.abs(buffer[i] - buffer[i + lag]);\n }\n \/\/ En d\u00fc\u015f\u00fck korelasyonu ara (AMDF)\n if (correlation < bestCorrelation) {\n bestCorrelation = correlation;\n bestLag = lag;\n }\n }\n\n \/\/ G\u00fcr\u00fclt\u00fc e\u015fi\u011fi kontrol\u00fc eklenebilir\n \/\/ E\u011fer bestCorrelation \u00e7ok y\u00fcksekse, bu g\u00fcr\u00fclt\u00fc olabilir\n if (bestLag > 0 && bestCorrelation \/ buffer.length < 0.05) { \/\/ Basit bir e\u015fik de\u011feri\n return sampleRate \/ bestLag;\n }\n return -1; \/\/ Perde bulunamad\u0131\n }\n\n function displayTuningInfo(pitch) {\n \/\/ Bu fonksiyon, alg\u0131lanan perdeyi (Hz) al\u0131p,\n \/\/ bir notaya (\u00f6rn. D4), sent (cent) fark\u0131na ve\n \/\/ g\u00f6rsel bir g\u00f6stergeye d\u00f6n\u00fc\u015ft\u00fcrecektir.\n \/\/ \u00d6rne\u011fin, 440 Hz -> A4, 0 cent. 441 Hz -> A4, +4 cent.\n \/\/ Detayl\u0131 notaya \u00e7evirme ve g\u00f6rselle\u015ftirme k\u0131sm\u0131 burada yer alacakt\u0131r.\n \/\/ Bu k\u0131s\u0131m i\u00e7in MIDI nota standartlar\u0131 ve cent hesaplamalar\u0131 kullan\u0131labilir.\n if (pitch > 0) {\n const A4 = 440;\n const C0 = A4 * Math.pow(2, -4.75); \/\/ C0 frekans\u0131\n const noteNumber = 12 * Math.log2(pitch \/ C0);\n const nearestNote = Math.round(noteNumber);\n const cent = Math.floor(1200 * Math.log2(pitch \/ (C0 * Math.pow(2, nearestNote \/ 12))));\n const noteNames = [\"C\", \"C#\", \"D\", \"D#\", \"E\", \"F\", \"F#\", \"G\", \"G#\", \"A\", \"A#\", \"B\"];\n const octave = Math.floor(nearestNote \/ 12);\n const noteName = noteNames[nearestNote % 12];\n\n console.log(Nota: ${noteName}${octave}, Cent: ${cent}<\/code>);\n \/\/ UI elementlerini g\u00fcncelleme (\u00f6rn. bir div'in i\u00e7eri\u011fini de\u011fi\u015ftirme)\n \/\/ document.getElementById(\"pitchDisplay\").textContent = ${noteName}${octave}<\/code>;\n \/\/ document.getElementById(\"centDisplay\").textContent = ${cent} cent<\/code>;\n } else {\n console.log(\"Akort bekleniyor...\");\n \/\/ UI elementlerini s\u0131f\u0131rlama\n \/\/ document.getElementById(\"pitchDisplay\").textContent = \"--\";\n \/\/ document.getElementById(\"centDisplay\").textContent = \"--\";\n }\n }\n <\/code><\/pre>\n<\/p><\/div>\ndetectPitchAutocorrelation<\/code> fonksiyonu, AMDF (Average Magnitude Difference Function) benzeri bir yakla\u015f\u0131m kullan\u0131r. Bu yakla\u015f\u0131m, otomatik korelasyonun bir varyant\u0131 olup, sinyalin kendisiyle gecikmeli versiyonu aras\u0131ndaki fark\u0131 minimize etmeye \u00e7al\u0131\u015f\u0131r. En k\u00fc\u00e7\u00fck fark, en iyi periyodu g\u00f6sterir. MIN_HZ<\/code> ve MAX_HZ<\/code> de\u011ferleri, Erhu’nun \u00e7alabilece\u011fi en d\u00fc\u015f\u00fck ve en y\u00fcksek frekanslar\u0131 belirleyerek algoritman\u0131n arama aral\u0131\u011f\u0131n\u0131 optimize eder. Bu, hem performans\u0131 art\u0131r\u0131r hem de yanl\u0131\u015f oktav alg\u0131lamalar\u0131n\u0131 azaltmaya yard\u0131mc\u0131 olur. Ayr\u0131ca, g\u00fcr\u00fclt\u00fcden kaynaklanan yanl\u0131\u015f alg\u0131lamalar\u0131 \u00f6nlemek i\u00e7in basit bir e\u015fik kontrol\u00fc eklenmi\u015ftir (bestCorrelation \/ buffer.length < 0.05<\/code>).<\/p>\n3. G\u00f6rselle\u015ftirme ve Kullan\u0131c\u0131 Geri Bildirimi<\/h3>\n
Performans Optimizasyonlar\u0131 ve Ger\u00e7ek Zamanl\u0131 Akort Deneyimi Nas\u0131l \u0130yile\u015ftirilir?<\/h2>\n
1. AudioWorklet Kullan\u0131m\u0131<\/h3>\n
ScriptProcessorNode<\/code>'u, ana i\u015f par\u00e7ac\u0131\u011f\u0131n\u0131 (main thread) bloke etme riski ta\u015f\u0131d\u0131\u011f\u0131 i\u00e7in eskimi\u015f bir y\u00f6ntemdir. Bunun yerine, ses i\u015fleme g\u00f6revlerini ayr\u0131 bir i\u015f par\u00e7ac\u0131\u011f\u0131na ta\u015f\u0131yan AudioWorklet<\/code> kullanmak, taray\u0131c\u0131n\u0131n yan\u0131t verme h\u0131z\u0131n\u0131 korumak i\u00e7in hayati \u00f6neme sahiptir. AudioWorklet<\/code>, ses verilerini ger\u00e7ek zamanl\u0131 olarak, ana UI i\u015f par\u00e7ac\u0131\u011f\u0131ndan ba\u011f\u0131ms\u0131z bir \u015fekilde i\u015flemenize olanak tan\u0131r. Bu sayede, otomatik korelasyon algoritmas\u0131 arka planda \u00e7al\u0131\u015f\u0131rken, kullan\u0131c\u0131 aray\u00fcz\u00fc sorunsuz bir \u015fekilde g\u00fcncellenebilir.<\/p>\n\n \/\/ AudioWorklet'i kaydetme\n \/\/ audio-processor.js ad\u0131nda ayr\u0131 bir dosya olu\u015fturulur:\n \/\/ class PitchProcessor extends AudioWorkletProcessor {\n \/\/ process(inputs, outputs, parameters) {\n \/\/ const input = inputs[0][0]; \/\/ \u0130lk kanal\u0131n verilerini al\n \/\/ if (!input) return true;\n \/\/ \/\/ Burada detectPitchAutocorrelation fonksiyonunu \u00e7a\u011f\u0131r\u0131n\n \/\/ \/\/ ve sonucu ana i\u015f par\u00e7ac\u0131\u011f\u0131na postMessage ile g\u00f6nderin.\n \/\/ const pitch = detectPitchAutocorrelation(input, sampleRate);\n \/\/ if (pitch > 0) {\n \/\/ this.port.postMessage({ pitch: pitch });\n \/\/ }\n \/\/ return true;\n \/\/ }\n \/\/ }\n \/\/ registerProcessor('pitch-processor', PitchProcessor);\n\n \/\/ Ana i\u015f par\u00e7ac\u0131\u011f\u0131nda AudioWorklet'i y\u00fckleme ve kullanma\n \/\/ audioContext.audioWorklet.addModule('audio-processor.js').then(() => {\n \/\/ const pitchWorkletNode = new AudioWorkletNode(audioContext, 'pitch-processor');\n \/\/ source.connect(pitchWorkletNode).connect(audioContext.destination);\n \/\/ pitchWorkletNode.port.onmessage = event => {\n \/\/ \/\/ Alg\u0131lanan perdeyi al ve UI'\u0131 g\u00fcncelle\n \/\/ displayTuningInfo(event.data.pitch);\n \/\/ };\n \/\/ });\n <\/code><\/pre>\n<\/p><\/div>\nAudioWorklet<\/code> kullan\u0131m\u0131, \u00f6zellikle mobil cihazlarda veya daha yava\u015f i\u015flemcilere sahip bilgisayarlarda akort cihaz\u0131n\u0131n performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/p>\n2. Arama Aral\u0131\u011f\u0131n\u0131 S\u0131n\u0131rland\u0131rma<\/h3>\n
lag<\/code> de\u011ferini (gecikme) t\u00fcm olas\u0131 aral\u0131klarda aramak yerine, enstr\u00fcman\u0131n \u00e7alabilece\u011fi minimum ve maksimum frekans aral\u0131\u011f\u0131na g\u00f6re s\u0131n\u0131rlamak b\u00fcy\u00fck bir performans kazanc\u0131 sa\u011flar. Erhu'nun tipik frekans aral\u0131\u011f\u0131 yakla\u015f\u0131k 80 Hz ile 1200 Hz aras\u0131ndad\u0131r. Bu aral\u0131\u011fa kar\u015f\u0131l\u0131k gelen MIN_SAMPLES<\/code> ve MAX_SAMPLES<\/code> de\u011ferlerini belirlemek, gereksiz hesaplamalar\u0131 ortadan kald\u0131r\u0131r ve algoritman\u0131n daha h\u0131zl\u0131 \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar.<\/p>\n3. \u00d6rnekleme H\u0131z\u0131n\u0131 D\u00fc\u015f\u00fcrme (Downsampling)<\/h3>\n
4. Pencereleme Fonksiyonlar\u0131 ve G\u00fcr\u00fclt\u00fc Y\u00f6netimi<\/h3>\n
5. Kullan\u0131c\u0131 Deneyimi (UX)<\/h3>\n
\n
setInterval<\/code> d\u00f6ng\u00fcs\u00fcn\u00fcn uygun aral\u0131klarla ayarlanmas\u0131 (\u00f6rne\u011fin 50-100 ms) ve AudioWorklet<\/code> kullan\u0131m\u0131yla sa\u011flan\u0131r.<\/li>\nVaka Analizi: Geleneksel \u00c7alg\u0131lar \u0130\u00e7in Web Tabanl\u0131 Akort \u00c7\u00f6z\u00fcmleri ve Otomatik Korelasyonun Rol\u00fc<\/h2>\n
AudioWorklet<\/code> ile arka planda otomatik korelasyon algoritmas\u0131 \u00e7al\u0131\u015ft\u0131r\u0131l\u0131r. Algoritma, alg\u0131lanan perdeyi (Hz cinsinden) belirler ve bu perdeyi se\u00e7ilen akort d\u00fczenindeki en yak\u0131n notayla kar\u015f\u0131la\u015ft\u0131r\u0131r. Kullan\u0131c\u0131 aray\u00fcz\u00fcnde, notan\u0131n ad\u0131 (\u00f6rne\u011fin, \"Re\"), oktav\u0131 ve hedeflenen perdeden ne kadar cent sapt\u0131\u011f\u0131 g\u00f6rsel olarak bir ibre veya renkli \u00e7ubuk ile g\u00f6sterilir. Ye\u015fil renk do\u011fru akortu, k\u0131rm\u0131z\u0131 renk ise sapmay\u0131 belirtir.<\/p>\n\n
Erhu Akort Cihazlar\u0131n\u0131n Gelece\u011fi ve Otomatik Korelasyonun Sundu\u011fu F\u0131rsatlar<\/h2>\n
AudioWorklet<\/code> gibi modern API'ler sayesinde, bu i\u015flem yo\u011fun g\u00f6revler bile ana i\u015f par\u00e7ac\u0131\u011f\u0131n\u0131 bloke etmeden, ger\u00e7ek zamanl\u0131 ve y\u00fcksek performansla ger\u00e7ekle\u015ftirilebilir. Geli\u015ftirilen bu t\u00fcr akort cihazlar\u0131, sadece do\u011fru perde alg\u0131lamas\u0131 sunmakla kalmaz, ayn\u0131 zamanda kullan\u0131c\u0131 deneyimini iyile\u015ftiren g\u00f6rsel geri bildirimler ve optimizasyon teknikleriyle de zenginle\u015ftirilebilir.<\/p>\nS\u0131k\u00e7a Sorulan Sorular<\/h3>\n
\n