turkce-vurgu

English: Turkish grapheme-to-phoneme conversion with lexical stress: text → stress-marked IPA for TTS models, without espeak and without dependencies. Handles exceptional stress (place names, loanwords, pre-stressing suffixes such as negative -mA and the question particle mI) and k/g/l palatalization, which espeak gets wrong for Turkish.

Türkçe metni, ses sentezi (TTS) modellerinin girdisi olan vurgu işaretli IPA okunuşa çevirir. espeak gerektirmez, bağımlılığı yoktur.

from turkce_vurgu import g2p

g2p("Ankara'ya gitmedik ama yarın gideceğiz, değil mi?", vurgu=True)
# 'ˈankaɾaja ˈɟitmedic ˈama ˈjaɾɯn ɟideˈdʒeiz, deˈil mi?'

python -m turkce_vurgu "Sapanca gölünün kıyısında yürürken İstanbul'u düşündüm."
saˈpandʒa ɟølyˈnyn kɯjɯsɯnˈda jyˈɾyɾcen isˈtanbuɫu dyʃynˈdym.

Kurulum

pip install turkce-vurgu          # bağımlılıksız
pip install "turkce-vurgu[tam]"   # + turkce-normalize: tarih, saat, para, Roma rakamı, kesir… da okunur

python -m turkce_vurgu "metin" her bağımsız değişkeni ayrı satırda vurgulu okunuşa çevirir.

API:

• g2p(metin, vurgu=False) → IPA okunuş; vurgu=True vurgulu hecenin önüne ˈ koyar.
• normallestir(metin, tam=True) → okunuşa hazırlanmış küçük harfli metin (turkce-normalize kuruluysa önce o çalışır; tam=False yalnız paketin kendi sayı/kısaltma okuyucusu).
• sozcuk_okunusu(sozcuk, kokler, vurgu, son) → tek sözcüğün okunuşu; ozel_kokler(metin) → metindeki özel ad kökleri.
• vurgulu_hece(sozcuk, ozel_kok="", son=False) → vurgulu hecenin sırası (vurgusuz sözcükte None); isaretle(sozcuk) → 'loˈkantada' biçiminde denetim çıktısı; heceler(sozcuk), sezer(sozcuk).
• SEMBOLLER → çıktıda geçebilecek bütün semboller.

Neden

Açık kaynak Türkçe ses modelleri okunuşu çoğunlukla espeak ile çıkarır. espeak'in Türkçesinde vurgu çoğu zaman yanlıştır (ˈAnkara yerine Anˈkara, geˈliyor yerine geliˈyor), k/g/l incelmesi eksiktir. Lisansı da GPL olduğu için ticari ürüne girmesi zordur. Bu paket MIT lisanslıdır ve Türkçe kurallarla çalışır.

Ne yapar

Okunuş (G2P)

• k, g, l ön ünlüyle incelir: kâr → caːɾ, göl → ɟøl, ilk → ilc.
• Uzun ünlüler korunur (â, î, û). ğ önceki ünlüyü uzatır ya da düşer: dağ → daː, ağaç → aatʃ.
• Sayılar, yüzdeler, ondalıklar ve sık kısaltmalar sözcüğe açılır: %12,5 → yüzde on iki virgül beş, 1.250 km → bin iki yüz elli kilometre. turkce-normalize kuruluysa ([tam]) metin önce onunla hazırlanır.
• Yazımda görünmeyen uzun ünlüler ve kural dışı ince l/k/g için okunuş sözlüğü (1.488 sözcük, Vikisözlük): nadir → naːdiɾ, malum → maːlum, metal → metal (ince l), kilometre → cilometɾe. Ekli biçimlerde kök sözlükten, ekler kurallarla okunur.
• Noktalama korunur; modeller duraklama ve tonlamayı noktalamadan öğrenir.

Sözcük vurgusu (vurgu=True): vurgulu hecenin önüne ˈ konur. Kurallar Türkçe vurgu literatüründen alınmıştır (kaynaklar aşağıda). Yöntem Oflazer & Inkelas'ınkiyle aynıdır: sözcükteki bütün vurgu adayları toplanır, en soldaki kazanır, aday yoksa son hece vurgulanır.

Aday	Örnek	Kaynak
Varsayılan: son hece; ekler eklendikçe vurgu sona kayar	kitapˈlar, kitaplarˈdan, bırakaˈcak	I&O 140
Sözlüksel vurgulu kök; ek alsa da vurgu kökte kalır	loˈkantaya, tarˈhanada, ˈşimdi, ˈorada	G&K 27–29, Ink ex.64
Vurgu almayan ekler: vurgu ekten önceki hecede (olumsuzluk -mA-, ek-eylem -(y)DI / -(y)mIş / -(y)sA / -(y)Im, -DIr, -(y)ken, -(y)lA, -CA, -leyin, -CAsInA, emir -(y)In)	ˈgitmedik, oˈkumayacak, okulˈdaymışlar, öğrenˈciyim, kiraˈlıktır, araˈbayla, güˈzelce, ˈtürkçe	I&O 141, Ink ex.61–62, G&K 32–34
Vurgu çeken ekler: vurgu ekin ilk hecesinde (-Iyor, -ArAk, -IncE, -(y)Iver, -(y)Akal, -mAksIzIn)	geˈliyor, yaˈparak, geˈlince, tuˈtuver, bakˈmaksızın	Ink ex.54, 61; G&K
Olumsuz geniş zaman vurgulanır	gelˈmez, bakˈmazdık, yazˈmayız	G&K
Yer adları ve yabancı adlar: Sezer kuralı (Türkçe kişi adları hariç; -istan, -hane hariç)	ˈAnkara'ya, İsˈtanbul'u, Saˈpanca, hindisˈtan, Ahmeˈt'e	Sezer 1981, I&O 143–150
Vurgusuz sözcükler	soru eki mi (misin, midir…), de/da, ki, ya, bile, ise, ile	G&K

Özel adlar büyük harf ve kesme işaretinden tanınır (Serdivan'daki, cümle ortasında Zeynep). Türkiye illeri ve bazı ilçeler cümle başında da tanınır.

Yazımdan çözülemeyen ikiliklerde vurgulanabilir okuma (son hece) seçilir. Örnekler:

• GİTme ("gitme!") / gitME ("gitmek"): tek bağlam ipucu konumdur. Cümle ya da yan cümle sonundaki (ardından noktalama ya da metin sonu gelen) yalın eylem+mA olumsuz emir okunur: acele ˈetme., ˈkorkma! Yerleşik adlar hariç (dondurˈma). Başka yerde son hece: gitˈme.
• -(y)Im ek-eylemi / iyelik;
• yüklem -lAr / çoğul -lAr.

Ek-eylemde iki ayrıntı: var/yok kökten vurgulanır (ˈvarmış, ˈyokmuş, ˈvardır); ad + -(y)mIş vurgu almaz (güˈzelmiş, çoˈcukmuş), eylemden sonra ise zaman eki olarak vurgulanır (gelˈmiş).

Doğruluk

Literatürdeki örnekler (tests/literatur.tsv). Kaynaklarda vurgusu verilmiş 123 sözcük ve çekimli biçim; her satırda kaynağı yazar:

Grup	Doğru
Ek ve kök kuralları (çekimli biçimler)	90 / 90
Sezer kuralı (yer adları, yabancı adlar)	30 / 33
Toplam	120 / 123 (%97,6)

Sezer grubundaki 3 hata (santaMOnika, monTAna, papaDOpulos) Sezer kuralının kaynaktaki tanımıyla da çelişiyor; Inkelas bu adları kural dışı örnek olarak veriyor. Kaynaklar arasında çelişen 2 örnek ve bağlam gerektiren 6 örnek ölçüye katılmadı. Dosyadaki 43 sözlüksel vurgu örneği (ŞİMdi, BELki, YArın…) de toplama girmez: istisna sözlüğünden okunur, hepsi doğrudur. Ölçü: python degerlendirme/literatur.py.

Vikisözlük (degerlendirme/vikisozluk.py, 9.030 sözcük, 5 katlı çapraz doğrulama). Vikisözlük'ün okunuş şablonu vurgu belirtilmezse son heceyi kendiliğinden işaretler. Bu yüzden yalnız son hece dışındaki işaretler güvenilir altın veridir.

• Son hecesi vurgulu sıradan sözcüklerde (adlar, sıfatlar, eylemler) kurallar %98,6–98,9 oranında aynı yeri bulur.
• Son hece dışı vurgulu sözcükler (1.234 sözcük, çoğu yabancı kökenli): sözlüğe girmemiş bir sözcüğün vurgusunu kurallar ancak özel adlarda tahmin edebilir (%62). Bu vurgu tanım gereği sözlükseldir; bütün grupta oran %22,6'dır. Bilinenler turkce_vurgu/veri/istisna.tsv sözlüğündedir (1.203 sözcük).

Karşılaştırma için: espeak-ng'nin Türkçe vurgusu Vikisözlük'le yalnız %55 oranında aynı hecede buluşur (Ghostwriter-Dict ölçümü).

Kaynaklar

• I&O: S. Inkelas & C. O. Orgun (2003). Turkish stress: a review. Phonology 20:139–161.
• Ink: S. Inkelas (1999). Exceptional stress-attracting suffixes in Turkish: representations versus the grammar. The Prosody-Morphology Interface, 134–187.
• G&K: A. Göksel & C. Kerslake (2005). Turkish: A Comprehensive Grammar, s. 26–34.
• Sezer: E. Sezer (1981). On non-final stress in Turkish. Journal of Turkish Studies 5:61–69.
• O&I: K. Oflazer & S. Inkelas. A finite state pronunciation lexicon for Turkish.
• B. Kabak & I. Vogel (2001). The phonological word and stress assignment in Turkish. Phonology 18.
• J. Woodard (2015). Stress rules for Turkish language learners. GIALens 9(1).
• H. Yawney (2018). Toronto Working Papers in Linguistics 40.
• Vikisözlük (Wiktionary) Türkçe maddeleri, kaikki.org dökümü (wiktextract), CC BY-SA 4.0.

Semboller: Çıktı yalnız StyleTTS2'nin (ve Kokoro'nun) 178 sembollük listesindeki sembolleri kullanır. Bu modellerin önceden eğitilmiş metin gömmeleri doğrudan kullanılabilir.

Bilinen sınırlar

• Kurallar sözcük düzeyindedir. Cümle vurgusu (odak) ses modelinin işidir.
• Tam bir biçimbilim çözümleyicisi yoktur. Ekler sözcük sonundaki kalıplardan tanınır; bir ekin gerçekten ek olduğu Vikisözlük kök ve eylem listeleriyle sınanır (güzel+ce ✓, düşün+ce ✗). Belirsiz durumlarda son hece kullanılır.
• Sözlükte olmayan yabancı kökenli sözcüklerin vurgusu tahmin edilemez (son hece varsayılır). Kaynaklı eklemeler turkce_vurgu/vurgu.py içindeki LITERATUR listesine yapılır.

İlgili projeler

• turkce-plbert: bu paketin vurgulu okunuşuyla eğitilmiş Türkçe PL-BERT. StyleTTS2/Kokoro gibi modellerde tonlamayı besler.
• turkce-normalize: metin hazırlama; [tam] ekiyle kullanılır.
• turkce-duygu ve turkce-uslup: cümle tonu ve metin üslubu; aynı seslendirme hattının parçaları.

Test

python -m unittest discover -s tests      # ya da: pytest -q (CI böyle çalıştırır)
python degerlendirme/literatur.py         # literatür sınavı
python degerlendirme/vikisozluk.py        # Vikisözlük ölçüsü; veri/vikisozluk/tr.jsonl (kaikki.org dökümü) ister

Düzen

Yol	İçerik
turkce_vurgu/g2p.py	normalleştirme, harf → IPA, okunuş sözlüğü, g2p
turkce_vurgu/vurgu.py	hece bölme, kök ve ek vurgu adayları, Sezer kuralı, vurgulu_hece
turkce_vurgu/sayi.py	tam sayıların okunuşu
turkce_vurgu/veri/	istisna.tsv (sözlüksel vurgu), okunus.tsv (okunuş), kokler.txt, fiiller.txt, adlar.txt, ozel.txt (Vikisözlük türevi)
degerlendirme/	literatür ve Vikisözlük ölçüleri, sözlük üretimi (sozluk_uret.py); deneysel/ Zemberek denemesi (README)
tests/	birim testleri ve literatur.tsv (kaynaklı vurgu örnekleri)

English summary

Rule-based Turkish grapheme-to-phoneme conversion with lexical stress marking (IPA ˈ), for TTS front-ends. It has no dependencies, is espeak-free and MIT-licensed. It handles palatal k/g/l, long vowels, soft-g, and number and abbreviation expansion. Stress assignment follows the linguistic literature (Inkelas & Orgun 2003; Inkelas 1999; Göksel & Kerslake 2005; Sezer 1981) using the Oflazer & Inkelas leftmost-wins algorithm. It combines lexically stressed roots (1,203 entries from Wiktionary, CC BY-SA), pre-stressing and stress-attracting suffixes, and Sezer stress for place and foreign names.

• On 123 stress examples cited in the literature, 120 are correct (97.6%).
• On final-stressed common words from Wiktionary, the rules agree 98.6–98.9% of the time.
• For comparison, espeak-ng agrees with Wiktionary on the stressed syllable in only 55% of words.

The output uses only StyleTTS2/Kokoro symbols. A Turkish PL-BERT trained on this G2P lives in the sister project turkce-plbert.

Lisans

Kod MIT, bkz. LICENSE. turkce_vurgu/veri/ altındaki sözlük dosyaları Vikisözlük'ten türetildiği için CC BY-SA 4.0'tır (degerlendirme/sozluk_uret.py üretir).