Ahenk, VoxCPM2 için Türkçe bir LoRA adaptörüdür: 2B taban model + 36.2 M parametrelik LoRA, 48 kHz, tek bir tasarlanmış kadın sesi (f022), 6 duygu ve gülme, ağırlıklar CC-BY-4.0. GPU gerektirir.
Bu ses yapaydır. f022, VoxCPM2 ile İngilizce bir metin tarifinden tasarlandı; gerçek bir kişinin sesi ya da kaydı değildir. Eğitim seslerinin tamamı yapay zekâ ile üretildi. Ürettiğiniz sesi paylaşırken yapay olduğunu belirtin (AB Yapay Zekâ Yasası md. 50).
This voice is synthetic. It was designed from a text description; it is no real person. Label what you generate as AI-generated.
Küçük model: Ahenk Cep · Kod ve ölçüm düzeneği · English
Küçük model Ahenk Cep'i tarayıcıda deneyin / try the small model Ahenk Cep in your browser: ozguradmin.github.io/ahenk-turkish-tts.
Hepsi yayınlanan kontrol noktasından (voxcpm2-f022-s3tr/step_0000500), 16 adım, cfg 2.0, tohum 0 ya da 1,
trnorm ön ucu, sentez sonrası pause_clean. Yeni sentez yapılmadı; değerlendirme ve dinleme turlarındaki klipler.
| Ne gösteriyor / What it shows | Metin / Text | Talimat / Instruction | Ses / Audio | Seçim / Picked by |
|---|---|---|---|---|
| Gülerek / laughing | Hahaha, bu fıkrayı daha önce hiç duymamıştım! | (Laughing heartily while speaking.) | dinleyici, 2 tohumdan / listener, of 2 seeds | |
| Neşeli / cheerful | Harika haber! Sınavı geçtim, akşam hep birlikte kutlayalım! | (Cheerful and warm, smiling while speaking.) | dinleyici, 2 tohumdan / listener, of 2 seeds | |
| Sakin / calm | Derin bir nefes alın, her şeyi adım adım birlikte halledeceğiz. | (Calm, slow and soothing.) | dinleyici, 2 tohumdan / listener, of 2 seeds | |
| Düz okuma / plain | Eskişehir'den İzmir'e otobüsle gittik. | - | dinleyici, kör 4 sistem / listener, blind, 4 systems | |
| Para, trnorm ile / money via trnorm | İndirimle 99,99 TL'ye düştü.→ İndirimle doksan dokuz lira doksan dokuz kuruşa düştü. | - | dinleyici, kör 4 sistem / listener, blind, 4 systems | |
| Soru çifti: düz cümle / pair: statement | Cihazın garanti süresi 2 yıl.→ Cihazın garanti süresi iki yıl. | - | ölçüm: hatasız, tonlama denetimi geçti / metric: word-perfect, passes the intonation check | |
| Soru çifti: mı sorusu / pair: mı-question | Cihazın garanti süresi 2 yıl mı?→ Cihazın garanti süresi iki yıl mı? | - | ölçüm: hatasız, tonlama denetimi geçti / metric: word-perfect, passes the intonation check | |
| Uzun cümle, eğitimde yok / long, held-out | Karşılaştırma isteyenlere eski ve yeni paketi yan yana anlatırız; farkı müşteri kendisi görür. Akşam olduğunda kısa bir değerlendirme yaparız: hangi sorular arttı, hangi açıklama iyi çalıştı, nerede zorlandık? | - | ölçüm: 20 ayrılmış cümlede hatasız ve en yüksek UTMOS / metric: word-perfect, highest UTMOS of 20 | |
| Kızgın / angry | Yeter artık! Üç gündür aynı sorun için arıyorum ve hâlâ kimse ilgilenmedi! | (Angry tone, voice getting louder.) | dinleyici, 2 tohumdan / listener, of 2 seeds | |
| Üzgün / sad | Ne kadar uğraştıysam da yetişemedim, onunla son kez vedalaşamadım. | (Sad and quiet, with a heavy heart.) |
"Dinleyici" satırları kör dinlemede tek bir anadil dinleyicinin seçtiği kliplerdir (aşağıda). "Ölçüm" satırları otomatik ölçüyle seçildi; dinleyici bunları ayrıca seçmedi. Soru çiftini art arda dinleyin: aynı cümle, bir kez noktayla, bir kez "mı?" ile.
pip install "voxcpm @ git+https://github.com/OpenBMB/VoxCPM@f0c787f0937dc1c9a8f4f64d9a332d9c5da2e629" soundfile scipy
pip install "git+https://github.com/ozguradmin/ahenk-turkish-tts" # trnorm
import json, sys
from pathlib import Path
import soundfile as sf
from huggingface_hub import snapshot_download
from trnorm import normalize
from voxcpm import VoxCPM
from voxcpm.model.voxcpm import LoRAConfig
repo_dir = snapshot_download("ozgurguler/ahenk-tts-tr", allow_patterns=["lora_*", "*.py", "instructions_tr.json"])
sys.path.insert(0, repo_dir)
from instruction_pick import compose, pick # noqa: E402 (stdlib)
from pause_clean import clean # noqa: E402 (numpy + scipy)
lora_cfg = json.loads(Path(repo_dir, "lora_config.json").read_text(encoding="utf-8"))["lora_config"]
tts = VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False, optimize=False,
lora_config=LoRAConfig(**lora_cfg), lora_weights_path=repo_dir)
SR = tts.tts_model.sample_rate # 48 kHz
def say(text: str, emotion: str = "", path: str = "cikti.wav", prefer: str = "auto") -> None:
instruction, model_text, _ = pick(emotion, normalize(text), prefer)
wav = tts.generate(text=compose(instruction, model_text), cfg_value=2.0, inference_timesteps=16, normalize=False)
sf.write(path, clean(wav, SR)[0], SR)
say("Randevunuz 14.10.2026 saat 09:30'da; ücret 1.250 TL.", path="duz.wav")
say("Yeter artık! Bu sorun hâlâ çözülmedi!", "angry", "kizgin.wav")
Referans klip vermeyin: ses LoRA'nın içinde. PyPI'deki voxcpm 2.0.3 de çalışır (lora_config açıkça veriliyor),
ama onun generate()'i seed almaz.
say()'in ikinci argümanı bir duygu adıdır (Türkçe adı da olur) ya da kendi talimatınız. pick() her duygu için
eğitimdeki tek bir ifadeyi kullanır ve dili seçer: metnin ilk iki kelimesinden biri "c" ile başlıyorsa Türkçe talimat,
yoksa İngilizce. Nedeni: İngilizce talimat duyguyu daha güçlü verir ama baştaki "c"yi İngilizce okutur
("Vay canına" → "vey kenına"); Türkçe talimat "c"yi doğru okutur, duyguyu daha hafif verir. prefer="tr" ya da
"en" dili zorlar.
| Duygu | pick() adı | İngilizce talimat | Türkçe talimat |
|---|---|---|---|
| kızgın | angry | Angry tone, voice getting louder. | Kızgın bir ses tonuyla, sesi giderek yükselerek. |
| neşeli | cheerful | Cheerful and warm, smiling while speaking. | Neşeli ve sıcak, konuşurken gülümseyerek. |
| üzgün | sad | Sad and quiet, with a heavy heart. | Üzgün ve sessiz, içi burkularak. |
| sakin | calm | Calm, slow and soothing. | Sakin, yavaş ve yatıştırıcı. |
| şaşkın | surprised | Astonished, with rising intonation. | Şaşkın, yükselen bir tonlamayla. |
| empatik | empathetic | Warm and compassionate, as if comforting someone. | Sıcak ve şefkatli, birini teselli eder gibi. |
| gülerek | laughing | Laughing heartily while speaking. | Konuşurken kahkahalarla gülerek. |
Gülme için "haha" metinde kalmalı; her tohumda gerçek gülme çıkmayabilir. Kural, iki kör dinleme turundaki 20 kararın 18'iyle uyuşuyor (tek dinleyici). Eğitimdeki bütün ifadeler:
| Duygu / Emotion | Önerilen / Recommended | İngilizce aslı / English original | Diğer eğitim ifadeleri / other training wordings |
|---|---|---|---|
| kızgın / angry | Kızgın bir ses tonuyla, sesi giderek yükselerek. | Angry tone, voice getting louder. | Sinirli ve sert, kesik kesik konuşarak.Öfkeli ve tepkili, her kelimede sesi biraz daha yükselerek.Çok kızgın ve bıkmış, sert ve üstüne basa basa konuşarak.Öfkeden deliye dönmüş, keskin ve yüksek sesle, neredeyse bağırarak.Çok sinirli, sesi sertleşmiş, hızlı hızlı konuşarak.Biraz sinirlenmiş, sert ve sabırsız.Biraz kızgın, soğuk ve gergin. |
| neşeli / cheerful | Neşeli ve sıcak, konuşurken gülümseyerek. | Cheerful and warm, smiling while speaking. | Mutlu ve keyifli, parlak ve canlı bir sesle.Cıvıl cıvıl ve şakacı, hareketli bir ritimle.Heyecanlı ve sevinçli, parlak bir sesle hızlı konuşarak.Çok mutlu ve enerjik, coşku dolu.Çok heyecanlı, sevinçten neredeyse gülecek gibi.Biraz neşeli, rahat ve samimi.Tatlı bir mutlulukla, konuşurken hafifçe gülümseyerek. |
| üzgün / sad | Üzgün ve sessiz, içi burkularak. | Sad and quiet, with a heavy heart. | Hüzünlü ve sessiz, yavaş konuşarak.Kederli ve durgun, uzun duraklamalarla.Çok üzgün, yavaş ve alçak sesle, neredeyse fısıldayarak.Derin bir üzüntüyle, sesi alçak ve titrek.Çok üzgün, ağlamaklı.Biraz üzgün ve yorgun, enerjisiz.Hayal kırıklığına uğramış ve morali bozuk, yumuşak ve yavaş. |
| şaşkın / surprised | Şaşkın, yükselen bir tonlamayla. | Astonished, with rising intonation. | Şaşırmış, inanamıyormuş gibi sesi yükselerek.Hayret içinde, beklenmedik bir haber almış gibi.Çok şaşırmış, sesi birden incelerek.Şok olmuş, gözleri fal taşı gibi açılmış, inanamayarak hızlı konuşarak.Son derece şaşkın, sesi bir anda incelerek.Biraz şaşırmış, meraklı ve canlı.Hoş bir şaşkınlıkla, parlak ve yükselen bir sesle. |
| sakin / calm | Sakin, yavaş ve yatıştırıcı. |
Tablo, instructions_tr.json'daki 77 ifadeden eğitimde kullanılan 51 ifadeyi gösterir; kalan 26 ifade (ayrılmış ifadeler ve dinleme yarışmasının ifadeleri) eğitimde yoktu / the table shows the 51 of the 77 wordings in instructions_tr.json that training used; the other 26 (held-out wordings and the listening contest's) were never trained.
inference_timesteps=16, cfg_value=2.0: aşağıdaki ölçümlerin ayarı. 10 adım daha hızlıdır, ölçülmüş
tam bir karşılaştırma yok.normalize=False ve önce trnorm.normalize: model trnorm'un okunuş formuyla eğitildi. VoxCPM'in kendi normalizer'ı
sayıları ve ekleri bozar.pause_clean.clean: duraklardaki nefes sesini kısar (en çok 25 dB), konuşmaya dokunmaz. Kör A/B'de (4 uzun cümle)
temizlenmiş sürümde nefes 4/4 daha az bulundu, doğallık 3'ünde aynı, 1'inde daha iyi.TR-Zor: sayı, tarih, saat, para, kısaltma ve telefon içeren 155 zor cümle. Ayrılmış: Antalia veri setinin 20 uzun
cümlesi (12-19 sn), eğitimde yok. Yargıç faster-whisper large-v3-turbo (beam 5); referans ve çıktı
trnorm.normalize_for_eval ile normalize edildi. WER %, düşük iyi; "hatasız" tek kelime hatası olmayan cümleler.
UTMOS22 strong doğallığı tahmin eder (1-5). RTF: sentez süresi / ses süresi, A100 80 GB, cümle cümle.
| Model | Adım / cfg | TR-Zor WER | TR-Zor hatasız | Ayrılmış WER | Ayrılmış hatasız | UTMOS TR-Zor | UTMOS ayrılmış | RTF |
|---|---|---|---|---|---|---|---|---|
Ahenk (VoxCPM2 2B + LoRA, step_0000500) | 16 / 2.0 | 2.54 | 141/155 | 0.82 | 16/20 | 3.70 | 3.14 | 2.28 |
| Trendyol-TTS (2B + LoRA) | 16 / 2.0 | 3.98 | 134/155 | 0.68 | 16/20 | 3.82 | 3.73 | 1.37 |
| Ahenk Cep† (8.6M) | 16 / 2.0 | 2.32 | 144/155 | 0.95 | 17/20 | 3.44 | 3.18 | - |
| EMA Lightning† (8.6M) + trnorm | 4 / - | 2.43 | 145/155 | 1.49 | 16/20 | 3.36 | 2.95 | - |
| Antalia-2 Mini† (7.6M), kendi ön ucu | - | 3.30 | 140/155 | 1.22 | 16/20 | 3.23 | 2.94 | - |
† Küçük modeller ayrı bir oturumda (RTX 5060 dizüstü, aynı yargıç ve normalizasyon) ölçüldü. Aynı oturumda Ahenk'in klipleri yeniden puanlandı: 2.54 / 0.82 WER, UTMOS 3.69 / 3.13, yani tablodaki satırla ±0.01 içinde. Trendyol-TTS kendi sesiyle konuşur; UTMOS farkının bir kısmı ses ve kayıttan gelebilir.
Bu ölçümün klipleri sentezden sonra pause_clean.py'den geçti (210 klip, 75 nefes kısıldı, toplam 11,7 sn; ayar v1/hp80/L-55dB/max25dB) / the clips of this evaluation went through pause_clean.py after synthesis (210 clips, 75 breaths turned down, 11.7 s in all; settings v1/hp80/L-55dB/max25dB).
TR-Soru: 35 satır (mı soruları, "değil mi", soru sözcüklü ve sonu yükselen sorular, eşli düz cümleler);
score_intonation.py perde tepesinin yerini ve yüksekliğini ölçer. Eşler: sorunun tepesi eşli düz cümleninkinden
yüksek olan çiftler. AUC: mı sorularının tepesi düz cümlelerden ne kadar ayrışıyor (0.5 fark yok, 1 tam ayrım).
| Model | Çıkarım / Inference (timesteps / cfg) | Eşler / pairs | AUC | Kalıba uyan sorular / questions matching the pattern | TR-Soru WER | TR-Soru hatasız / error-free |
|---|---|---|---|---|---|---|
Ahenk (VoxCPM2 2B + LoRA, step_0000500) | 16 / 2.0 | 8/8 | 0.93 | 0.43 | 0.00 | 35/35 |
TR-Zor kategorileri, WER % (hatasız / toplam):
| Kategori / Category | Ahenk | Trendyol-TTS (2B + LoRA) |
|---|---|---|
| sayı / numbers | 0.00 (15/15) | 4.49 (13/15) |
| sıra sayısı / ordinals | 0.00 (12/12) | 0.00 (12/12) |
| tarih / dates | 0.00 (12/12) | 0.00 (12/12) |
| saat / times | 1.59 (11/12) | 1.59 (11/12) |
| para / money | 1.25 (11/12) | 1.25 (11/12) |
| yüzde / percentages | 0.00 (8/8) | 1.92 (7/8) |
| birim / units | 0.00 (12/12) | 1.37 (11/12) |
| telefon numarası / phone numbers | 7.56 (9/12) | 6.72 (9/12) |
| kısaltma (Prof. Dr.) / abbreviations | 1.43 (11/12) | 1.43 (11/12) |
| akronim (TBMM, THY) / acronyms | 8.05 (10/15) | 13.79 (9/15) |
| kısa cevap / short replies | 8.00 (14/15) | 20.00 (12/15) |
| soru / questions | 0.00 (8/8) | 0.00 (8/8) |
| özel yazım (kâğıt, hâlâ) / special spellings | 4.55 (8/10) | 4.55 (8/10) |
Hepsi kör, hepsi tek anadil dinleyiciyle (proje sahibi), her cümlede en iyi bulunan klip seçildi. Bunlar işarettir, istatistiksel sonuç değildir.
pick() bu sonuçtan çıktı.pick() ilk iki kelimeye bakar;
ileride yanlış çıkan bir "c" için prefer="tr".pause_clean kısar.| Taban model | openbmb/VoxCPM2, 2B, Apache-2.0 |
| Adaptör | LoRA r=64, alpha=64; LM (q_proj, v_proj, k_proj, o_proj) + DiT (q_proj, v_proj, k_proj, o_proj); 36.2 M parametre, 138.0 MB |
| Kontrol noktası | voxcpm2-f022-s3tr/step_0000500 (adım 500): aşama 2'nin 1500. adımından başlayan, her talimatlı satırı bir kez İngilizce bir kez Türkçe talimatla gören ince ayar. İngilizce talimatı unutmadan Türkçe talimatı öğrendiği için seçildi; düz okumada 1500. adımla aynı ya da biraz iyi (TR-Zor 2.54 / 2.87). |
lora_weights.safetensors sha256 | 0d6362c273b0dac67787ec966a5bbd719b3850cbfb1df567044df153d9886019 |
| VoxCPM sürümü | OpenBMB/VoxCPM f0c787f0937dc1c9a8f4f64d9a332d9c5da2e629 (eğitim ve ölçüm) |
| Eğitim | Aşama 1: Alania'dan 25 sa, 23.706 klip, düz okuma; 2.000 adım. Aşama 2: f022 sesiyle 4.274 klip, 4,58 sa (düz, sayılı, uzun, soru, duygu, gülme); 1500. adım dinlemeyle seçildi. İnce ayar: 4.916 satır, lr 5e-5, 500 adım. Hepsi A100 80 GB. |
| Ses tasarımı | Referanssız VoxCPM2 tarifi: "Female speaker, in their fifties, a counsellor; low-pitched and velvety; patient and polite delivery at a measured pace; recorded close to the microphone in a quiet studio." ~150 tarif × 2 tohum arasından UTMOS, Whisper CER ve iki kör dinleme turuyla seçildi. Tarif kimseyi anmaz. |
Paketteki yardımcı dosyalar (ahenk-turkish-tts/tts/voxcpm'ten olduğu gibi, Apache-2.0):
| Dosya / File | İçerik / Contents | sha256 |
|---|---|---|
instruction_pick.py | talimatın dilini seçer: ilk iki kelimeden biri c ile başlıyorsa Türkçe, yoksa İngilizce; Vay -> Vaay (yalnız standart kütüphane) / picks the instruction language: Turkish when one of the first two words starts with c, else English; Vay -> Vaay (stdlib only) | 69e5f2de0327e45a1049d161e29c927e9636e6f09beabea7628f349c7410b707 |
pause_clean.py | sentezden sonra duraklardaki nefes sesini kısar (numpy + scipy) / turns breath noise in pauses down after synthesis (numpy + scipy) | a8952114562fff1db399f96d8b14eff2709a5cc79bd4ba8f975d4786af0b68f3 |
onset.py | pause_clean.py'nin kullandığı çerçeve ve perde yardımcıları / the frame and pitch helpers pause_clean.py imports | 3d37228997f6a3936087514c54ab9778851a8a12b83c4b36bd90b6d2d9cc3118 |
instructions_tr.json | İngilizce talimat -> Türkçe karşılığı, 77 ifade / English instruction -> its Turkish wording, 77 wordings | 5d1e18c62fe8ad75863abbca37878aef5730c6787619c4e599d7c454b98882b4 |
| Lisans | |
|---|---|
| Taban model VoxCPM2 (OpenBMB) | Apache-2.0 |
| Alania Turkish Synthetic Speech by PatientDesk AI (aşama 1; tamamı sentetik konuşma) | CC BY 4.0 |
| Alania Turkish Domain Text by PatientDesk AI (aşama 2 metinleri) | CC BY 4.0 |
| Soru, duygu, ünlem ve gülme metinleri, Türkçe talimatlar (bu proje) | Apache-2.0 |
| Bu LoRA'nın ağırlıkları | CC BY 4.0 |
instruction_pick.py, pause_clean.py, onset.py, instructions_tr.json | Apache-2.0 |
Ağırlıkları kullanırken ya da dağıtırken CC BY 4.0 atıf ister. Şöyle yazın: "Ahenk (https://github.com/ozguradmin/ahenk-turkish-tts), CC BY 4.0" ve aşağıdaki Alania atıflarını koruyun:
Bu sürümün eğitiminde Antalia sesi ya da metni yok; yalnız ayrılmış ölçüm cümlelerinin metni Antalia veri setinden (Patientdesk.ai, CC BY 4.0).
CC BY 4.0 altında bunlar lisans şartı değil, ricadır; AB Yapay Zekâ Yasası yükümlülükleri ayrıca geçerlidir.
| Sürüm | Kontrol noktası | Ne değişti |
|---|---|---|
| v1 (Ekim 2026) | voxcpm2-f022-s3tr/step_0000500 | İlk açık sürüm: Türkçe ve İngilizce talimat, instruction_pick, pause_clean |
@misc{guler2026ahenk,
title = {Ahenk: a Turkish LoRA for VoxCPM2 with a designed synthetic voice},
author = "{Ahenk}",
year = {2026},
url = {https://huggingface.co/ozgurguler/ahenk-tts-tr}
}
@misc{voxcpm2,
title = {VoxCPM2},
author = "{OpenBMB}",
year = {2026},
url = {https://huggingface.co/openbmb/VoxCPM2}
}
@misc{alania_tr,
title = {Alania Turkish Synthetic Speech and Alania Turkish Domain Text},
author = "{PatientDesk AI}",
url = {https://huggingface.co/datasets/cloud0day3/alania-synthetic-speech-tr}
}
Sorular, izin ve kötüye kullanım bildirimleri: destek@ozgurguler.tech
Ahenk is a Turkish LoRA adapter for VoxCPM2 (2B base + 36.2 M LoRA, 48 kHz) that speaks in one designed female voice ("f022", no real person), with six emotions and laughter. Weights CC BY 4.0. It needs a GPU.
Samples. The table above: plain reading, a price read through trnorm, a statement/question pair, a long held-out sentence and the emotions. "Listener" rows were picked blind by one native listener; "metric" rows were picked by automatic scores only.
Quick start. The code above: say(text) for plain text, say(text, "angry") for an emotion. Feed the text through
trnorm.normalize, keep normalize=False, pass no reference clip, and run pause_clean.clean on the output.
Emotion and instruction. pick() uses one training wording per emotion and chooses its language: Turkish when one
of the first two words starts with "c", else English. English instructions give stronger emotion but often read a
leading "c" the English way ("Cam" → "Kam"); Turkish ones get the "c" right with milder emotion. prefer="tr" or
"en" forces it. The rule agrees with 18 of 20 blind judgements (one listener).
Evaluation. Same harness for every row (Whisper large-v3-turbo judge, trnorm evaluation normaliser, UTMOS22). Ahenk reads hard text best (TR-Zor WER 2.54 vs Trendyol-TTS 3.98). It loses on predicted naturalness, most on long sentences (UTMOS 3.14 vs 3.73), on held-out WER (0.82 vs 0.68) and on speed (RTF 2.28 vs 1.37). Rows marked † were measured in a separate local session; re-scoring Ahenk there matched within 0.01. Automatic metrics only, no MOS study.
Listening. One listener, blind: in a 10-sentence round against the small models Ahenk was picked 8 times, Ahenk Cep 2, EMA Lightning 0, Antalia-2 Mini 0. In an earlier 20-sentence round (before this checkpoint) our checkpoints won 18, EMA Lightning 2.
Known issues. A leading "c" after an English instruction (use prefer="tr"). Questions without "mı" that should
rise at the end do not (0/4). A bright "phone-like" timbre on some emotional clips (7/20 with English instructions).
Milder emotion with Turkish instructions. Breath in pauses (use pause_clean). Spelled-out acronyms and phone numbers
are the weakest categories. Slower than real time on A100 80 GB (RTF 2.28); not measured on CPU.
Responsible use. Label the output as synthetic (EU AI Act Art. 50); there is no watermark, AudioSeal is an option. No impersonation and no voice cloning without consent. Do not present generated emotion as a real person's reaction. No fraud, scams or robocalls.
Licence. LoRA weights CC BY 4.0 (derived from the Alania datasets; keep the attribution above); base model Apache-2.0; helper files Apache-2.0. Credit it as "Ahenk (https://github.com/ozguradmin/ahenk-turkish-tts), CC BY 4.0". Contact: destek@ozgurguler.tech
| dinleyici, 2 tohumdan / listener, of 2 seeds |
| Empatik / empathetic | Yaşadığınız sorun için gerçekten çok üzgünüm, hemen ilgileniyorum. | (Warm and compassionate, as if comforting someone.) | dinleyici, 2 tohumdan / listener, of 2 seeds |
| Şaşkın / surprised | Vaay canına! Bütün bu emeği tek başına mı verdin? | (Şaşkın, yükselen bir tonlamayla.) | dinleyici, 2 tohumdan / listener, of 2 seeds |
| Şaşkın, "c" ile / surprised, with a "c" | Cidden mi? Yarın gerçekten geliyor musun? | (Şaşkın, yükselen bir tonlamayla.) | dinleyici, 2 tohumdan / listener, of 2 seeds |
Calm, slow and soothing. |
Yumuşak ve dingin, ara ara usulca duraklayarak.Sakin ve güven veren, alçak ve dengeli bir sesle.Çok sakin ve rahat, yumuşak ve yavaş konuşarak.Huzurlu ve telaşsız, meditasyon yaptırır gibi.Çok huzurlu, alçak sesle ve tane tane.Sakin ve dengeli, normalden biraz daha yavaş.Ağırbaşlı ve nazik, düzenli bir tempoyla. |
| empatik / empathetic | Sıcak ve şefkatli, birini teselli eder gibi. | Warm and compassionate, as if comforting someone. | Empatik ve içten, yumuşak bir sesle konuşarak.Sıcak, sabırlı ve güven veren, anlayış dolu.Çok nazik ve şefkatli, yumuşak ve sabırlı.Derin bir anlayışla, şefkatli ve yavaş.Çok şefkatli, yakın bir arkadaşını teselli eder gibi.Biraz endişeli, nazik ve anlayışlı.Nazik ve özür diler gibi, yumuşak ve içten. |
| gülme / laughter | Konuşurken kahkahalarla gülerek. | Laughing heartily while speaking. | Neşeli bir gülüşle konuşarak.Kıkır kıkır gülerek, eğlenerek. |