Yüz Değiştirme Yapay Zekası – Ücretsiz, Kayıt Gerektirmez, Filigran Yok

Yüz Değiştirme Yapay Zekası Nedir?

Yüz değiştirme yapay zekası, bir görüntü veya video karesinden insan yüzünü algılayan, çıkaran ve başka bir öznenin başına nakleden, fotogerçekçi bir kompozit üreten bir bilgisayar görüş teknolojisi kategorisidir; bu kompozitte hedef vücut, kaynak yüzü taşıyormuş gibi görünür. Statik bir grafiği üst üste bindiren basit fotoğraf filtrelerinin aksine, yüz değiştirme yapay zekası, gösterilen kişinin kimliğini değiştirirken hedef görüntünün üç boyutlu aydınlatmasını, ten rengini, yüz geometrisini ve ifadesini korur. Sonuç, çoğu uygulamada, sıradan izleme mesafelerinde değiştirilmemiş bir fotoğraf veya videodan ayırt edilemeyen kusursuz bir karışımdır.

Yüz Değiştirme Yapay Zekasının Önemi

Yüz değiştirme yapay zekası, eğlence, profesyonel medya prodüksiyonu, gizlilik savunuculuğu ve dijital güvenlik politikası kesişim noktasında yer alıyor. Bunu doğru anlamak, farklı birçok insan grubu için önem taşıyor.

Yaratıcı ve Ticari Kullanımlar

• Film ve televizyon post prodüksiyonu: Stüdyolar, oyuncuların yaşlarını gençleştirmek, dublörlerin yüzlerini başrol oyuncularının yüzleriyle değiştirmek veya bir oyuncu müsait olmadığında rolü devam ettirmek için yüz değiştirme sistemlerini kullanır. Industrial Light & Magic'in The Mandalorian'daki çalışmaları ve çeşitli yapımlarda oyuncuların ölümünden sonra yeniden yaratılması bunun öne çıkan örnekleridir.
• Reklam ve e-ticaret: Markalar, yeniden çekim yapmadan yerelleştirilmiş kampanya görselleri oluşturmak için modellerin yüzlerini değiştiriyor ve böylece üretim maliyetlerini önemli ölçüde düşürüyor.
• Sosyal medya ve kişisel eğlence: Yüz milyonlarca kullanıcı, mizah, nostalji veya yaratıcı ifade amacıyla ünlülerin, tarihi portrelerin veya arkadaşlarının yüzlerini değiştiriyor.
• Erişilebilirlik ve iletişim: Araştırmacılar, yüzünde deformasyon veya felç bulunan kişilerin video görüşmelerinde normalleştirilmiş bir yüz sunmalarına olanak tanıyan yüz değiştirme sistemleri geliştiriyorlar.

Güvenlik ve Politika Alaka Düzeyi

Meşru yaratıcı çalışmaları mümkün kılan aynı teknoloji, rızasız özel görüntüler (NCII) veya siyasi dezenformasyon da üretebildiği için, yüz değiştirme yapay zekası artık birçok yargı bölgesinde mevzuat konusu haline gelmiştir. Amerika Birleşik Devletleri, Birleşik Krallık, Avrupa Birliği, Avustralya ve Güney Kore, sentetik medyayı özel olarak ele alan yasalar çıkarmış veya yürürlüğe koymuştur. Teknolojinin nasıl çalıştığına dair doğru kamuoyu bilgisi, anlamlı rıza, düzenleme ve tespit için bir ön koşuldur.

Yüz Değiştirme Yapay Zekası Nasıl Çalışır: Teknik Süreç

Modern bir yüz değiştirme sistemi tek bir algoritma değil, uzmanlaşmış modellerden oluşan sıralı bir işlem hattıdır. Her aşama farklı bir alt problemi ele alır. Nihai çıktının kalitesi, her aşamanın ne kadar iyi performans gösterdiğine ve aşamaların ne kadar sorunsuz entegre edildiğine bağlıdır.

Aşama 1: Yüz Algılama ve Referans Noktası Belirleme

Herhangi bir takas işlemi gerçekleşmeden önce, sistemin kaynak ve hedef medyadaki her yüzü bulması gerekir. Üretim düzeyindeki araçların çoğu iki yaklaşımdan birini kullanır:

• RetinaFace veya MTCNN: Yüzdeki 68 veya 106 önemli nokta koordinatını (göz köşeleri, burun ucu, dudak kenarları, çene hattı ve diğer referans noktalarının kesin piksel konumları) ve sınırlayıcı kutuları döndürmek üzere eğitilmiş evrimsel sinir ağları.
• MediaPipe Face Mesh: Google'ın hafif, grafik tabanlı modeli olup, gerçek zamanlı olarak 468 adet üç boyutlu referans noktası döndürür ve mobil ve tarayıcı tabanlı araçlar için uygundur.

Referans noktalarının doğruluğu çok önemlidir çünkü sonraki tüm hizalama işlemleri buna bağlıdır. Göz köşesi tespitinde iki piksellik bir hata, nihai birleşik görüntüde görünür bir hizalama hatasına dönüşür.

Aşama 2: Yüz Hizalama ve Normalizasyon

Referans noktaları belirlendikten sonra, kaynak yüz geometrik olarak dönüştürülür (döndürülür, ölçeklendirilir ve kırpılır), böylece temel referans noktaları hedef yüzün referans noktalarıyla hizalanır. Bu genellikle bir afin dönüşüm veya ince plakalı spline çarpıtma ile yapılır. Amaç, gözlerin her zaman sabit koordinatlarda göründüğü, standart bir 112×112 veya 256×256 piksel kırpma elde etmektir. Bu normalleştirme, sonraki aşama kimlik kodlayıcısının, orijinal görüntünün kamera açısı, mesafesi veya çözünürlüğünden bağımsız olarak yüzleri karşılaştırmasına olanak tanır.

3. Aşama: Kimlik Kodlaması

Normalleştirilmiş kaynak yüz, ArcFace veya CosFace gibi metrik öğrenme hedefleri kullanılarak milyonlarca yüz görüntüsü üzerinde eğitilmiş derin bir evrişimsel ağ olan bir kimlik kodlayıcısından geçirilir. Kodlayıcı, yüzü, genellikle 512 kayan noktalı sayıdan oluşan, kişinin kimliğini (kemik yapısı, göz şekli, burun genişliği, dudak oranları) yakalayan ancak poz, ifade ve aydınlatmayı dışlayan kompakt bir gömme vektörüne sıkıştırır. Bu vektör, "bu kişinin kim olduğu"nun matematiksel temsilidir.

4. Aşama: Yüz Sentezi — Çekirdek Değiştirme Modeli

Kimlik aktarımının gerçekleştiği yer burasıdır. Çağdaş araçlarda çeşitli mimari aileler kullanılmaktadır:

Mimari	Nasıl Çalışır	Güçlü Yönler	Zayıflıklar
GAN tabanlı (örneğin, SimSwap, HifiFace)	Bir üretici ağ, kimlik yerleştirmesine bağlı olarak değiştirilmiş yüzü sentezler; bir ayrıştırıcı ağ ise gerçekçiliği değerlendirir ve eğitimi yönlendirir.	Hızlı çıkarım, keskin dokular, iyi incelenmiş	Eğitim sırasında istikrarsızlık, aşırı pozlarda ara sıra görülen hatalar
Difüzyon tabanlı (örneğin, DiffSwap)	Gürültü giderme difüzyon olasılık modeli, gürültülü bir görüntüyü, hem kimlik hem de arka plan kısıtlamalarını karşılayan bir hedefe doğru yinelemeli olarak iyileştirir.	Son derece yüksek fotogerçekçilik, örtüşmeleri iyi işliyor.	Daha yavaş çıkarım, hesaplama açısından daha pahalı
3B Şekillendirilebilir Model (3DMM) rehberliğinde	Kaynak ve hedef yüze parametrik bir 3D yüz modeli uygular, kimlik parametrelerini aktarır ve ardından yüzü hedef poz ve aydınlatma ile yeniden oluşturur.	Büyük pozisyon değişiklikleri boyunca geometrik olarak tutarlı.	Hassas 3 boyutlu uyum gerektirir; saçta ve kulaklarda sentetik görünebilir.
Dikkat mekanizmalı kodlayıcı-kod çözücü (örneğin, FaceShifter)	İki aşamalı bir ağ önce kaba bir değişim oluşturur, ardından ikinci bir ağ, korunması gereken hedef nitelikleri (saç, gözlük, arka plan) uyarlanabilir bir şekilde entegre eder.	Özellikleri iyi korur, örtüşmeleri yönetir.	İki aşamalı işlem hattı gecikmeyi artırır.

Mimari yapıdan bağımsız olarak, sentez modeli temel bir gerilimi çözmelidir: Kaynak kişinin kimliğini aktarırken, hedef kişinin kafa duruşunu, yüz ifadesini, cilt aydınlatmasını ve gözlük veya saç gibi her türlü örtücü unsuru korumalıdır. Bunlar birbiriyle rekabet eden hedeflerdir ve aralarındaki denge, yüksek kaliteli araçları düşük kaliteli olanlardan ayıran şeydir.

Aşama 5: Son İşlem ve Harmanlama

Oluşturulan yüz bölgesi, görünür dikişler olmadan tam görüntü veya video karesine geri birleştirilmelidir. Bu, birkaç alt adımı içerir:

• Yüz ayrıştırma ve segmentasyon: Semantik bir segmentasyon modeli, her pikseli cilt, saç, kaş, dudak, arka plan vb. olarak etiketler. Bu maske, değiştirilecek yüz bölgesinin kesin sınırını tanımlayarak, hedef yüze ait saç veya kulakların üzerine yazılmasını önler.
• Renk düzeltme: Histogram eşleştirme veya nöral renk aktarımı, sentezlenen yüzün renk dağılımını hedef görüntünün aydınlatma koşullarına uyacak şekilde ayarlar. Bu adım olmadan, değiştirilen yüz genellikle çevredeki sahneye göre çok parlak, çok sıcak veya çok doygun görünür.
• Poisson harmanlama veya alfa birleştirme: Yüz, gradyan alanlı harmanlama (Poisson görüntü düzenleme) veya yumuşak bir alfa maskesi kullanılarak arka plana harmanlanır ve yüz sınırındaki sert kenarlar ortadan kaldırılır.
• Süper çözünürlük (isteğe bağlı): GFPGAN veya CodeFormer gibi araçlar, özellikle kaynak görüntü düşük çözünürlüklü olduğunda, sentez aşamasında kaybolmuş olabilecek ince ayrıntıları (gözenekler, kirpikler, ince kırışıklıklar) büyütebilir ve geri yükleyebilir.

Aşama 6: Zamansal Tutarlılık (Sadece Video)

Videoda yüz değiştirme işlemi yapılırken ek bir zorluk ortaya çıkar: her kare bağımsız olarak işlenir, bu da değiştirilen yüzün kareler arasında titremesine veya hafifçe kaymasına neden olabilir. Üretim kalitesinde video yüz değiştirme sistemleri, bu sorunu zamansal yumuşatma ile çözer; ya bitişik kareler arasında tutarlılığı sağlamak için optik akış yönlendirmeli bükme uygulayarak ya da mevcut kareyi oluştururken önceki kareleri bağlam olarak alan tekrarlayan sinir ağları kullanarak.

Yüksek Kaliteli Yüz Değiştirme Yapay Zekasını Ayırt Eden Temel Kavramlar

Kimlik Koruma vs. Nitelik Koruma

Yüz değiştirme işleminin en önemli kalite ölçütü, kimliği özelliklerden ne kadar iyi ayırdığıdır. Kimlik, bir kişiyi tanınabilir kılan özellikleri ifade eder; yani kişinin kendine özgü yüz geometrisi ve oranları. Özellikler ise geri kalan her şeydir: ifade, bakış yönü, kafa duruşu, cilt aydınlatması, yaş görünümü ve aksesuarlar. Yüksek kaliteli bir yüz değiştirme işlemi, tüm hedef özellikleri korurken kimliği tam olarak aktarır. Kötü bir yüz değiştirme işlemi ise ya kaynak kimliği ikna edici bir şekilde aktaramaz ya da kaynak özelliklerini (örneğin kaynak kişinin ifadesi veya aydınlatması) çıktıya aktarır.

Tek Çekim Yöntemi vs. Çok Çekim Yöntemi

İlk yüz değiştirme sistemleri, kişiye özel bir model oluşturmak için düzinelerce veya yüzlerce kaynak görüntü gerektiriyordu. Tüketici uygulamalarında kullanılan modern tek seferlik yöntemler ise yalnızca tek bir kaynak fotoğraf gerektirir. Bunu, belirli bir birey üzerinde ince ayar yapmak yerine, milyonlarca kişiden eğitim sırasında öğrenilen genel bir gömme alanına kimliği kodlayarak başarırlar. Tek seferlik yöntemler daha hızlı ve daha erişilebilirdir, ancak genellikle kapsamlı görüntüler üzerinde eğitilmiş kişiye özel yöntemlere göre biraz daha düşük kimlik doğruluğu üretirler.

Eğitim Verilerinin Rolü

Yüz değiştirme modelinin gerçekçiliği ve demografik adaletliliği, eğitim veri setinin çeşitliliğine büyük ölçüde bağlıdır. Ağırlıklı olarak açık tenli yüzler üzerinde eğitilen modeller, daha koyu ten tonlarını işlerken sıklıkla yapaylıklar veya renk hataları üretir. Sorumlu geliştirme, dengeli veri setleri ve demografik gruplar arasında açık değerlendirme gerektirir; bu, şu anda tüm ticari araçların karşılamadığı bir standarttır.

Yüz Değiştirme Yapay Zekası ve Benzer Teknolojiler

Yüz değiştirme yapay zekası, bazı bileşenleri paylaşan ancak farklı amaçlara hizmet eden benzer teknolojilerle sıklıkla karıştırılmaktadır:

• Deepfake video: Yüz değiştirme işlemini de içeren ancak ses klonlama, tam vücut kukla oynatma ve durağan bir görüntüden konuşan kafa sentezi gibi unsurları da kapsayan daha geniş bir terimdir. Videolardaki tüm yüz değiştirme işlemleri teknik olarak deepfake'tir, ancak tüm deepfake'ler yüz değiştirme işlemi değildir.
• Yüz canlandırması: Sürüş videosundaki ifadeleri ve baş hareketlerini, kimliği değiştirmeden hedef kişinin yüzüne aktarır. Hedef kişinin görünümü korunur; sadece hareketleri değiştirilir.
• Yüz oluşturma (GAN'lar, yayılım modelleri): Gerçek bir kişinin yüzünü nakletmek yerine, var olmayan kişilerin tamamen sentetik yüzlerini oluşturur. StyleGAN gibi araçlar bu kategoriye girer.
• Artırılmış gerçeklik filtreleri: Algılanan yüz bölgelerine gerçek zamanlı olarak grafik öğeler yerleştirir ancak fotogerçekçi kimlik aktarımı gerçekleştirmez. Snapchat'in yüz değiştirme filtresi, temel teknolojinin basitleştirilmiş, fotogerçekçi olmayan bir versiyonudur.

Yüz Değiştirme Yapay Zekasından En İyi Sonuçları Nasıl Alabilirsiniz: Kapsamlı Bir Strateji

Yüz değiştirme işleminin kalitesi neredeyse tamamen ne girdiğinize bağlıdır. İyi aydınlatılmış, önden çekilmiş ve nötr bir ifadeye sahip kaynak fotoğraf seçin, kaynak ve hedef görüntüler arasındaki aydınlatma koşullarını eşleştirin ve yüksek çözünürlüklü çıktıyı destekleyen bir araç kullanın. Değiştirme işleminden önce, sırasında ve sonrasında yapılandırılmış bir iş akışı izlemek, en yaygın başarısızlık noktalarını ortadan kaldırır.

Adım 1: Doğru Kaynak Fotoğrafı Seçin

Nakledilecek yüzünüzün fotoğrafı, yani kaynak görüntünüz, tüm süreçteki en önemli değişkendir. Kötü bir kaynak fotoğraf, ne kadar gelişmiş olursa olsun, hiçbir yapay zeka modeli tarafından kurtarılamaz.

İdeal Bir Kaynak Fotoğrafın Özellikleri

• Tam önden çekim: Yüz doğrudan kameraya bakmalı veya mümkün olduğunca yakın olmalıdır. Profil çekimleri ve üç çeyrek açılı çekimler, önemli noktaların tespit doğruluğunu önemli ölçüde azaltır.
• Yüksek çözünürlük: Kullanılabilir yüz alanının en az 512×512 piksel olmasını hedefleyin. 1080p veya daha yüksek çözünürlükteki tam görüntüler, modele üzerinde çalışabileceği daha fazla veri sağlar.
• Eşit ve doğal aydınlatma: Yüzün bir tarafında sert gölgelerden, güçlü arka aydınlatmadan veya flaş kaynaklı aşırı parlak alanlardan kaçının. Dağınık gün ışığı veya softbox aydınlatması en temiz sonuçları verir.
• Nötr veya hafif ifade: Geniş açık ağızlar, aşırı gülümsemeler veya kısılmış gözler yüz geometrisini bozar ve karıştırmayı zorlaştırır.
• Hiçbir engelleyici unsur yok: Güneş gözlüğü, yüzü örten saçlar, eller veya maskeler, modelin ihtiyaç duyduğu referans noktalarını engelliyor. Bunları kaldırın veya farklı bir fotoğraf seçin.
• Net odak: Hareket bulanıklığı ve yoğun sıkıştırma bozuklukları, modelin oluşturduğu özellik haritasını bozar. Görüntü %100 yakınlaştırmada bulanık görünüyorsa, daha net bir görüntü bulun.

Adım 2: Doğru Hedef Görüntüyü veya Videoyu Seçin

Hedef, yeni yüzün yerleştirileceği görüntü veya video karesidir. Kaynak ve hedef arasındaki uyumsuzluklar, çoğu insanın kaçınmak istediği tuhaf, bariz bir şekilde sahte sonuçlar yaratır.

Temel Eşleştirme Kriterleri

• Aydınlatma yönü: Hedef görüntü soldan aydınlatılıyorsa, kaynak yüzün de ideal olarak soldan aydınlatılması gerekir. Gölge yönlerinin uyumsuzluğu, amatör yüz değiştirme işlemlerinde en sık rastlanan ipucudur.
• Cilt tonu uyumluluğu: Çoğu modern araç renk düzeltmesini otomatik olarak yapar, ancak cilt tonundaki aşırı farklılıklar yine de görünür geçişlere neden olur. Mümkün olduğunda benzer alt tonlara sahip kaynak görseller seçin.
• Baş açısı: Doğrudan karşıdan çekilmiş bir kaynak yüzün fotoğrafı, 45 derece döndürülmüş bir hedef yüze yerleştirildiğinde bozuk görünecektir. Açıları olabildiğince eşleştirin veya poz düzeltmeyi açıkça destekleyen bir araç kullanın.
• Görüntü çözünürlüğü eşitliği: Düşük çözünürlüklü bir kaynak yüzü yüksek çözünürlüklü bir hedef yüze yerleştirmek, hemen göze çarpan bulanık bir bölge oluşturur. Gerekirse önce kaynak görüntünüzü yükseltin.
• Çerçevedeki yüz boyutu: Hedef görüntüdeki yüz, çerçevenin makul bir bölümünü kaplamalıdır. Geniş açılı çekimlerde çok küçük yüzler, çalışılacak çok az piksel olduğu için genellikle kötü birleştirme sonuçları verir.

3. Adım: Kullanım Durumunuz İçin Uygun Aracı Seçin

Her yüz değiştirme aracı aynı iş için tasarlanmamıştır. Profesyonel bir video projesi için hızlı, tarayıcı tabanlı bir araç kullanmak veya basit bir sosyal medya görseli için karmaşık bir masaüstü uygulaması kullanmak zaman kaybına ve yetersiz sonuçlara yol açar.

Kullanım Durumu	Önerilen Alet Türü	Öncelik Verilmesi Gereken Temel Özellik
Tek fotoğraf, gündelik kullanım	Tarayıcı tabanlı (örn. Reface, Faceswapper.ai)	Hızlı, kayıt olmaya gerek yok.
Tek bir resimde birden fazla yüz	Çoklu yüz desteği olan tarayıcı veya uygulama	Seçici yüz hedefleme
Kısa video klip	Video işleme özelliğine sahip uygulama veya web aracı (örneğin, Vidnoz, Akool)	Kareler arasında zamansal tutarlılık
Uzun metrajlı video veya film	Masaüstü yazılımları (örneğin, DeepFaceLab, FaceFusion)	Parti halinde işleme, hassas ayarlı karıştırma kontrolleri
Gerçek zamanlı yayın veya görüntülü görüşmeler	Sanal kamera eklentileri (örneğin, DeepFaceLive)	Düşük gecikme süresi, GPU optimizasyonu
Ticari veya profesyonel üretim	API tabanlı hizmetler (örneğin, Replicatehosted modelleri)	Ölçeklenebilirlik, çözünürlük kontrolü, filigransız çıktı

Adım 4: Alet Ayarlarını Doğru Şekilde Yapılandırın

Çoğu kullanıcı varsayılan ayarları kabul eder ve sonuçların neden vasat göründüğünü merak eder. Yapılandırmaya iki dakika ayırmak, sürekli olarak daha iyi sonuçlar verir.

Ayarlanmaya Değer Ayarlar

• Yüz iyileştirme/onarım: GFPGAN, CodeFormer veya benzeri yüz onarım modelleri üzerine kurulu araçlar, yerleştirme sonrasında değiştirilen yüzü keskinleştirebilir ve düzeltebilir. Bu özellik mevcut olduğunda etkinleştirin; bu, yapay ve aşırı pürüzsüz görünümü önemli ölçüde azaltır.
• Karışım gücü veya maske yumuşatma: Eğer araç bunu gösteriyorsa, daha yumuşak bir maske kenarı yüzü hedef arka plana daha doğal bir şekilde entegre eder. Sert kenarlar, aydınlatma uyumsuzluğundan sonra en sık görülen ikinci belirtidir.
• Çıkış çözünürlüğü: Her zaman mevcut en yüksek çıkış çözünürlüğünü seçin. Sonradan çözünürlüğü düşürmek kolaydır; düşük çözünürlüklü bir sonucu, takas işlemini yeniden çalıştırmadan yükseltmek kolay değildir.
• Renk düzeltme modu: Bazı araçlar histogram eşleştirme veya LAB renk aktarımı sunar. Kaynak ve hedefte belirgin şekilde farklı renk tonları olduğunda bunları kullanın.
• Kare enterpolasyonu (yalnızca video): Video yüz değiştirme işlemlerinde, zamansal yumuşatma veya kare enterpolasyonunu etkinleştirmek, video yüz değiştirme işlemlerinde en sık görülen kusur olan kareler arasındaki titremeyi önler.

Adım 5: Çıktıyı Gözden Geçirin ve Son İşlemden Geçirin

En iyi yapay zeka destekli model bile nadiren %100 kaliteyle modelden çıkar. Kısa bir inceleme ve hafif bir son işlem, profesyonel görünümlü sonuçları bariz sahteliklerden ayırır.

Dışa Aktarma İşleminden Hemen Sonra Kontrol Edilmesi Gerekenler

• Kenar yumuşatma: Saç çizgisine ve çeneye yakınlaştırın. Sert bir çizgi, renk uyumsuzluğu veya hale görüyorsanız, maskenin yumuşatılması gerekiyor. Photoshop veya GIMP'te, maske kenarına 2-5 piksellik bir Gauss bulanıklığı uygulamak genellikle bu sorunu çözer.
• Cilt dokusu tutarlılığı: Değiştirilen yüzün, çevredeki ciltle benzer bir doku ve gren yapısına sahip olması gerekir. Yüz, boyun ve kulaklara kıyasla çok pürüzsüz görünüyorsa, az miktarda gürültü veya doku katmanı ekleyin.
• Gölge ve vurgu sürekliliği: Değiştirilen yüzdeki gölgelerin, görüntünün geri kalanındakiyle aynı yöne düştüğünden emin olun. Eğer aynı yöne düşmüyorlarsa, bunları manuel olarak düzeltmek için eğriler veya aydınlatma-karanlıklaştırma ayarı kullanın.
• Göz ve diş keskinliği: Bunlar insan algısının en hassas olduğu alanlardır. Eğer yumuşak görünüyorlarsa, seçici keskinleştirme uygulayın.
• Video titremesi: Dışa aktarmadan önce klibin tamamını normal hızda izleyin. Titreme genellikle kare geçişlerinde ortaya çıkar ve zamansal tutarlılık etkinleştirilerek yeniden çalıştırılmasını veya bir düzenleyici programda kare kare manuel düzeltme yapılmasını gerektirir.

Kaçınılması Gereken Yaygın Hatalar

Yüz değiştirme işlemlerindeki başarısız sonuçların büyük çoğunluğu aşağıdaki hatalardan kaynaklanmaktadır. Bunlardan kaçınmak için tek yapmanız gereken farkındalık sahibi olmaktır.

Teknik Hatalar

• Sıkıştırılmış veya düşük çözünürlüklü kaynak fotoğraf kullanmak. JPEG sıkıştırma bozulmaları, yer işareti tespit modellerini yanıltır. Her zaman mevcut olan en yüksek kaliteli kaynak görüntüyü kullanın.
• Açı uyumsuzluğunu göz ardı etmek. Poz duyarlı bir model olmadan önden bir yüzü döndürülmüş bir kafaya yerleştirmek, çarpık ve geometrik olarak yanlış bir sonuç üretir. Ya açıları eşleştirin ya da poz varyasyonunu açıkça ele alan bir araç kullanın.
• Yüz restorasyonu sonrası işlemeyi atlıyoruz. Çoğu takas modelinin ham çıktısı biraz bulanıktır. Bunu GFPGAN veya CodeFormer'dan geçirmek saniyeler sürer ve gözle görülür bir fark yaratır.
• Video araçlarını durağan görüntüler için kullanmak. Video odaklı araçlar genellikle işleme başlamadan önce kareleri örnekleme oranını düşürür. Durağan fotoğraflar için her zaman fotoğrafa özel bir işlem hattı kullanın.
• Birden fazla yüzün algılanıp algılanmadığı kontrol edilmiyor. Hedef görüntü birden fazla yüz içeriyorsa, aracın doğru olanı değiştirdiğinden emin olun. Birçok araç varsayılan olarak en büyük veya en ortadaki yüzü seçer; bu da sizin hedeflediğiniz yüz olmayabilir.

İş Akışı Hataları

• Son çıktıyı incelemeden doğrudan yüklemek. Paylaşmadan veya yayınlamadan önce sonucu her zaman %100 yakınlaştırma ile inceleyin. Küçük resimde görünmeyen kusurlar, tam çözünürlükte belirgin hale gelir.
• Her iş için tek bir araca güvenmek doğru değil. Hiçbir araç her şeyde en iyisi değildir. Tarayıcı araçları sıradan fotoğraflar için hızlıdır; masaüstü yazılımları ise zorlu projeler için kontrol sağlar. Her göreve tek bir çözüm uygulamak yerine, kısa bir araç seti oluşturun.
• Filigranları işlem tamamlanana kadar görmezden gelin. Bazı ücretsiz araçlar filigranları yalnızca indirme sırasında uygular. Bir projeye zaman ayırmadan önce, çıktı çözünürlüğünü ve filigran politikasını kontrol edin, sonrasında değil.
• Tüm videoyu işledikten sonra tek bir kare üzerinde test yapın. Ayarların düzenlenmesi gerektiğinde, tam video render işlemine geçmeden önce her zaman tek bir kare testi yapın. Bu, önemli ölçüde işlem süresinden tasarruf sağlar.

Etik ve Hukuki Hatalar

• Tanınabilir kişilerin yüzlerini izinsiz olarak değiştirmek. Birçok yargı bölgesinde, gerçek kişilerin izni olmadan gerçekçi sentetik medya oluşturmak, gizlilik yasasının, görüntü haklarının veya belirli deepfake mevzuatının ihlali anlamına gelir. Bu, bazı bölgelerde özel, yayınlanmamış kullanım için bile geçerlidir.
• Yüz değiştirme çıktısını telif hakları alınmadan ticari amaçlarla kullanmak. Kaynak veya hedef görüntüde tanınabilir bir kişi varsa, model izni olmadan çıktıyı ticari olarak kullanmak, yapay zeka aracının hizmet şartlarından bağımsız olarak yasal risk oluşturur.
• Platformun hizmet şartlarının yapay zeka tarafından oluşturulan yüz değiştirme işlemlerine izin verdiğini varsayarsak. Birçok sosyal medya platformu, stok fotoğraf sitesi ve içerik pazarı, gerçek kişilerin sentetik medyasına açıkça yasak getirmiştir. Yayınlamadan önce kontrol edin.

Belirli Senaryolar İçin Optimizasyon

Birden fazla yüzün yer aldığı grup fotoğrafları

Algılanan tüm yüzleri toplu olarak değiştirmek yerine, seçici yüz hedeflemeyi destekleyen bir araç seçin. Her birey için açıkça etiketlenmiş kaynak görüntüleri yükleyin. Her seferinde bir yüzü işleyin ve sonuçları bir fotoğraf düzenleyicide birleştirerek her bir değişimi bağımsız olarak tam kontrol altında tutun.

Tarihsel veya Düşük Kaliteli Hedef Görüntüler

Yüz değiştirme işleminden önce hedef görüntüyü Real-ESRGAN gibi bir büyütme modelinden geçirin. Bu, yüz değiştirme modeline çalışabileceği daha fazla piksel verisi sağlar ve daha temiz bir karışım üretir. Değiştirme işleminden sonra, hem değiştirilen yüze hem de çevredeki görüntüye stilistik olarak eşleşmeleri için tutarlı film greni veya döneme uygun doku uygulayın.

Kamera Hareketi İçeren Video

Kamera hareketi, yüzün konumunun, ölçeğinin ve açısının kareler arasında değişmesine neden olur. Statik kare kare yaklaşım yerine, yerleşik yüz izleme özelliğine sahip bir araç kullanın. Eğer araçta izleme özelliği yoksa, işleme öncesinde videoyu post prodüksiyonda sabitleyin, ardından düzenleme yazılımınızdan dışa aktarılan hareket verilerini kullanarak orijinal kamera hareketini yeniden ekleyin.

Yüz Değiştirme Yapay Zeka Araçları, Platformları ve Otomasyonu

En iyi yüz değiştirme yapay zeka araçları kullanım senaryosuna göre farklılık gösterir: tüketici uygulamaları kolaylık ve hıza öncelik verirken, profesyonel platformlar toplu işlem ve API erişimi sunar ve AutoSEO gibi otomasyon katmanları yüz değiştirme iş akışlarını doğrudan ve büyük ölçekte içerik işlem hatlarına bağlar.

Tüketiciye Yönelik Yüz Değiştirme Araçları

Çoğu kullanıcı, kurulum gerektirmeyen tarayıcı tabanlı veya mobil araçlarla başlar. Bu kategorideki en güçlü seçenekler birkaç ortak özelliğe sahiptir: tek seferde yükleme kolaylığı, hızlı çıkarım (fotoğraflar için 10 saniyenin altında) ve sosyal medyada paylaşım için yeterli çıktı kalitesi. Başlıca araçlar şunlardır:

• Reface – Mobil öncelikli, video özellikli, geniş şablon kütüphanesine sahip; eğlence ve meme oluşturmak için ideal.
• Akool – Fotoğraf ve video yüz değiştirme işlemlerini, kareler arasında kimlik tutarlılığı sağlayarak destekler; pazarlama ekiplerine yöneliktir.
• DeepSwap – Birden fazla yüzün yer aldığı sahneleri ve birkaç dakikaya kadar olan video klipleri işler; abonelik tabanlıdır ve filigransız dışa aktarma imkanı sunar.
• FaceSwapper.ai – Temel yüz değiştirme işlemleri için kayıt olmaya gerek yok; tek seferlik kişisel projeler için kullanışlı.
• Vidnoz – Yüz değiştirme özelliğini yapay zeka destekli video oluşturucuyla birleştirerek kısa formatlı içerik üreticileri için pratik bir çözüm sunuyor.
• Pixlr ve Fotor – Birçok özelliği arasında yüz değiştirme özelliği de bulunan genel yapay zeka fotoğraf düzenleme uygulamaları; halihazırda düzenleme iş akışında olan kullanıcılar için ideal.

Profesyonel ve API Düzeyinde Araçlar

Ürün geliştiren veya yüksek hacimli içerik operasyonları yürüten ekiplerin, programatik kontrolü sağlayan araçlara ihtiyacı vardır. Bu platformlar tüketici düzeyinin ötesine geçer:

• Runway ML – Yapay zekâ destekli yüz ve vücut manipülasyonu ile kare hassasiyetinde video düzenleme; film ve reklam prodüksiyonunda kullanılır.
• Stability AI / InsightFace ile Kararlı Yayılım – Tamamen özelleştirilebilir işlem hatlarına olanak tanıyan açık kaynaklı bir yazılım yığını; teknik kurulum gerektirir ancak model ağırlıkları ve çıktı çözünürlüğü üzerinde maksimum kontrol sağlar.
• Rodin / HeyGen – Avatar ve sözcü videoları oluşturmaya odaklanmıştır; yüz değiştirme özelliği daha geniş bir sentetik video iş akışına entegre edilmiştir.
• Replicate.com – Açık kaynaklı yüz değiştirme modellerini (örneğin, roop, SimSwap) çağrılabilir API'ler olarak sunar; çıkarım başına ödeme fiyatlandırması aralıklı kullanıma uygundur.

En İyi Yüz Değiştirme Yapay Zeka Araçlarının Karşılaştırılması

Alet	Fotoğraf Değişimi	Video Değişimi	API Erişimi	Ücretsiz Katman	Filigransız	En İyisi İçin
Yeniden yüzey	Evet	Evet	HAYIR	Sınırlı	Sadece ücretli	Eğlence, sosyal
Akool	Evet	Evet	Evet	Deneme kredileri	Evet (ücretli)	Pazarlama ekipleri
DeepSwap	Evet	Evet	HAYIR	Filigranlı	Sadece ücretli	İçerik oluşturucular
FaceSwapper.ai	Evet	HAYIR	HAYIR	Evet	Evet	Hızlı tek seferlik takaslar
Çoğalt (roop)	Evet	Evet	Evet	Kullanım başına ödeme	Evet	Geliştiriciler, işlem hatları
HeyGen	HAYIR	Evet	Evet	Deneme kredileri	Evet (ücretli)	Sözcü videosu
Pist ML	Evet	Evet	Evet	Sınırlı	Evet (ücretli)	Film, reklam

AutoSEO ile Yüz Değiştirme İş Akışlarını Otomatikleştirme

Ürün sayfaları, yerelleştirilmiş reklam görselleri, influencer kampanya varyantları gibi büyük ölçekte yüz değiştirme içerikleri üreten içerik ekipleri için manuel araç kullanımı bir darboğaz haline gelir. AutoSEO, yüz değiştirme yapay zeka API'lerini doğrudan otomatikleştirilmiş içerik işlem hatlarına bağlayarak bu sorunu çözüyor. İnsan tarafından kaynak görsellerin tek tek yüklenmesi yerine, AutoSEO tüm süreci yönetiyor: içerik kütüphanesinden kaynak görselleri çekiyor, bir yüz değiştirme API'sini (Akool veya Replicate gibi) çağırıyor, marka güvenli çıktı kurallarını uyguluyor ve bitmiş görselleri veya videoları manuel müdahale olmadan doğru hedefe (bir CMS, reklam platformu veya ürün akışı) gönderiyor.

Bu, SEO odaklı içerik stratejileri için pratik açıdan önemlidir. Yüzlerce ürün sayfası yöneten bir perakendeci, aynı ürünü giyen farklı yüzleri gösteren yaşam tarzı görsellerini otomatik olarak oluşturabilir. Yerelleştirilmiş içerik üreten bir yayıncı, bölgesel kampanyalara uyacak şekilde sözcü yüzlerini değiştirebilir. AutoSEO'nun işlem hattı mantığı ayrıca kalite kontrollerini de ele alır: yüz değiştirme güven puanı bir eşiğin altına düşerse, içerik otomatik olarak yayınlanmak yerine insan incelemesi için işaretlenir. Sonuç olarak, iş gücü maliyetinde orantılı bir artış olmadan hacmin arttığı ve marka tutarlılığının manuel kalite kontrolü yerine programatik olarak sağlandığı bir sistem elde edilir.

Yüz Değiştirme Yapay Zeka Çıktılarının Başarısını Nasıl Ölçebiliriz?

Yüz değiştirme yapay zekasının başarı ölçütleri kullanım senaryosuna bağlıdır. Teknik kalite çıktı düzeyinde, etkileşim dağıtım düzeyinde ve uyumluluk yönetim düzeyinde ölçülmelidir.

Teknik Kalite Ölçütleri

• Kimlik koruma puanı – Değiştirilen yüzün kaynak kimliğe ne kadar benzediğini gösterir. ArcFace kosinüs benzerlik puanları (0-1 ölçeğinde 0,6'nın üzerinde hedef) gibi araçlar niceliksel bir temel sağlar.
• Karıştırma hatası oranı – Görünür kenar hataları, renk uyumsuzlukları veya aydınlatma tutarsızlıkları içeren çıktıların yüzdesi. Manuel kontrol veya otomatik algısal kalite modelleri (BRISQUE, NIQE) bunları tespit edebilir.
• İşlem gecikmesi – Yüklemeden nihai çıktıya kadar geçen süre. Gerçek zamanlı uygulamalar için 3 saniyenin altındaki gecikme pratik eşiktir; toplu iş akışları için ise işlem hızı (dakikada görüntü sayısı) daha önemlidir.
• Çözünürlük korunumu – Çıktının kaynak görüntünün çözünürlüğünü koruyup korumadığı veya düşürüp düşürmediği. İşlem öncesi ve sonrası piksel boyutlarını ve keskinlik puanlarını kontrol edin.

Etkileşim ve İş Metrikleri

• Reklam görsellerindeki tıklama oranı (CTR) – Yüz çeşitliliğinin veya kişiselleştirmenin CTR üzerindeki etkisini belirlemek için, yüz değiştirilmiş varyantlar orijinal görsellerle karşılaştırılarak A/B testi yapılmıştır.
• Sayfada geçirilen süre ve kaydırma derinliği – Yüz değiştirme görselleri kullanan editoryal içerik için, etkileşimi hazır fotoğraf kullanan sayfalarla karşılaştırın.
• Dönüşüm oranı – E-ticaret uygulamaları (sanal deneme, ürün yaşam tarzı görselleri) için, yüz değiştirme yöntemiyle oluşturulan görsellerin sepete ekleme veya satın alma oranlarını artırıp artırmadığını takip edin.
• Sosyal medya paylaşım oranı – Eğlence odaklı yüz değiştirme içerikleri, TikTok ve Instagram gibi platformlardaki paylaşım, kaydetme ve yeniden düzenleme eylemleriyle ölçülebilir.

Uyumluluk ve Güvenlik Ölçütleri

• Onay belgelendirme oranı – Kullanılan tüm kimlikler için doğrulanmış onay kayıtlarına sahip yüz değiştirme çıktılarının yüzdesi. Yayınlanan tüm içerikler için bu oran %100 olmalıdır.
• Kaynak etiketleme kapsamı – Çıktıların C2PA veya eşdeğer meta verilerle yapay zeka tarafından oluşturulduğunu işaretleyip işaretlemediği. Özellikle platform politikaları sıkılaştıkça, bunu bir uyumluluk KPI'sı olarak izleyin.
• Kaldırma veya şikayet oranı – Yapay zeka tarafından oluşturulan yüz içerikleriyle ilgili platform uyarılarını veya kullanıcı şikayetlerini izleyin. Artan oran, bir politika veya kalite sorununa işaret eder.

SSS

Yüz değiştirme (face swap) ve deepfake arasındaki fark nedir?

Yüz değiştirme, daha geniş bir teknik kategoridir: yapay zeka kullanarak bir fotoğraf veya videodaki bir yüzü başka bir yüzle değiştirmek. Deepfake ise, özellikle gerçek kişilerin rızası olmadan gerçekçi ancak uydurma görüntüler oluşturmak için kullanıldığında, videoya uygulanan yüz değiştirme için kullanılan, genellikle olumsuz bir terimdir. Tüm yüz değiştirmeler deepfake değildir; eğlence amacıyla kendi yüzünüzü bir film karakterine yerleştirmek bir yüz değiştirmedir; bir kamu figürünün asla söylemediği bir şeyi söylediğini uydurmak ise deepfake'tir. Temel teknoloji önemli ölçüde örtüşse de, bu ayrım yasal ve etik açıdan önemlidir.

Yapay zekâ destekli yüz değiştirme özelliği videolarda da çalışabilir mi, yoksa sadece fotoğraflarda mı?

İkisi de. Fotoğraf yüz değiştirme, tek bir kareyi içerdiği için daha hızlı ve teknik olarak daha basittir. Video yüz değiştirme ise, modelin yüzlerce veya binlerce karede kimlik tutarlılığını korumasını, kafa hareketlerini, ışık değişikliklerini ve engellemeleri (örneğin yüzün önünden geçen bir el) takip etmesini gerektirir. DeepSwap, Akool ve Runway ML gibi araçlar video işleme yapar, ancak işlem süresi klip uzunluğuyla doğru orantılıdır. Gerçek zamanlı video (canlı yayınlar veya video görüşmeleri) için özel düşük gecikmeli modeller gereklidir; çoğu tüketici aracı videoyu gerçek zamanlı değil, çevrimdışı olarak işler.

Yüz değiştirme yapay zekası ücretsiz mi?

Birçok araç ücretsiz bir sürüm sunar, ancak önemli sınırlamalarla birlikte: çıktılarda filigran, günlük takas sayısında sınır, düşük çözünürlüklü dışa aktarma veya video özelliklerine kısıtlı erişim. Gerçekten filigransız, yüksek çözünürlüklü çıktılar neredeyse her zaman ücretli abonelik veya kredi başına satın alma gerektirir. Roop veya SimSwap gibi açık kaynaklı modeller, yerel olarak kurma teknik yeteneğine sahipseniz ücretsiz olarak çalıştırılabilir, ancak güçlü bir GPU gerektirir ve çoğu kullanıcı için tak ve çalıştır özelliği sunmaz.

Yüz değiştirme yapay zeka aracından en kaliteli sonuçları nasıl alabilirim?

Kaynak görüntü kalitesi en önemli faktördür. Değiştirmek istediğiniz yüzün önden çekilmiş, eşit aydınlatmalı, yüzde yoğun gölgeler olmayan ve en az 512x512 piksel çözünürlüğe sahip bir fotoğrafını kullanın (daha yüksek çözünürlük daha iyidir). Yüzün kısmen gizlendiği, aşırı açıda olduğu veya bulanık olduğu kaynak görüntülerden kaçının. Hedef görüntü veya videoda da benzer koşullar geçerlidir: net, iyi aydınlatılmış yüzler daha temiz değişimler sağlar. Araç izin veriyorsa, kalite hızdan daha önemliyse, hafif ve hızlı bir model yerine yüksek çözünürlüklü veriler üzerinde eğitilmiş bir model seçin.

Yapay zekâ destekli yüz değiştirme yönteminin kullanımının yasal riskleri nelerdir?

Hukuki risk, yargı yetkisine ve kullanım durumuna göre değişir. Başkasının görüntüsünü izinsiz kullanmak, ABD'deki çoğu eyalette ve birçok diğer ülkede mevcut olan yayın hakkı ihlali iddialarına yol açabilir. Gerçek bir kişinin yüzünü kullanarak cinsel veya iftira niteliğinde içerik oluşturmak, İngiltere, bazı ABD eyaletleri ve AB de dahil olmak üzere giderek artan sayıda yargı bölgesinde, yeni ortaya çıkan yapay zeka düzenlemeleri kapsamında yasa dışıdır. Yüz değiştirme teknolojisini dolandırıcılık amacıyla kullanmak (üçüncü bir kişiyi aldatmak için birinin kimliğine bürünmek) cezai sorumluluk doğurur. Açıkça hiciv veya eğlence amaçlı kullanımlar için bile, yapay zeka tarafından oluşturulan yüz içeriğinin açıklama etiketleri olmadan yayınlanması giderek daha fazla düzenlemeye tabi tutulmaktadır. Ticari uygulamalar için her zaman açık rıza alın, belgeleri saklayın ve yasal danışmanlık alın.

Yüz değiştirme yapay zekası, tek bir görüntüdeki birden fazla yüzü nasıl ele alıyor?

Çoğu araç, bir sahnedeki tüm yüzleri otomatik olarak algılar ve hangi yüzü veya yüzleri değiştireceğinizi seçmenize olanak tanır. Genellikle tüm algılanan yüzleri aynı anda değiştirmeyi (herkesi değiştirmek istediğiniz grup fotoğrafları için kullanışlıdır) veya üzerine tıklayarak belirli bir yüzü hedeflemeyi seçebilirsiniz. Yüzler küçük olduğunda, kısmen üst üste bindiğinde veya aynı kare içinde çok farklı ölçeklerde olduğunda kalite düşebilir. Profesyonel araçlar ve açık kaynaklı işlem hatları, genellikle giriş seviyesi tüketici uygulamalarına göre çok yüzlü sahneleri daha iyi işler.

Oluşturulan görüntüde yapay zeka tarafından üretildiğine dair belirtiler olacak mı?

Kullanılan araca ve kaynak materyale bağlıdır. Yaygın kusurlar arasında yüz sınırlarında doğal olmayan cilt dokusu, değiştirilmiş yüz ile arka plan arasında tutarsız aydınlatma, hafif renk tonu uyumsuzlukları ve saç çizgisi veya kulak çevresinde ara sıra oluşan bozulmalar yer alır. Güçlü kaynak görüntüler üzerinde çalışan üst düzey araçlar, görsel olarak ayırt edilmesi zor çıktılar üretebilir. Bununla birlikte, adli araçlar ve yapay zeka tespit sınıflandırıcıları, çıktı insan gözüne temiz görünse bile, frekans alanı analizi yoluyla yüz değiştirilmiş görüntüleri sıklıkla tanımlayabilir. C2PA kaynak meta verilerini yerleştirmek, görsel kaliteden bağımsız olarak çıktıları yapay zeka tarafından oluşturulmuş olarak işaretlemenin en güvenilir yoludur.

Yüz değiştirme yapay zekası profesyonel veya ticari amaçlarla kullanılabilir mi?

Evet, önemli çekincelerle birlikte. Ticari kullanım, çıktıda görüntüsü yer alan her kişiden doğrulanmış onay alınmasını, platformun hizmet şartlarının açıkça anlaşılmasını (birçok ücretsiz araç ticari kullanımı yasaklar) ve pazarınızdaki reklam standartlarına uyulmasını gerektirir. Uygulamada, ticari uygulamalar arasında moda perakendeciliği için sanal deneme, yerelleştirilmiş sözcü videoları, kişiselleştirilmiş pazarlama görselleri ve film ve TV prodüksiyonu ön görselleştirmesi yer almaktadır. Bunların her birinin yerleşik iş akışları ve yasal çerçeveleri vardır. Önemli olan, onay ve açıklama konularını sonradan düşünülen şeyler olarak değil, müzakere edilemez gereklilikler olarak ele almaktır.

İznim olmadan benim yüzümün değiştirildiği bir fotoğraf bulursam ne yapmalıyım?

Öncelikle içeriği belgeleyerek başlayın: URL'nin ekran görüntüsünü alın, platformu not edin ve tarihi kaydedin. Ardından, barındırma platformunun yapay zeka tarafından oluşturulan içerik veya rızasız cinsel içerik (NCII) raporlama araçlarını kullanarak bir rapor gönderin; çoğu büyük platform bu kategori için hızlandırılmış kaldırma süreçlerine sahiptir. StopNCII.org veritabanı gibi kuruluşlar, içeriğin yayılmasını önlemeye yardımcı olabilir. Buna paralel olarak, özellikle içerik iftira niteliğinde veya cinsel içerikli ise, bulunduğunuz yargı bölgesinde mevcut olan hukuki çözümler hakkında bir avukata danışın. Birçok ülkede artık rızasız deepfake oluşturmayı kapsayan özel ceza kanunları bulunmaktadır ve bu yargı bölgelerindeki kolluk kuvvetleri, içerik oluşturucuya karşı ceza davası açabilir.

Yüz değiştirme yapay zekasının önümüzdeki birkaç yıl içinde nasıl gelişmesi bekleniyor?

Yakın vadeli gidişatı şekillendiren üç trend var. Birincisi, gerçek zamanlı performans hızla gelişiyor: Daha önce dakikalarca işlem gerektiren modeller artık saniyeler içinde çalışıyor ve canlı videoda gerçek zamanlı yüz değiştirme, araştırma laboratuvarlarının dışında da erişilebilir hale geliyor. İkincisi, uzun video sekanslarında kimlik tutarlılığı güçleniyor; bu da sentetik sözcü ve avatar videolarını çoğu pratik amaç için canlı görüntülerden ayırt edilemez hale getirecek. Üçüncüsü, düzenleyici ve kaynak izleme altyapısı gelişiyor: C2PA'nın benimsenmesi kamera üreticileri, sosyal platformlar ve yapay zeka araç sağlayıcıları arasında hızlanıyor; bu da yapay zeka tarafından oluşturulan yüz içeriğinin, isteğe bağlı olmaktan ziyade varsayılan olarak makine tarafından okunabilir açıklama meta verilerini taşıyacağı anlamına geliyor. Teknoloji aynı anda hem daha yetenekli hem de daha fazla düzenlemeye tabi hale gelecek.