Yapay zekâ şirketleri arasındaki yarış, artık yalnızca metin üretimiyle sınırlı kalmıyor. OpenAI ile Alibaba’nın peş peşe duyurduğu yeni modeller, sesli yapay zekâ alanında doğruluk, hız ve doğal konuşma deneyimini bir üst seviyeye taşımayı hedefliyor. Tanıtılan sistemler, geliştiricilerin gerçek zamanlı görüşmelerden büyük ölçekli ses kayıtlarına kadar farklı kullanım senaryolarında daha yüksek performans elde etmesini amaçlıyor.
OpenAI Transkripsiyon Performansını Artıran İki Yeni Model Yayınladı
OpenAI, geliştiricilere yönelik API platformunda GPT-Live-Transcribe ile GPT-Transcribe isimli iki yeni modeli kullanıma açtı. Modellerden ilki düşük gecikmeli canlı konuşmaları metne dönüştürmek için geliştirilirken ikinci model tamamlanmış ses kayıtlarının işlenmesi ve toplu transkripsiyon işlemlerine odaklanıyor.
Yeni sistemlerin öne çıkan özelliği, konuşmanın bağlamını analiz ederek doğruluk oranını yükseltebilmesi oldu. Geliştiriciler, kişi isimleri, teknik terimler, anahtar kelimeler veya beklenen konuşma dili gibi ek bilgileri modele aktarabiliyor. Canlı çalışan model ise önceki konuşmaları da referans alarak sonraki cümleleri daha doğru yorumlayabiliyor. Doğrudan cevap vermek gerekirse OpenAI, yeni modellerle konuşmayı yazıya dönüştürürken hata oranını düşürmeyi hedefliyor.
Şirketin paylaştığı test sonuçlarına göre bağlamsal bilgiler kullanıldığında her iki modelde de anlamsal doğruluk artışı sağlandı. Ayrıca GPT-Live-Transcribe, gerçek zamanlı konuşmalarda önceki nesil çözüme göre daha düşük hata oranı elde ederken GPT-Transcribe da Whisper-1 modeline kıyasla önemli performans artışı gösterdi. Artificial Analysis tarafından gerçekleştirilen bağımsız değerlendirmede GPT-Transcribe’ın yüzde 3,31 kelime hata oranına ulaştığı belirtilirken modelin kullanım ücreti 1.000 dakika için 4,50 dolar olarak açıklandı.
Alibaba ise Qwen-Audio-3.0-Realtime Plus ile Qwen-Audio-3.0-Realtime Flash modellerini tanıttı. Yeni sistemler, konuşma sırasında kullanıcıların yapay zekânın sözünü kesebilmesine izin veren tam çift yönlü iletişim desteği sunuyor. Modeller aynı zamanda özel ses klonlama ve fonksiyon çağırma gibi gelişmiş özellikleri de destekliyor.
Artificial Analysis tarafından hazırlanan Speech-to-Speech Index sonuçlarına göre Qwen-Audio-3.0-Realtime Plus, yüzde 84,1 puanla listenin ilk sırasına yerleşti. Böylece model, yüzde 79,1 puan alan OpenAI GPT-Realtime-2.1 High sürümünü geride bıraktı. Değerlendirmede konuşma akıcılığı, muhakeme yeteneği ile görev tamamlama performansı öne çıkan başlıklar arasında yer aldı. Buna karşılık Alibaba’nın modeli yanıt oluşturmaya daha geç başlıyor. Test sonuçları, ilk ses çıktısının yaklaşık dört saniyede üretildiğini gösterirken OpenAI’ın GPT-Realtime-2 High modeli yaklaşık 1,14 saniyede yanıt vermeye başlıyor.
Sesli yapay zekâ teknolojileri, müşteri hizmetleri, dijital asistanlar, çağrı merkezleri, canlı çeviri ve otonom yapay zekâ ajanları gibi birçok alanda hızla yaygınlaşıyor. OpenAI ile Alibaba’nın yeni modelleri, önümüzdeki dönemde konuşma tabanlı yapay zekâ uygulamalarında hem doğruluk hem de kullanıcı deneyimi açısından rekabetin daha da yoğunlaşacağını gösteriyor.
