Kısaca Inflection AI, Pi’nin konuşan kişileri ayırt etmesi ve farklı dillerdeki konuşmaları yazıya dökmesi için NVIDIA modellerini kendi ses işleme altyapısıyla birleştiriyor.

Inflection AI’nin teknik anlatımı, birden fazla kişinin katıldığı konuşmalarda sözcükleri tanımak kadar bunları doğru kişiye bağlamanın da önemli olduğunu gösteriyor. Şirket, Pi için konuşmacı ayrıştırma ve kişiye göre transkripsiyon bileşenlerini birleştirirken NVIDIA Nemotron 3.5 Transcribe ile çok dilli işleme denemeleri yürütüyor. Bu çalışma, müşteri hizmetlerinde görüşme kayıtlarını incelemek isteyen ekipler için uygulanabilir bir örnek sunuyor. Bununla birlikte kaynak, tamamlanmış bir çağrı merkezi uygulaması anlatmıyor; çok dilli modelin mevcut konuşma altyapısına katılması sürüyor. Paylaşılan bulgular, işletme sonuçlarından çok teknik yeteneklere ve geliştirme sürecine odaklanıyor.

Sorun

Inflection AI’nin açıklamasına göre Pi çevresindeki konuşmalar, sırayla konuşan kişilerden oluşmuyor. Katılımcılar birbirinin sözünü kesebiliyor veya aynı anda konuşabiliyor. Şirket, önceki konuşma tanıma bileşeninin böyle durumlarda farklı kişilerin söylediklerini aynı metinde birleştirebildiğini belirtiyor. Dolayısıyla yalnızca doğru sözcükleri bulmak, konuşmayı anlamlandırmak için yeterli olmuyor.

Müşteri hizmetleri açısından bu örneğin karşılığı, görüşme kaydındaki ifadeleri ilgili konuşmacıyla birlikte değerlendirebilmek. Hugging Face’teki teknik anlatım da çok dilli konuşmalarda metne dönüştürmenin yanında konuşmacı etiketlerine, çeviriye ve alana özgü terimlerin doğru yazımına ihtiyaç duyulduğunu vurguluyor. Ancak kaynaklar, bu ihtiyaçları karşılayan tamamlanmış bir müşteri hizmetleri kurulumunun sonuçlarını paylaşmıyor.

Yapay zekâ nasıl kullanılıyor

Inflection AI’nin aktardığı süreç, sesin hangi bölümünde kimin konuştuğunu belirlemekle başlıyor. Şirket önce konuşmacı ayrıştırmayı kendi altyapısına ekliyor. Ardından bu ayrıştırmanın çıktısını konuşma tanımaya yön vererek her katılımcının sözlerini ayrı yazıya dökmek için kullanıyor. Şirketin anlatımında, üst üste gelen sesleri doğru kişiye bağlamak bu bağlantının temel amacı.

Sonraki aşamada Inflection AI, konuşmacı etiketlerinin doğruluğunu geliştiren başka bir NVIDIA bileşenini devreye alıyor. Çok dilli işleme içinse NVIDIA Nemotron 3.5 Transcribe üzerinde çalışıyor. Şirket, denediği modelin kayıtlı sesi işlediğini; kısa ses parçalarıyla yaptığı deneylerin ardından akışa uyarlama çalışmalarını sürdürdüğünü söylüyor.

Hugging Face’in açıklamasına göre geliştiriciler, modele doğal dilde yönergeler vererek konuşmacı etiketleri veya belirli yazım biçimleri isteyebiliyor. Müşteri hizmetlerine uyarlanacak bir denemede bu yaklaşım, ürün terimlerini yönergeye eklemek ve ortaya çıkan metni kayıtla karşılaştırmak için kullanılabilir.

Araçlar ve modeller

Inflection AI, ilk konuşmacı ayrıştırma adımında NVIDIA Streaming Sortformer kullandığını belirtiyor. Şirketin anlatımına göre NVIDIA Multitalker Parakeet, ayrıştırmadan gelen bilgiyi kullanarak kişilere ait sözleri ayrı yazıya döküyor. NVIDIA Nemotron 3 Diarization ise konuşmacı ayrıştırmayı geliştirmek amacıyla altyapıya ekleniyor. Çok dilli denemelerin modeli NVIDIA Nemotron 3.5 Transcribe.

Hugging Face’teki açıklamaya göre Transcribe açık ağırlıklarla sunuluyor; geliştiriciler sesin nerede işleneceğini seçebiliyor. Aynı kaynak, mevcut modelin vLLM ile sunulabildiğini, alana uyarlama için Granary v2 verileri ve NeMo Speech araçlarının bulunduğunu bildiriyor. Bu seçeneklerin varlığı, Inflection AI’nin hepsini kendi kurulumunda kullandığı anlamına gelmiyor.

Sonuçlar

Inflection AI, Nemotron 3 Diarization ile kendi testlerinde konuşmacı ayrıştırmanın iyileştiğini bildiriyor. Şirket, çok dilli modelle yaptığı ilk denemeleri de olumlu değerlendiriyor; ancak farklı kullanım amaçlarına sahip modeller arasındaki sözcük hatası karşılaştırmasının doğrudan eşdeğer olmadığını özellikle belirtiyor. Doğruluk, yanıt gecikmesi ve sunum maliyetini mevcut altyapıyla karşılaştırma çalışması sürüyor.

Hugging Face’in teknik yazısına göre NVIDIA Nemotron 3.5 Transcribe, 40 dilde transkripsiyon yapabiliyor; konuşmacı ilişkilendirme desteği ise 13 dili kapsıyor. David AI Research, modeli hem transkripsiyon hem konuşmacı ayrıştırma değerlendirmelerine eklediğini doğruluyor. Bu teknik bulgular, müşteri hizmetlerinde sağlanmış işletme kazanımları olarak okunmamalı. Kaynaklarda çağrı çözüm süresi, temsilci verimliliği veya müşteri memnuniyeti için ölçülmüş sonuç paylaşılmıyor.

Türkiye'deki bir KOBİ nasıl uygulayabilir

  • Önce dar bir kullanım amacı seçin: görüşme sonrasında müşteri ve temsilci sözlerini ayrı incelemek gibi. Kaynaklarda tamamlanmış müşteri hizmetleri sonuçları bulunmadığından, beklenen faydayı başlangıçta ölçülecek bir varsayım olarak tanımlayın.
  • Kullanım yetkisini değerlendirdiğiniz kayıtlardan küçük bir deneme kümesi hazırlayın. Farklı dilleri, söz kesmelerini ve ürün adlarını içeren örnekler seçin; karşılaştırma için insan tarafından kontrol edilmiş metinler oluşturun.
  • Hugging Face’in önerdiği görev ve dil tablosunu inceleyin. Türkçe transkripsiyon ile Türkçe konuşmacı ayrıştırma desteğini ayrı ayrı doğrulayın; verilen kaynaklar Türkçe için açık bir destek taahhüdü içermiyor.
  • Önce hazır model ve doğal dil yönergeleriyle deneyin. Sözcük hatalarını, yanlış konuşmacı etiketlerini, işlem gecikmesini ve kaynak tüketimini ayrı izleyin. Alana uyarlamayı, bu denemenin gösterdiği ihtiyaçlara göre değerlendirin.
  • KVKK açısından kayıtların işlenmesini, erişim yetkilerini, saklama ve silme düzenini değerlendirin. Model çıktısını kullanacak kişileri belirleyin; özellikle isimleri ve konuşmacı değişimlerini ses kaydı üzerinden denetleyin.

Riskler ve maliyet

Hugging Face’in teknik açıklaması, isimlerin, konuşmacı geçişlerinin ve ses hakkındaki yanıtların kayıtla karşılaştırılmasını öneriyor. Inflection AI de küçük konuşmacı etiketleme hatalarının Pi’nin konuşmayı yorumlamasını etkileyebileceğini belirtiyor. Bu nedenle müşteri hizmetlerine yönelik bir denemede, yanlış kişiye bağlanan ifadeler için insan denetimi planlanmalı.

Dağıtım seçimi de ayrıca değerlendirilmeli. Hugging Face, Transcribe’ın kayıtlı ses için tasarlandığını söylüyor; Inflection AI’nin canlı konuşma altyapısına uyarlama çalışması ise devam ediyor. Dolayısıyla hazır bir canlı görüşme çözümü varsayılmamalı. İşlem altyapısı, entegrasyon, kayıt yönetimi ve insan kontrolü bütçelendirilmesi gereken kalemler olarak ele alınabilir; kaynaklar bunlar için maliyet vermiyor. Açık ağırlıklarla yer seçebilmek de tek başına veri gizliliği veya KVKK değerlendirmesinin tamamlandığını göstermez.

Sık sorulanlar

Bu örnek tamamlanmış bir müşteri hizmetleri uygulaması mı?
Hayır. Inflection AI’nin kaynağı Pi’nin konuşma altyapısını anlatıyor ve çok dilli entegrasyonun sürdüğünü belirtiyor. Müşteri hizmetlerine ilişkin adımlar, bu teknik örnekten hareketle önerilen bir deneme yoludur.
Model canlı görüşmeleri doğrudan işleyebiliyor mu?
Hugging Face’in açıklamasına göre Transcribe kayıtlı ses için tasarlanmış. Inflection AI, kısa ses parçalarıyla denemeler yaptığını ve canlı akışa uyarlamak için gerekli altyapıyı geliştirdiğini bildiriyor.