Meta'nın Yeni Transkripsiyon Modeli: 70 Dil, 25'i Doğrulanmış

70 dil ve 25 dil. Meta'nın 1 Eylül'de tanıttığı konuşma tanıma modeli Muse Voice Transcribe için bu iki sayı arasındaki fark, duyurunun geri kalanından daha çok şey anlatıyor. Model 70'ten fazla dille eğitilmiş, ama Meta'nın kapsamlı biçimde doğruladığını söylediği dil sayısı 25 ve şirket kullanıcılara bu 25 dilde kalmalarını öneriyor.

Rakamlar ne gösteriyor?

Modelin iddiası hız tarafında yoğunlaşıyor. Meta, uyarlanabilir gecikme tekniğiyle nihai transkripsiyonu 0,16 saniyede ürettiğini ve bu sırada kelime hata oranını yüzde 3,0'da tuttuğunu bildiriyor. Canlı altyazı ya da çağrı sırasında not çıkarma gibi işlerde belirleyici olan sayı budur.

İkinci iddia konuşmacı ayrıştırma tarafında. Model 20'den fazla konuşmacıyı ayırt edebiliyor, kıyaslama veri kümelerinde ayrıştırma hata oranı yüzde 17,5. Meta, 1 Eylül itibarıyla Artificial Analysis'in akış tabanlı konuşma tanıma sıralamasında ve kamuya açık ayrıştırma testlerinde birinci olduğunu söylüyor.

Yüzde 17,5'lik ayrıştırma hatasının pratikte ne demek olduğunu da not edelim: altı kişilik bir toplantı kaydında konuşmanın yaklaşık altıda birinin yanlış kişiye atfedilmesi anlamına gelebilir. Kim ne dedi sorusunun kritik olduğu işlerde (mülakat, kurul kaydı, uyuşmazlık dosyası) çıktının insan tarafından gözden geçirilmesi hâlâ şart.

Model ayrıca tüketici tarafına da uzanıyor. Meta, aynı teknolojiyi Mac'te herhangi bir uygulamanın içinde çalışan gerçek zamanlı dikte özelliği olarak sunuyor, yani kurumsal API ile aynı motor masaüstünde de karşınıza çıkıyor.

Fiyat, Meta'nın kendi duyurusunda yer almıyor. Model API üzerinden 1.000 ses dakikası için 3 dolar, yani saat başına yaklaşık 0,18 dolar rakamı ikincil kaynaklardan geliyor. Aynı kaynaklara göre konuşmacı etiketleme ayrıca faturalanmıyor, bu ücrete dahil.

Kısa değerlendirmemiz

Saat başına 0,18 dolar, çağrı merkezi ölçeğinde ciddi bir eşik. Ayda 1.000 saat konuşma işleyen bir ekip için aylık maliyet 180 dolar civarına iniyor. Bir yıl önce aynı hacim, çoğu sağlayıcıda bunun birkaç katıydı. Toplantı özeti, çağrı kalite analizi, mülakat kaydı gibi işlerin bütçe engeli fiilen kalkmış durumda.

Türkiye'den bakınca bir soru işareti var ve önemli: Meta'nın paylaştığı doğrulanmış dil listesinde Türkçe görünmüyor. Model Türkçeyi anlamıyor demek değil bu, 70 dilin içinde yer alıyor olabilir. Ama şirketin arkasında durduğu yüzde 3,0'lık hata oranı doğrulanmış diller için verilmiş bir rakam ve Türkçe için aynı performansı varsaymak için elimizde veri yok.

Sahada gördüğümüz kalıp şu: konuşma tanıma modelleri Türkçede genelde iyi çalışıyor, ama sektörel terim ve özel isim yoğunluğu arttıkça hata oranı hızla bozuluyor. Bir sigorta çağrı merkezinin poliçe konuşmasıyla, bir kafenin sipariş konuşması aynı zorlukta değil.

Pratik önerimiz: bu modeli değerlendiriyorsanız kıyaslama tablosuna değil, kendi kayıtlarınıza bakın. Kendi arşivinizden rastgele seçilmiş 30 dakikalık gerçek konuşmayı hem mevcut çözümünüze hem Muse'a verin, çıktıları kelime kelime karşılaştırın. Yarım günlük bu iş, yıllık lisans kararınızdan daha güvenilir bir cevap verir.

Kaynaklar: Meta AI Research, Meta Developer, TechRepublic