Türkçe Konuşan Yapay Zekânın Zorlukları: Tur Alma, Tereddüt ve Telefon Hattı Gerçeği

İngilizce demo videolarında kusursuz görünen bir sesli asistan, Türkçe bir telefon görüşmesine girdiğinde bambaşka bir sınavla karşılaşır. Dilin yapısı, konuşma alışkanlıklarımız ve telefon hattının fiziği; üçü birden zorlaştırır. Bu yazıda, iyi bir Türkçe sesli asistanın perde arkasında hangi problemleri çözmek zorunda olduğunu anlatıyoruz, çünkü neyin zor olduğunu bilmek, neyi test edeceğinizi de söyler.

Türkçe, sesli yapay zekâ için neden zor bir dil?

Türkçe eklemeli bir dildir: tek bir kelime, İngilizcede bir cümleyle söyleneni taşıyabilir ve aynı kökten binlerce biçim türer. Söz dizimi esnektir, vurgu anlamı değiştirir, bölgesel ağızlar telaffuzu kaydırır. Konuşma tanıma modeli 70+ dili desteklese bile, Türkçede iyi olmak ayrıca emek ister: bol Türkçe veriyle test edilmemiş sistem, sahada bocalar.

Bir örnek yeter: “Aramayacaktınız hani?” cümlesindeki zaman, kip ve sitem tonunu doğru çözmek; yalnızca kelimeleri değil, niyeti anlamayı gerektirir.

Söz sırası (turn-taking) neden en kritik problem?

Gerçek telefon sohbetinde insanlar sırayla ve düzenli konuşmaz: araya girer, cümleyi yarım bırakır, karşı taraf sustu sanıp devam eder. Asistanın “karşımdaki bitirdi mi?” kararını yanlış vermesi iki kötü sonuç üretir: ya sözünüzü keser ya da mezar sessizliğinde bekletir. İyi sistemlerde bu karar, ses etkinliği ve cümle yapısı birlikte değerlendirilerek verilir.

Hedef rakam nettir: yanıt yaklaşık 0,8 saniyede başlamalı, ama siz tekrar konuşmaya başladığınız anda asistan susup dinlemeye dönebilmelidir. Bu iki davranışın aynı anda doğru çalışması, sesli yapay zekânın en zor mühendislik problemlerinden biridir.

İşin bir de görünmez katmanı vardır: asistan, hoparlörden yayılan kendi sesini mikrofonda yeniden duyabilir ve bunu arayanın konuşması sanabilir. Kendi yankısını ayırt edemeyen sistem kendi kendini böler, tuhaf duraksamalara girer. Bu tür detaylar broşürlerde yazmaz; ancak gerçek telefon testinde kendini belli eder.

“Iıı”, “eee” tereddütleri nasıl yönetilir?

Türkçe konuşurken düşünme seslerine sık başvururuz: “ııı şey…”, “eee bir saniye…”. Kötü ayarlanmış bir sistem bu duraksamayı cümlenin bittiği sanır ve arayanın sözünü tam düşünürken keser, telefondaki en yıpratıcı deneyimlerden biridir. İyi sistem, tereddüt seslerini tanır ve karşısındakine düşünme payı bırakır.

• Tereddüt sesi duyulduğunda cümle-bitti kararı ertelenir.
• Sessizlik eşiği sabit değil, bağlama göre esner: sayı sayan birine daha uzun süre tanınır.
• Yanlışlıkla söz kesildiyse asistan geri çekilmeyi bilir: “Buyrun, sizi dinliyorum.”

Sayılar, tarihler ve telefon numaraları neden ayrı bir dert?

“Beş yüz on iki… dokuz yüz…” diye duraksayarak okunan bir telefon numarası, konuşma tanımanın kâbusudur; “on beş otuz” ifadesinin saat mi, sayı mı olduğu ancak bağlamdan çıkar. Bu yüzden güvenilir asistanlar kritik verileri mutlaka geri okuyarak teyit eder: yanlış kayıtlı bir numara, kaybedilmiş bir müşteridir.

Aynı hassasiyet seslendirme tarafında da geçerlidir: tutarların, tarihlerin ve saatlerin doğal Türkçeyle okunması (“on dördü çeyrek geçe” değil “on dört on beş”) ayrı bir normalizasyon katmanı ister.

Özel isimler de kendi başına bir sınavdır: kişi adları, semt isimleri ve yabancı marka adları hem tanıma hem seslendirme tarafında hataya açıktır. İyi kurulumlarda işletmeye özgü terimler, ürün adları, doktor isimleri, şube adresleri, sisteme sözlük olarak tanıtılır; böylece asistan “Kadıköy”ü de, sektörünüze özgü o zor markayı da doğru duyar ve doğru söyler.

Telefon hattı ses kalitesi işi ne kadar etkiler?

Stüdyo kalitesinde ses bekleyen bir model, telefonda hayal kırıklığına uğrar: klasik telefon şebekesi sesi dar bantta (8 kHz örnekleme) taşır; tiz sesler törpülenir, “s” ile “f” birbirine yaklaşır. Üstüne trafik gürültüsü, hoparlöre alınmış telefon ve kesik bağlantılar eklenir. Türkçe asistan, en iyi güne göre değil, bu gerçekliğe göre ayarlanmalıdır.

Bu nedenle değerlendirme yaparken demo ortamına değil, gerçek şebeke üzerinden yapılmış aramalara bakın: yankılı bir dükkândan arayan, arabada konuşan, çocuk sesi karışan görüşmeler sistemin gerçek notudur.

İyi bir Türkçe sesli asistan nasıl test edilir?

Broşür karşılaştırarak değil, konuşarak. Aynı senaryoyu birkaç sisteme uygulayın ve dört şeyi ölçün: yanıt gecikmesi, söz kesme davranışı, sayı-tarih doğruluğu ve konudan sapınca toparlama. Testi ofis sessizliğinde değil, gerçek hayatın gürültüsünde yapın; farklar orada açığa çıkar.

• Sözünü ortasında kesin: susup dinlemeye dönüyor mu?
• “Iıı bir saniye…” deyin: bekliyor mu, yoksa lafı ağzınızdan alıyor mu?
• Telefon numaranızı duraksayarak verin: doğru geri okuyor mu?
• Konuyu aniden değiştirin: akışı kaybetmeden takip ediyor mu?

AvaritCall, telefonlarınıza ~söylenene 0,8 saniyede cevap veren; randevu oluşturan, gelen ve giden aramaları yöneten Türkçe odaklı sesli yapay zekâ asistanıdır. Bu yazıdaki zorlukların her biri, “Türkçe odaklı” ifadesinin neden bir pazarlama sıfatı değil, mühendislik taahhüdü olduğunu gösterir. Test ederken çıtayı buna göre koyun: iyi asistan, en gürültülü hatta, en dağınık cümleyle sınandığında belli olur. Türkçede telefonu gerçekten konuşabilen bir sistem arıyorsanız, kararınızı demoda değil sahada verin.