AI için ses neden daha zor?
τ-Voice araştırmasında en iyi yazılı model, 278 müşteri hizmetleri görevinin %85'ini çözdü. Üç ses modeli aynı görevlerin temiz telefon hattında %31 ile %51'ini, gerçekçi hat koşulunda %26 ile %38'ini çözdü.
Aynı görevler, çok daha azı çözüldü
Sohbet testinde agent her soruyu yanıtladı. Sonra aynı agent telefon hattına çıktı ve arayanlar bir insan istemeye başladı.
Mart 2026'da yayımlanan bir araştırma bu farkı rakamlara döktü. τ-Voice (tau-Voice), aynı 278 müşteri hizmetleri görevini hem yazılı hem sesli çalıştırdı. Yazılı denemede çalışmanın en iyi yazılı modeli görevlerin %85'ini çözdü. Aynı görevleri temiz bir telefon hattında deneyen üç ses modeli ise görevlerin %31 ile %51'ini çözdü. Aksanların, arka plan gürültüsünün ve lafı kesen bir müşterinin olduğu gerçekçi hat koşulunda bu oran %26 ile %38 oldu. Yazarlara göre bu, yazılı modelin yapabildiğinin %30 ile %45'ini korumak demek.
Sesli yapay zekayı yazılıyla karşılaştırırken görevler aynıydı ama modeller değildi, çünkü yazılı oran tek bir yazılı modelden, sesli oranlar üç ayrı ses modelinden geliyor.
Araştırma neyi test etti?
τ-Voice, San Francisco'daki Sierra.ai'dan Soham Ray, Keshav Dhandhania ve Victor Barres ile Princeton Üniversitesi'nden Karthik Narasimhan'ın yazdığı bir sesli yapay zeka kıyaslama testi. Sierra müşteri hizmetleri için AI agent geliştiriyor, yani araştırma ölçtüğü sektörün içinden geliyor. Makale bir ön baskı; bu yazı yayımlandığında hakem değerlendirmesinden geçmemişti.
278 görev üç alandan geliyor: perakende, havayolu ve telekom. Her görev, bir hedefi olan müşteriden (ürün değiştirmek ya da rezervasyonu güncellemek gibi) ve agent'ın uyması gereken şirket kurallarından oluşuyor.
Araştırma bir görevi, ancak şirketin kayıtları doğru duruma geldiğinde, yani doğru sipariş değiştiğinde ya da doğru rezervasyon güncellendiğinde tamamlanmış sayıyor. Hoş geçen ama hiçbir şeyi değiştirmeyen ya da yanlış şeyi değiştiren bir görüşme başarısızlık sayılıyor. Bu sayfadaki her görev başarısı rakamı böyle hesaplanıyor (makalede pass@1, yani tek denemede çözülen).
Yazılı denemede bir yazılı model, simüle bir müşteriyle yazıştı. Sesli denemede üç ses modeli, telefon kalitesinde simüle bir hat üzerinden aynı anda hem dinleyip hem konuştu; müşteri de sesle yanıt verdi. Her ses modeli, sesi alıp sesle yanıt veren tek bir modeldir. Üçüne de aynı talimatlar verildi; isimleri, e-postaları ve numaraları müşteriye harf harf kodlatma kuralı da bunların arasındaydı.
Her ses modeli iki koşulda çalıştı. Temiz hat koşulunda müşterinin net bir Amerikan aksanı vardı, arka plan gürültüsü ve söz kesme yoktu. Gerçekçi hat koşulunda müşteriler farklı aksanlarla konuştu; arkada iç ve dış mekân gürültüleri, ani sesler, kopan ya da boğuklaşan ses vardı. Müşteriler ayrıca sözü kesti, "hı hı" dedi, öksürdü ya da başka birine "bir saniye" dedi.
Sesli ne kadar geride kaldı?
| Alan | Yazılı | Sesli, temiz | Sesli, gerçekçi |
|---|---|---|---|
| Tüm 278 görev | %85 | %31 ile %51 | %26 ile %38 |
| Perakende | %81 | %45 ile %71 | %30 ile %45 |
| Havayolu | %83 | %28 ile %48 | %30 ile %40 |
| Telekom | %90 | %20 ile %58 | %18 ile %40 |
"Yazılı", araştırmadaki en iyi yazılı model olan, akıl yürütmeli GPT-5'tir. Araştırmadaki ikinci yazılı model GPT-4.1 adım adım akıl yürütmeden yanıt veriyor ve 278 görevin tamamının %54'ünü çözdü. Sesli sütunlar, test edilen üç ses modelinin en düşük ve en yüksek sonucunu gösteriyor: Google gemini-live-2.5-flash-native-audio, OpenAI gpt-realtime-1.5 ve xAI grok-voice-agent. Kaynak: τ-Voice, Tablo 6.
Farkın büyük kısmı, gürültü ya da aksan eklenmeden önce, temiz hat koşulunda zaten açılmıştı. Üç ses modeli orada en iyi yazılı modelin 34 ile 54 puan gerisinde kaldı. Çoğu model için gerçekçi hat bunun üzerine daha küçük bir kayıp ekledi.
Durumu ne kötüleştirdi?
Yazarlar perakende görevlerinde temiz hat koşuluna önce gürültüyü, aksanları ve söz kesmeyi tek tek, sonra üçünü birden ekledi.
| Koşul | Görev başarısı | Temiz hattan fark |
|---|---|---|
| Temiz | %55 | |
| Temiz hat ve gürültü | %51 | 4 puan düşük |
| Temiz hat ve aksanlar | %44 | 10 puan düşük |
| Temiz hat ve söz kesme | %47 | 7 puan düşük |
| Gerçekçi (üçü birden) | %38 | 17 puan düşük |
Üç ses modelinin ortalaması, yalnızca perakende görevleri. Yüzdeler ve farklar makalede yuvarlandığı hâliyle yazıldı; bu yüzden bir fark, çıkarma sonucundan 1 puan ayrı düşebilir. Kaynak: τ-Voice, Tablo 7.
Ortalamada en çok puanı aksanlar götürdü, ama modellere çok farklı yansıdı. Bir ses modeli aksanlarla 1 puan kaybederken bir diğeri 18 puan kaybetti. Söz kesme iki modele 14 ve 11 puan kaybettirdi; üçüncü model ise söz kesmeyle biraz daha iyi sonuç aldı ve 4 puan yükseldi. Gürültü tek başına her ses modeline 2 ile 4 puan kaybettirdi.
Yazarlar ayrıca ses modellerinin gerçekçi hat koşulunda konuşmayı nasıl yönettiğini de puanladı. Müşterinin her konuşma sırasına yanıt veren ve her söz kesmede susan model (%100), "hı hı"yı, öksürüğü ve yan konuşmaları yalnızca %6 oranında doğru şekilde yok saydı; yani kendisine söylenmemiş seslere de yanıt verdi. Yazarlara göre araştırmadaki hiçbir ses modeli hem görevi bitirmekte hem de konuşmanın akışını yönetmekte iyi değildi.
Çağrılar nerede koptu?
Yazarlar başarısız olan 91 sesli görüşmeyi elle okudu, iki grup halinde. Yazılıda çözülüp temiz seste başarısız olan görevlerden 43 başarısız görüşme çıktı; bunların 34'ünde (%79) agent, 9'unda (%21) simüle müşteri sorumluydu. Temiz seste çözülüp gerçekçi seste başarısız olan görevlerden 48 başarısız görüşme çıktı; 43'ünde (%90) agent, 5'inde (%10) simüle müşteri sorumluydu.
| Agent hatası | Temiz seste başarısız | Yalnızca gerçekçi seste başarısız |
|---|---|---|
| Yanlış akıl yürütme ya da atlanan adım | 13 | 16 |
| Müşterinin söylediğini yanlış duydu | 10 | 16 |
| Yapmadığı bir işi yaptığını söyledi | 6 | 6 |
| Yanıt vermeyi bıraktı | 1 | 4 |
| Süre doldu | 4 | 1 |
| Agent hataları, toplam | 43 içinden 34 | 48 içinden 43 |
Makalenin satır adları şunlar: logical, transcription, hallucination, VAD/unresponsive ve timeout. Kaynak: τ-Voice, Tablo 9.
İki grupta da çağrıların en çok koptuğu yer kimlik doğrulamaydı. Müşteri, talimatın istediği gibi isimlerini ve e-postasını harf harf kodlasa bile agent'lar yanlış anladı. Müşteri tanınmayınca görevin geri kalanında hiçbir şey yapılamadı.
Bazı hatalar daha sessizdi. Bir görüşmede agent müşteriye "Teslimat adresinizi güncelledim" dedi ama sistemde hiçbir değişiklik yapmadı. Çok parçalı talepler de sorun çıkardı, agent'lar bir parçayı tamamlayıp gerisini unuttu.
Sorun yalnızca duymak değildi. Gerçekçi grupta yanlış akıl yürütme ile yanlış duyma aynı sıklıktaydı, ikisi de 48 hatanın 16'sında görüldü. Yazarlar da sesli ile yazılı arasındaki farkın yalnızca bir konuşma tanıma sorunu olmadığı sonucuna varıyor. Duyma kısmını kendi çağrılarınızda nasıl test edeceğinizi konuşmadan metne modeli seçme yazımızda anlattık.
Neyi göstermiyor?
Araştırma yalnızca İngilizceyle yapıldı. Müşteriler simüleydi ve sentetik seslerle konuşuyordu; yazarlar aksan sonuçlarının gösterge olarak okunması gerektiğini söylüyor. Gerçek arayanların simüle edilenlerden daha sabırsız olduğunu da not ediyorlar.
Görevin yapılıp yapılmadığını ve konuşmada söz sırasının nasıl yönetildiğini ölçtü. Agent'ın kulağa nasıl geldiğini, müşterilerin memnun kalıp kalmadığını ya da kısmen tamamlanan görevleri ölçmedi.
Yazılı ve sesli oranlar farklı modellerden geliyor. En iyi yazılı model yanıt vermeden önce ihtiyacı kadar akıl yürütebilir; bir ses modeli ise gerçek zamanlı yanıt vermek zorunda. Farkın bir kısmı bu yüzden telefon hattından değil, modelden geliyor.
Üç ses modeli de aynı türdendi; hepsi sesi alıp sesle yanıt veriyor ve Aralık 2025 ile Şubat 2026 arasında yayımlanmış sürümler. Konuşma tanıma, akıl yürütme ve seslendirme parçalarından ayrı ayrı kurulan agent'lar test edilmedi. Bu yüzden rakamlar onlar hakkında ne iyi ne kötü bir şey söylemiyor, yazarlar da onları ileride yapılacak çalışmalar arasında sayıyor. Agent'lar ayrıca genel bir talimat setiyle ve kıyaslama testinin kendi araçlarıyla çalıştı. Tek bir şirketin çağrıları için kurulup test edilmiş bir agent başka bir düzendir; araştırma onu ölçmedi, rakamlar ne lehine ne aleyhine bir şey söylüyor.
DRING bu araştırmayı yapmadı ve araştırmada test edilmedi. Modeller hızla değişiyor; rakamlar test edilen sürümleri gösteriyor.
Önce neyi test etmelisiniz?
Testi telefon görüşmesi olarak yapın. Araştırmada aynı görevler telefon kalitesindeki seste yazılıdan daha düşük başarı aldı; aksan, gürültü ve söz kesme eklenince bir kez daha düştü. Yazılı sohbet de dizüstü mikrofonu da bunların ikisini atlar; arayanlarınız ise "Sesli, gerçekçi" sütunundadır.
Kimlik doğrulamayla başlayın, çünkü araştırmada başarısız çağrılar en çok orada koptu. Arayanlarınızınkine benzer on isim, e-posta ve sipariş numarası seçin, arayanlar nasıl kodluyorsa öyle okuyun ve agent'ın kaçını doğru aldığını sayın.
Her test çağrısından sonra sisteme girip kayda bakın. Agent bir adresi değiştirdiğini söylediyse yeni adres kayıtta olmalı; araştırmadaki teslimat adresi vakasında ters giden de buydu.
Sonra çağrıları, araştırmada ses modellerinin görev başarısını düşüren yönlerden zorlaştırın. Arayanlarınızda gerçekten olan aksanları kullanın. Bir test kişisi görüşmenin ortasında sözü kessin, öksürsün, bir meslektaşına "bir saniye" desin; agent'ın öksürüğe ya da yan konuşmaya yanıt verip vermediğine bakın. Ardından agent'a üç parçalı bir talep verin ve üçünün de yapıldığını doğrulayın.
Bir sağlayıcı sesli agent'ı için görev başarısı rakamı verirse, bunun araştırmadaki gibi, yani sistemde neyin değiştiğine bakılarak ve telefon sesiyle hesaplanmasını isteyin. Eksiksiz bir plan isterseniz sesli agent'ı canlıya çıkmadan test etme rehberimizde test seti ile yayın eşikleri var.
Bu sayfadan alıntı yapılabilir mi?
Evet. Makale Creative Commons Atıf 4.0 Uluslararası (CC BY 4.0) lisansıyla yayımlanıyor; bu özeti de aynı koşullarla, önce makaleye atıf yaparak kullanabilirsiniz. Araştırmayı şöyle kaynak gösterin.
Ray, S., Dhandhania, K., Barres, V., Narasimhan, K. (2026). τ-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains. arXiv:2603.13686.
Kıyaslama testinin kodu GitHub'da açık. Bu sayfadan bir rakam alıntılarsanız lütfen makaleye atıf yapın ve şu satırı ekleyin.
Özet: DRING, dring.ai/tr/blog-voice-ai-vs-text-ai
Beş bulgu, olduğu gibi alıntılanabilecek biçimde:
- 278 müşteri hizmetleri görevinde en iyi yazılı model %85'ini çözdü, üç ses modeli ise temiz telefon hattında %31 ile %51'ini çözdü (τ-Voice, 2026).
- Aksanların, gürültünün ve söz kesmenin olduğu gerçekçi hat koşulunda üç ses modeli görevlerin %26 ile %38'ini çözdü; yazarlara göre bu, yazılı modelin yapabildiğinin %30 ile %45'ini korumak demek (τ-Voice, 2026).
- Araştırmanın perakende görevlerinde aksanlar üç ses modelinin görev başarısından ortalama 10 puan götürdü, söz kesme 7, arka plan gürültüsü 4 puan (τ-Voice, 2026).
- Yazarların elle okuduğu 91 başarısız sesli çağrıda, iki gruptaki başarısızlıkların %79'u ve %90'ı agent'ın kendi hatasıydı. Çağrılar en çok kimlik doğrulamada koptu; isimler ve e-postalar harf harf kodlandığında bile yanlış duyuldu (τ-Voice, 2026).
- Araştırmadaki hiçbir ses modeli hem görevi bitirmekte hem de konuşmayı yönetmekte iyi değildi; müşteri konuşmalarının %100'üne yanıt veren model, öksürükleri ve yan konuşmaları yalnızca %6 oranında doğru yok saydı (τ-Voice, 2026).
DRING nerede devreye giriyor?
Araştırma, bir kural setiyle çalışan genel ses modellerini ölçtü. Bir DRING agent'ı ise ayrı parçalardan kurulur: seçilmiş konuşmadan metne, metinden konuşmaya ve akıl yürütme modelleri ile agent'ın üzerinde çalıştığı ortak altyapıdaki test ve izleme. Bu türden bir agent araştırmada yoktu.
Her DRING agent'ı, ilk gerçek aramadan önce şirketinize özel kurulmuş 1.000 ile 10.000 simüle görüşme çalıştırır. Bunlar sizin iş akışınızdan, dokümanlarınızdan ve çağrı kayıtlarınızdan üretilir; agent ancak bu seti geçtikten sonra canlıya alınır, kalite sayfamızda anlattığımız gibi. "Önce neyi test etmelisiniz?" bölümündeki testleri DRING dahil her sağlayıcıdan isteyin.
Ayrıca okuyun: Sesli Yapay Zeka mı, IVR mı? Hangisini Seçmeli? · Sesli Yapay Zeka Agent'ı Nedir, Nasıl Çalışır?
En zor çağrınızla başlayın
Numaranızı bırakın, DRING sizi iki dakikada arasın. Ekibinizin en çok çekindiği çağrıyı anlatın.