Arama sonuçlarında "sesli yapay zeka" başlığıyla çıkan araçların çoğu metni sese çevirir: yazdığını okur, dosyayı verir, iş biter. Oysa aranan şey çoğu zaman yapay zeka ile gerçek zamanlı sesli konuşma oluyor; yani karşındakini duyduğun, gerekirse sözünü kesip araya girdiğin canlı bir hat.
İkisi aynı başlık altında toplandığı için insanlar yanlış aracı deneyip suçu teknolojide arıyor. Bir de sık atlanan üçüncü bir kategori var: sesli mesajlaşma. Aşağıda bu üçünün sınırını, gerçek zamanlı bir hattın neden bambaşka bir iş olduğunu ve pratikte nerelere takıldığını anlatıyorum.
Metin seslendirme (TTS) ile sesli konuşma aynı şey mi?
Değil. Metin seslendirme, yani TTS, bir cümleyi alıp okur. Sesli kitap, video anlatımı, duyuru anonsu için yapılmıştır. Sen yazarsın, o okur, iş biter. Ortada bir muhatap yoktur; dolayısıyla cevap da yoktur.
Sesli konuşmada ise hat sen oradayken açık kalır: karşı taraf seni dinler, sen onu dinlersin ve ikisi aynı anda olabilir. Teknik tarafı bir yana, kullanıcı için karşılığı çok net — biri "dinlemek", diğeri "konuşmak".
| Yöntem | Sen ne yaparsın | Tempo |
|---|---|---|
| Metin seslendirme (TTS) | Yazıyı verirsin, sesi dinlersin | Karşılık yok |
| Sesli mesaj | Kaydedip gönderirsin, cevabı beklersin | Sırayla |
| Gerçek zamanlı arama | Konuşursun, araya girersin | Kesintisiz |
Kaydet-gönder-bekle döngüsü neden konuşma gibi hissettirmiyor?
Birçok uygulamada "sesli özellik" tek bir döngü demektir: kaydet, gönder, bekle, dinle. Akış her turda senin elinde durur ve arada birkaç saniyelik ölü zaman birikir. Cümlenin ortasında fikrini değiştirmen, gülüp devam etmen ya da "yok yok, onu demek istemedim" demen mümkün değildir; kaydı silip baştan başlarsın.
Ayırt etmenin en pratik yolu tek bir soru: karşındaki konuşurken araya girebiliyor musun? Girebiliyorsan iki taraf da aynı anda hattadır; teknik adı full-duplex, gündelik karşılığı telefonda birinin lafını bölebilmek. Giremiyorsan sıra tabanlı bir sistemle uğraşıyorsundur ve ses ne kadar iyi olursa olsun tempo bir görüşmeye benzemez.
Gerçek zamanlı konuşmada gecikme neden bu kadar belirleyici?
Sen sustuğun anda üç iş peş peşe tamamlanır: söylediğin yazıya çevrilir, cevap üretilir, cevap seslendirilir. Üçünün toplamı bir saniyenin altında kalırsa konuşma akıcı hissettirir; birkaç saniyeye çıktığında karşındakinin düşündüğünü değil, sistemin takıldığını sanarsın. Metin seslendirmede böyle bir zaman bütçesi yoktur, çünkü hatta bekleyen kimse yoktur — bu yüzden kusursuz bir seslendirme örneği, canlı bir hattın nasıl hissettireceğini göstermez.
Bu yüzden küçük ayrıntılar büyük fark yaratır. Hoparlör yerine kulaklık, kendi sesinin mikrofona geri dönmesini keser; geri dönen ses hem anlaşılırlığı düşürür hem de sistemin sen konuşuyorsun sanıp karakterin sözünü kesmesine yol açar. Zayıf bağlantıda cümleler bölünür ve sorun karakterin dilinde değil, hattadır.
Fanchaty tarafında bu görüşme tarayıcı üzerinden yürüyor ve Premium üyeliğe açık bir özellik; ücretsiz hesapta yazılı sohbet var, sesli hat yok. Özelliğin kendisiyle ilgili sık sorulanlar Türkçe sesli arama sayfasında duruyor.
Türkçe konuşan yapay zeka neden çeviriden farklı?
Bir sistemin Türkçe konuşmasıyla Türkçeye çevrilerek konuşması aynı şey değil. Bu fark yazıda gözden kaçabiliyor, seste kaçmıyor: devrik bir cümleyi okurken hızlıca üstünden geçersin, ama aynı cümle sesli söylendiğinde tuhaflık anında duyulur. Vurgunun nereye düştüğü, cümlenin nerede bölünüp nerede bağlandığı, "hadi ya" gibi küçük kalıpların doğru yere oturup oturmadığı ilk birkaç saniyede belli olur.
Fanchaty'nin karakter metinleri baştan Türkçe yazıldığı için sesli tarafta dil, ek bir özellik değil; deneyimin kendisi. Ne tür karakterlerin olduğunu merak ediyorsan yapay zeka sevgili profillerinin toplandığı bölüme göz atabilir, aynı karakterle önce yazışıp sonra sesli hatta duyduğun tonu karşılaştırabilirsin.
Yapay zeka sesi insandan ayırt edilebiliyor mu?
Evet, dikkatli dinleyen biri ayırt eder. Kimse sana "insandan ayırt edilemez" demesin; nefes alma, çok uzun cümlelerdeki tonlama ve arada gelen kısa gecikmeler kendini belli eder. Vaat bu değil zaten.
Vaat şu: beklemeden konuşabilmek. Aklına gelen şeyi klavyeye yazmaya üşendiğin bir akşamda, yürürken ya da ışıkta beklerken sesli devam edebilmek. Karakterin seni yarıda kesip bir soru sorabilmesi, senin de onu kesebilmen. Sohbetin ritmi metinden farklı olduğu için içerik de farklılaşıyor: yazarken cümleni düzenlersin, konuşurken düzenlemezsin.
Kimin işine yarar?
Gün içinde yazacak vakti olmayan ama konuşacak birini arayan biri için pratik. Uzun yolda ya da yürüyüşte ekrana bakmadan devam etmek isteyen için pratik. Bir de sadece merak edenler var: bir yapay zekanın kendi dilinde nasıl konuştuğunu duymak, ekran görüntüsünden okumaya benzemiyor.
Şunu da baştan söyleyelim: bu bir terapi ya da danışmanlık hizmeti değil. Karşındaki, konuşacak bir karakter. Platform 18 yaş ve üzeri içindir, kayıt sırasında isim veya fotoğraf istenmez.
Anlatması zor, duyması kolay bir fark bu. Premium üyeliğin varsa geriye tek adım kalıyor: sana uygun karakteri seç ve mikrofon izni sorulduğunda onayla. Bunun dışında ne kurulum, ne telefon numarası, ne de ek bir uygulama isteniyor; ilk yarım dakikada metinle arasındaki farkı zaten duyarsın.