Kısa özet: OpenAI, kayıtlı ses dosyaları için gpt-transcribe ve canlı ses akışları için gpt-live-transcribe adlı iki yeni konuşmadan metne modelini tanıttı. İki model de alan terimleri, özel adlar ve beklenen diller için ipuçları alabiliyor. Asıl yenilik yalnızca daha iyi bir “ses yazıya çevirme” vaadi değil; dosya işleme ile düşük gecikmeli canlı altyazıyı iki ayrı, daha belirgin iş akışına ayırması. Ancak OpenAI henüz kamuya açık ayrıntılı bir doğruluk karşılaştırması paylaşmadığı için ekiplerin kendi Türkçe sesleriyle ölçüm yapması gerekiyor.
Neden şimdi önemli?
Konuşmayı yazıya dönüştürme, üretken yapay zekânın en gösterişli alanı olmayabilir; fakat çağrı merkezi kayıtlarından toplantı notlarına, erişilebilir canlı altyazıdan podcast arşivlerine kadar birçok ürünün temel katmanıdır. Bu katman hata yaptığında sonraki özet, arama, görev çıkarma ve analiz adımları da yanlış veriyle çalışır. Özellikle kişi adları, ürün kodları, sayılar, kısaltmalar, aksanlar ve aynı konuşmada birden fazla dil kullanılması klasik zayıf noktalardır.
OpenAI’nin 28 Temmuz 2026 tarihli resmî videosu tam olarak bu sorunlara odaklanıyor. Şirket, iki modelin 57 dili desteklediğini; aksanlar, çok dilli konuşma, kısa yanıtlar, adlar ve sayılarda daha iyi sonuç vermek üzere tasarlandığını söylüyor. Videodaki gösterim ayrıca arka plan müziği ve yan konuşmaların metne yanlışlıkla eklenmesini azaltma, aynı oturum içinde dil değişimini izleme ve özel sözcük listeleri kullanma örnekleri içeriyor. Bunlar bir ürün demosu; bağımsız karşılaştırma sonucu değil. Yine de yeni API tasarımının hedeflediği gerçek kullanım sorunlarını açık biçimde gösteriyor.
İki model arasındaki temel fark
gpt-transcribe, tamamlanmış bir ses dosyasını işler. OpenAI dokümantasyonu bu modeli kaydedilmiş konuşmanın özgün dilinde yazıya dökülmesi için başlangıç seçeneği olarak öneriyor. Dosya tek seferde gönderilebildiği gibi model işlerken kısmi metin de alınabiliyor. Desteklenen biçimler arasında MP3, MP4, MPEG, MPGA, M4A, WAV ve WebM bulunuyor; yükleme sınırı 25 MB. Modelin resmî fiyatı ses dakikası başına 0,0045 dolar.
gpt-live-transcribe ise mikrofon, telefon görüşmesi veya başka bir canlı ses akışından düşük gecikmeli metin üretmek için tasarlanmış. Sunucu tarafında WebSocket, tarayıcı tarafında WebRTC bağlantısıyla çalışabiliyor. Konuşma sürerken “delta” adı verilen kısmi metinler geliyor; ses turu tamamlandığında son metin üretiliyor. Resmî fiyat dakikada 0,017 dolar. Canlı model daha pahalı, fakat altyazı, dikte ve sesli arayüzlerde son dosyanın oluşmasını beklememe avantajı sunuyor.
Bu ayrım ürün kararını sadeleştiriyor: Toplantı kaydı, podcast, çağrı arşivi ya da toplu işiniz varsa dosya modeli; canlı altyazı, anlık dikte veya gerçek zamanlı ses arayüzünüz varsa canlı model daha doğal başlangıç noktası. Kayıt tamamlandıktan sonra yüksek doğruluk ve iş hacmi önceliği ile etkileşim sırasında düşük gecikme önceliği aynı problem değildir.
Ana bulgular: bağlam, sözcükler ve çok dillilik
İki modelde de geliştirici üç tür ipucu verebiliyor. prompt, kaydın bağlamını serbest metinle anlatıyor. keywords, duyulması beklenen ürün adı, kişi adı, kısaltma veya kod gibi sözcükleri listeliyor. languages ise beklenen giriş dillerini belirtiyor. Örneğin bir sağlık görüşmesinde ilaç adları, bir satış görüşmesinde müşteri ve ürün adları, bir teknik destek kaydında hata kodları anahtar sözcük olarak eklenebilir.
Bu özellikler yalnız doğruluk artışı olarak görülmemeli; aynı zamanda bir kalite kontrol sorumluluğu getiriyor. OpenAI, anahtar sözcüklerin zorunlu çıktı değil ipucu olduğunu belirtiyor ve yalnız gerçekten ilgili terimlerin kullanılmasını öneriyor. Gereksiz veya aşırı geniş bir liste, kayıtta söylenmeyen bir terimin metinde görünmesi riskini artırabilir. Beklenen dillerin belirtilmesi de çok dilli ve dil değiştiren konuşmalarda yararlı olabilir; ancak üretim verisiyle test edilmeden varsayılan hâle getirilmemeli.
Canlı modelde gecikme ile doğruluk arasındaki denge ayarlanabiliyor. Dokümantasyon minimal, low, medium, high ve xhigh seçeneklerini veriyor. Daha düşük gecikme, metni daha erken gösterebilir; daha yüksek gecikme ise modele daha fazla ses bağlamı sağlayabilir. Sabit bir milisaniye garantisi yok. Bu nedenle ekiplerin temiz stüdyo sesi yerine gerçek mikrofonlar, telefon sesi, aksanlar, arka plan gürültüsü ve uzun oturumlarla ölçüm yapması gerekiyor.
Kimler için önemli?
Erişilebilirlik ekipleri için düşük gecikmeli canlı altyazı en dikkat çekici kullanım. Bununla birlikte otomatik altyazı, özellikle özel adlar ve sayılarda hata yapabilir; kritik toplantılarda insan düzeltmesi ve konuşmacının metni gözden geçirebilmesi hâlâ önemlidir.
Medya ve içerik ekipleri, podcast ve video kayıtlarını aranabilir arşive dönüştürüp özet, bölüm başlığı ve içerik taslağı üretebilir. Müşteri hizmetleri ve satış ekipleri, görüşmeleri yazıya döküp eylem maddeleri çıkarabilir. Sağlık, hukuk ve finans gibi düzenlemeye tabi alanlar ise veri saklama, açık rıza, erişim yetkileri ve yanlış metnin karar süreçlerine taşınması konularını uygulamanın başında ele almalı.
Uygulanabilir bir geçiş planı
- İş akışını ayırın. Tamamlanmış dosya mı, canlı akış mı işlediğinizi netleştirin; gecikme ve doğruluk hedefini ayrı ayrı yazın.
- Türkçe bir değerlendirme seti oluşturun. Farklı aksanlar, hızlı konuşma, düşük kaliteli telefon sesi, arka plan gürültüsü, tarihler, para tutarları ve ürün adlarını içeren, izinli örnekler kullanın.
- Temel sonuçla ipuçlu sonucu karşılaştırın. Önce hiçbir bağlam vermeden, sonra yalnız gerekli anahtar sözcük ve dil ipuçlarıyla çalıştırın. Söylenmeyen terimlerin eklenip eklenmediğini de ölçün.
- Yalnız kelime hata oranına bakmayın. Boş, kesik veya gecikmiş metinleri; ad ve sayı hatalarını; canlı altyazıda sonradan değişen kısımları ayrı izleyin.
- Maliyet ve saklama politikasını hesaplayın. Aylık ses dakikasını model fiyatıyla çarpın; tekrar denemeleri, uzun oturumları ve insan incelemesini ayrıca bütçeleyin.
- Geri dönüş yolu bırakın. Zaman damgası, konuşmacı etiketi veya güven skoru gerekiyorsa bu iki modelin sınırları nedeniyle uyumlu başka bir dosya modeli ya da uygulama katmanında ek işlem kullanın.
Sınırlamalar ve riskler
OpenAI, yeni modeller için resmî sayfalarda genel bir bağımsız test seti, Türkçe özelinde hata oranı veya önceki modellere karşı ayrıntılı karşılaştırma tablosu yayımlamış değil. “Daha iyi” iddiası bu aşamada şirketin videosu ve ürün açıklamasına dayanıyor. Demo koşullarındaki başarılı dil değiştirme ya da gürültü dayanıklılığı, çağrı merkezi hattı veya kalabalık bir sınıfta aynı sonucu garanti etmiyor.
gpt-live-transcribe kelime düzeyinde zaman damgası, konuşmacı etiketi veya güven skoru döndürmüyor. gpt-transcribe için de konuşmacı ayrımı gerekiyorsa farklı bir model kullanılması gerekiyor. Canlı oturumlarda farklı konuşma turlarına ait tamamlanma olayları her zaman sırayla gelmeyebildiğinden, uygulamanın sonuçları kimlik bilgisiyle eşleştirmesi gerekiyor. Son olarak ses kayıtları biyometrik ve kişisel veri içerebilir; açık rıza, en az veri toplama, şifreleme, saklama süresi ve silme süreçleri teknik entegrasyondan ayrı düşünülemez.
Sonuç
OpenAI’nin iki yeni modeli, konuşmadan metne geçişi tek bir API özelliği olmaktan çıkarıp iki ürün senaryosuna bölüyor: bitmiş kayıtlar için daha ekonomik dosya işleme ve canlı deneyimler için ayarlanabilir gecikmeli akış. En değerli yenilik, alan terimleri ile çok dilli konuşmayı bağlam ve anahtar sözcüklerle yönlendirebilmek. Yine de ekipler, pazarlama demosunu doğruluk kanıtı saymak yerine kendi Türkçe verileriyle kör karşılaştırma yapmalı. Erişilebilir altyazı veya karar destek süreçlerinde insan denetimi, özellikle adlar, sayılar ve kritik ifadeler için vazgeçilmez olmaya devam ediyor.