Ses: STT, TTS, gecikme ve kalite ayarı
Ses yığını nasıl çalışır: konuşma tanıma, dil modeli, ses sentezi. 500 ms altı gecikme bütçesi ve Türkçe için kalite ayarı.
Güncellendi: 17 Ağustos 2026
Bir telefon görüşmesinin gerçek hissedilmesini sağlayan şey ses yığınıdır. Bu sayfa motorları, aralarındaki takasları ve kendi senaryonuz için nasıl ayar yapacağınızı anlatıyor.
Zincir nasıl çalışır
- 1STT — arayan konuşurken akış halinde metne çevrilir; cümlenin bitmesi beklenmez.
- 2LLM — metni okur, cevabı üretir. İlk token geldiği an sonraki adım başlar.
- 3TTS — cevap sese çevrilir ve parça parça hatta basılır.
Hedef: arayanın konuşmayı bitirmesinden asistanın konuşmaya başlamasına kadar 500 ms’in altı. Gerçek kullanımda medyan 400 ms civarındadır.
Alternatif: realtime motor
Asistanın engine alanını realtime yaparsanız bu üç aşamalı zincir yerine doğrudan konuşmadan konuşmaya çalışan GPT Realtime motoru kullanılır. Daha akıcı ve ses tonuna duyarlıdır; karşılığında ses ve model seçimi kısıtlanır. Varsayılan cascade’dir, Türkçe’de en öngörülebilir sonucu o verir.
Gecikme bütçesi
| Aşama | Tipik süre | Neyle kısalır |
|---|---|---|
| STT (parça başına) | ~150 ms | Akış tanıma zaten açık, ayar gerekmez |
| LLM ilk token | 150-300 ms | Daha küçük model, daha kısa talimat |
| TTS ilk ses | 80-150 ms | Daha hızlı ses motoru |
| Ağ | 30-50 ms | Kontrolünüz dışında |
- Model olarak gpt-5-nano, gpt-5-mini veya gemini-2.5-flash-lite seçin — büyük kardeşlerinden belirgin hızlıdır.
- Sistem talimatını 800 kelimenin altında tutun; uzun talimat ilk token süresini doğrudan uzatır.
- Bilgi tabanından gereğinden fazla parça çekmeyin; kb_chunks_count 3 çoğu durumda yeter.
- max_tokens’ı şişirmeyin. Varsayılan 500 telefon konuşması için fazlasıyla yeterlidir.
Türkçe’ye özgü notlar
Türkçe’de yüklem cümlenin sonuna gelir. Bu, tanıma tarafında gerçek bir etkidir: asistan cümlenin nereye vardığını ancak sonunu duyunca anlar. Sonuç olarak Türkçe’de araya girme (barge-in) ayarını agresif yapmak, asistanın yarım cümleye cevap vermesine yol açar.
- interruption_sensitivity’i Türkçe asistanlarda 0.5’in üzerine çıkarmadan önce test edin.
- responsiveness’i 0.6-0.7 aralığında tutmak, cümle bitmeden atlamayı azaltır.
- Türkçe’de dinleme sesleri ("hı hı", "anladım") doğal duyulur; enable_backchannel’ı açık bırakın.
Ses motorları
| Sağlayıcı | Güçlü yanı | Takas | Uygun kullanım |
|---|---|---|---|
| ElevenLabs | En doğal tonlama, Türkçe’ye özel kaydedilmiş sesler | Biraz daha yüksek gecikme | Resepsiyon, satış, marka sesi önemli olan her yer |
| GPT Realtime sesleri | Konuşmadan konuşmaya, en akıcı diyalog | İngilizce’de optimize; Türkçe’de mutlaka test edin | Akıcılığın önde olduğu, İngilizce ağırlıklı senaryolar |
Katalogda 26 ses var: 16 ElevenLabs, 10 GPT Realtime. Üçü Türkçe’ye özel kaydedilmiş (Selin, Nergis, Will), kalanı çok dilli. Tamamı panelde önizlemeli.
Arka plan sesi
Asistanın sesinin altına hafif bir ortam sesi eklenebilir. Üç seçenek var: none, office (ofis uğultusu) ve keyboard (klavye sesi). Asistan detayında Konuşma Ayarları altında bulunur.
- Aramanın steril hissini azaltır — en sık istenen sebep bu.
- Beklenen akustik ortamı taklit eder: ofis, çağrı merkezi.
- Küçük ses geçişlerini maskeler.
Çok dilli asistanlarda ses tutarlılığı
Aynı aramada dil değişiyorsa (nadir ama oluyor) çok dilli bir ses seçin ki karakter sabit kalsın. Türkçe bir sesten İngilizce bir sese arama ortasında geçmek, konuşan kişinin değiştiği izlenimi verir ve güveni bozar.
Kayıt kalitesi
Arama kayıtları telefon kalitesindedir — telefon hattının taşıdığı bant genişliği bundan fazlasına izin vermez. Kayıtlar özel depolama alanımızda tutulur, Aramalar sekmesinde dinlenir ve API’den indirilir. Kayıt açıkken dakika başına +$0.05 eklenir.
Sorun giderme
| Belirti | Muhtemel sebep | Ne yapmalı |
|---|---|---|
| Asistan geç cevap veriyor | Büyük model veya çok uzun talimat | Modeli küçültün, talimatı kısaltın |
| Asistan sözü kesiyor | interruption_sensitivity yüksek | 0.4-0.5 aralığına indirin |
| Asistan sessizliği bekliyor | responsiveness düşük | 0.6-0.7’ye çıkarın |
| Cevaplar çok uzun | Talimatta uzunluk kuralı yok | Talimata "en fazla 2 cümle" satırını ekleyin |
| Sesi anlaşılmıyor | voice_speed yüksek | 1.0’a çekin |
Sık sorulanlar
Uçtan uca gecikme ne kadar?
Hedef 500 ms’in altı — arayanın konuşmayı bitirmesinden asistanın başlamasına kadar. Küçük bir model ve hızlı bir ses motoruyla gerçek medyan 400 ms civarındadır.
Türkçe ses tanıma ne kadar iyi?
Türkçe hem tanıma hem sentez tarafında destekleniyor ve günlük kullanımda güvenilir çalışıyor. Türkçe’nin yapısı gereği yüklem sonda olduğu için, araya girme ayarını agresif yapmamak gerekir — asistan yarım cümleye cevap vermeye başlar.
Hangi ses en hızlı?
GPT Realtime sesleri konuşmadan konuşmaya çalıştığı için en akıcı diyalogu verir. ElevenLabs biraz daha yüksek gecikmeyle daha doğal bir tonlama sunar. Türkçe için ElevenLabs’in Türkçe’ye özel kayıtlı seslerinden başlamanızı öneririz.
Bilgi tabanı asistanı yavaşlatır mı?
Belirgin şekilde hayır — getirme uçtan uca 500 ms bütçesinin içinde kalır. Gereğinden çok parça çekerseniz (kb_chunks_count 8-10) fark edilir hale gelebilir; 3-5 aralığı doğru varsayılandır.