Sesli Yapay Zekâ: Konuşma Modelleri Açık Kaynaklı Hale Geldikten Sonra Değerin Taşındığı Yer

Yapay zekada ürün geliştirme döngüsü hızla kısalıyor. Bir çeyrekte yayınlanan bir yetenek, sonraki çeyrekte sıradan bir özellik haline geliyor. Ses, bu sıkışmanın bugüne kadarki en net örneği. Bir makinenin dinlemesini ve konuşmasını sağlayan modeller yalnızca ucuzlamadı, indirilebilir hale geldi.

Yapay zekada ürün geliştirme döngüsü hızla kısalıyor. Bir çeyrekte yayınlanan bir yetenek, sonraki çeyrekte sıradan bir özellik haline geliyor. Ses, bu sıkışmanın bugüne kadarki en net örneği. Bir makinenin dinlemesini ve konuşmasını sağlayan modeller yalnızca ucuzlamadı, indirilebilir hale geldi.

Bunun önemi şurada: Bir şey ters gittiğinde, bir randevu alınacağında ya da müşteri cevabı hemen istediğinde ekonominin büyük bölümü hala telefonla işliyor. O aramayı sürdürebilen bir model bir kabiliyettir. O aramayı müşterinin kendi sistemleri içinde ve kendi sektörünün kuralları altında sonuçlandırabilen bir ürün ise bir şirkettir. Dönüşüm telefonla da sınırlı değil. Daha önce metin veya ekran üzerinden sunulan birçok ürün deneyimi, artık doğal ve gerçek zamanlı konuşma üzerinden yeniden tasarlanabiliyor.

2026'da bu ikisi arasındaki mesafe, bir pazar olarak bakılacak kadar açıldı ve fonlandı. Bu yazı, model kıt olmaktan çıktığında değerin nereye gittiğini inceliyor.

Model Katmanı Açıldı

OpenAI, Whisper konuşma tanıma modelini 21 Eylül 2022'de açık kaynak olarak yayınladı. O tarihte bu bir istisnaydı. Dört yıl sonra kural haline geldi.

Sesame, viral asistanı Maya'nın arkasındaki CSM-1B modelini Mart 2025'te Apache 2.0 lisansıyla açtı. NVIDIA, 28 Ekim 2026'da Nemotron 3.5 Transcribe'ı yayınladı: 34 milyar parametreli, adım başına yaklaşık 4 milyarı aktif, 40 dilde transkripsiyon ve 31 dilde İngilizceye çeviri yapan, ticari kullanıma izin veren açık ağırlıklı bir model. Hugging Face'in İngilizce konuşma tanıma sıralamasında açık modeller arasında ilk sırada ve ortalama word error rate'i yüzde 5,33. Eğitim verisi olan Granary v2, 48 dilde 463.062 saat konuşma içeriyor ve o da açık.

E1 · OpenAI, Sesame ve NVIDIA duyuruları · açık ağırlıklı yayın tarihleri

Bu modellerin üreticileri dar bir niş oyuncu değil. Pazarın en büyük donanım tedarikçisi ve en büyük model laboratuvarı, konuşma katmanını bilinçli olarak metalaştırıyor. Bu bir strateji: model ne kadar ucuzlarsa, üzerinde koşan uygulama hacmi o kadar büyüyor ve o hacim donanıma ve API'ye dönüyor.

Fiyat da aynı yönde hareket etti. Cartesia'nın hosted ses ajanı ürünü Kasım 2026 itibarıyla dakikada 0,03 USD, şirketin kendi fiyat sayfasında bir önceki fiyat olan 0,06 USD'nin üzeri çizili. AssemblyAI ilk TTS modelini 27 Ekim 2026'da milyon karakter başına 15 USD'den çıkardı. Telefon görüşmesinin dakikası, konuşma katmanı için artık bir çağrı merkezi dakikasının küçük bir kesrine mal oluyor.

Düşen tek şey maliyet değil. Açık modellerin kalitesi yükselirken ticari modeller de daha doğal konuşma, daha düşük gecikme ve çok dilli performans sunuyor. Rekabet yalnızca modelin ucuzlaması üzerinden değil, daha önce mümkün olmayan kullanıcı deneyimlerinin üretilebilir hale gelmesi üzerinden de yürüyor. Bu iki hareket farklı sonuçlar doğuruyor. Ucuzlama, mevcut telefon trafiğini devralmayı karlı kılıyor. Kalite sıçraması ise sesin kendisinin ürün olduğu yeni bir kategori açıyor.

Bizim yorumumuz şu: Bu katmanda bir girişimin savunabileceği bir fark kalmadı. Daha iyi bir Turkish ASR modeli eğitmek mümkün, ama bunun bir şirket değil bir özellik olduğu ve bir sonraki açık yayınla kapanacağı varsayılmalı. Değer başka bir yerde aranmalı ve sonraki bölüm o yerin nerede olduğunu gösteriyor.

Talep Gerçek ve Ölçülebilir

Model ucuzlarken harcama arttı. İki veri noktası bunu farklı açılardan gösteriyor.

Menlo Ventures'ın 3 Kasım 2026'da yayımladığı kurumsal yapay zeka raporu, Morning Consult'un 8-26 Eylül 2026 tarihleri arasında yaklaşık 400 ABD'li kurumsal karar vericiyle yaptığı ankete dayanıyor. Rapora göre müşteri hizmetleri ajanlarına yapılan harcama 2,7 milyar USD'ye ulaştı ve bir yılda 4,3 kat büyüdü. Bu, raporun izlediği uygulama kategorileri arasında kodlama ve kurumsal chatbot'lardan sonra en hızlı büyüyen kalem. Kategorinin liderleri olarak Sierra ve Decagon anılıyor. Sierra, Mayıs 2026'da 15 milyar USD'nin üzerinde değerlemeyle 950 milyon USD topladı.

Menlo'nun pazar büyüklükleri anket, kamuya açık finansal tablolar ve üçüncü taraf raporlardan kurulan bir tahmin modeline dayanıyor. Bu nedenle rakamları büyüklük değil yön ve hız göstergesi olarak okuyoruz.

E3 · Menlo Ventures, 2026: The State of Enterprise AI, 3 Kasım 2026 · 7 uygulama kategorisi

İkinci veri noktası tahmin değil, bilanço. Twilio, 2026 üçüncü çeyreğinde gelirinin yıllık yüzde 20 artarak 1,56 milyar USD'ye ulaştığını açıkladı. Ses geliri yüzde 20'nin üzerinde, self-serve ses geliri ise yaklaşık yüzde 55 büyüdü. Şirket, bir sağlık sigortacısıyla imzaladığı ilk sekiz haneli Conversations anlaşmasını ConversationRelay ürününe bağladı. Yıllardır tek haneli büyüyen bir telefon altyapısı şirketinde ses hattının yeniden büyüme motoru olması, ajanların gerçek telefon trafiği taşımaya başladığının en somut işareti.

Bu iki veri noktası birlikte okunduğunda tablo netleşiyor. Konuşma modeli bedava, ama o modelle yürütülen arama dakikası için bütçe var ve büyüyor. Soru, o bütçenin hangi tür şirkete gittiği.

Üç Şirket Kategorisi

Bu alanda sermaye, ekonomisi birbirinden farklı üç ürün tipine dağılıyor.

Sesi Satanlar

Bu şirketler ses kabiliyetinin kendisini satıyor: model, gerçek zamanlı taşıma, ajan çerçevesi. ElevenLabs, Şubat 2026'da Sequoia liderliğinde 11 milyar USD değerlemeyle 500 milyon USD'lik Series D turunu kapattı. Deepgram, 29 Ekim 2026'da açık kaynak ses ajanı çerçevesi Pipecat'in geliştiricisi Daily'yi satın aldığını duyurdu ve Pipecat'i bağımsız bir vakıfa devretti. Cartesia aynı hafta hosted ajan ürününün fiyatını yarıya indirdi.

Bu üç hareket aynı şeyi söylüyor. Altyapı katmanı konsolide oluyor, fiyat rekabetine giriyor ve açık kaynak çerçeveyi kendi dağıtım kanalı olarak kullanıyor. Burada kazanan şirketler olacak, ama erken aşamada yeni bir girişimin bu tabloya girmesi için gereken sermaye ve ölçek, bir pre-seed turunun erişebileceği yerde değil.

Aramayı Sonuçlandıranlar

Bu şirketler ses satmıyor, bir sektörün telefon hattını üstleniyor. Broccoli, 28 Ekim 2026'da Khosla Ventures liderliğinde Series A ve Series B turlarını birlikte, toplam 52 milyon USD olarak açıkladı. Ürün, tesisat, HVAC ve elektrik işletmelerinin telefonlarına cevap veriyor, randevu alıyor, teklifleri takip ediyor ve servis üyeliklerini yeniliyor. Şirketin beyanına göre 1.500'ün üzerinde işletme müşterisi var, 10 milyonun üzerinde görüşme taşındı ve 2,5 milyon randevu alındı. Bu rakamlar şirket kaynaklı ve bağımsız doğrulaması yok.

Aynı kalıp başka sektörlerde de görünüyor: tüketici kredisinde borçlulara ulaşan ajanlar, kliniklerde randevu hattı, lojistikte taşıyıcı görüşmeleri. Her birinde ürün, o sektörün planlama yazılımına, CRM'ine ve ödeme sistemine bağlanıyor ve her arama o bağlantıların içinde sonuçlanıyor.

Sesin Ürün Olduğu Şirketler

Üçüncü tipte ses, mevcut bir iş akışını otomatikleştiren arayüz değil, ürünün temel deneyimi. Dil öğrenme, eğitim, interaktif içerik ve kişisel asistanlar bu gruba giriyor. Burada rekabet avantajı ses modelinden çok, konuşmayı kullanıcı için ölçülebilir bir değere dönüştüren ürün tasarımında, kişiselleştirmede ve kullanıcı bağlılığında oluşuyor.

Portföy şirketimiz Lucida AI bu tipin örneği. Ürün, kullanıcının konuşmasını gerçek zamanlı dinleyip telaffuz, akıcılık ve dilbilgisi üzerine geri bildirim veren ve geçmiş konuşmaları hatırlayarak dersi kişiselleştiren sesli bir dil koçu. Şirketin Nisan 2026'da seed turunu açıklarken paylaştığı rakamlara göre ürün dokuz ayda 3 milyonun üzerinde kullanıcıya ulaştı, kullanıcıların yüzde 45'i Avrupa'da, yüzde 44'ü ABD'de. Kasım 2026'da paylaştığı güncellemeye göre ilk yılı olan 2025'i 4,8 milyon USD ARR ile kapattı ve 2026'da yaklaşık 15 milyon USD ARR seviyesinde, yani bir yılda üç kat büyüme. Bu rakamlar şirket beyanı. Tur, BV Growth II fonunun ilk yatırımıydı.

Yeni konuşma modelleri bu tip için doğrudan bir fırsat. Daha doğal, daha düşük gecikmeli ve bağlamı daha iyi takip eden konuşma, sesli dil öğrenme ürününün kalitesini doğrudan yükseltiyor. Ama yatırımcı sorusu modelin ne kadar iyi konuştuğu değil. Kullanıcı daha uzun ve daha sık konuşuyor mu, konuşma deneyimi öğrenme çıktısını ölçülebilir biçimde iyileştiriyor mu, model kullanıcının seviyesini ve geçmiş hatalarını hatırlayıp kişiselleştirilmiş bir akış kurabiliyor mu, yeni modellerle kullanıcı başına maliyet düşerken retention ve LTV artıyor mu. Savunulabilir avantaj ses modeline sahip olmak değil, konuşmayı öğrenme çıktısına dönüştüren pedagojik sistem, kullanıcı bağlamı ve dağıtım gücü.

Bu ayrım underwriting için önemli. İlk tip bir kabiliyet satıyor ve platform satan herkesle rekabet ediyor. İkinci tip zaten var olan bir bütçe kalemini, yani cevapsız kalan ya da geç cevaplanan aramaların maliyetini ikame ediyor. Satış döngüsü daha kısa, ürünün bir platform tarafından paketlenip yok edilmesi daha zor. Çünkü satılan şey bir özellik değil, bir sonuç. Üçüncü tipte ise değer, sesli etkileşimin kullanıcı için vazgeçilmez bir deneyim yaratmasından geliyor. Bu nedenle değerin aramayı sonuçlandırana taşındığı tezi doğru ama tek başına eksik. Değer aynı zamanda sesin kendisinin ürün olduğu uygulamalara da taşınıyor.

Hangi Katman Kime Kalır

Sesli ajan tek bir ürün kategorisi değil. Platform sahipleri, kendi ajan katmanlarını çıkardı.

OpenAI'ın Realtime API'si ve Google'ın Gemini Live'ı model tarafından geliyor. Salesforce'un Agentforce Voice'u ve Twilio'nun ConversationRelay'i CRM ve telefon altyapısı tarafından geliyor. Avustralya'daki Southern Cross Credit Union, Agentforce Voice üzerinde altı haftada hesap bakiyesi sorgularını cevaplayan bir ajan kurdu ve Salesforce'un vaka çalışmasına göre ajan tüm aramaların yüzde 7'sini üstleniyor. Ajan Salesforce'un forward deployed mühendisleriyle kuruldu. Bu, müşterinin zaten kullandığı bir platformun üstüne altı haftada bir sesli ajan koyulabildiğini gösteriyor.

Bizim okumamız şu: Genel amaçlı ses altyapısının önemli bir bölümü büyük platformlar tarafından sunulacak. Bir CRM'in içindeki bakiye sorgusu ya da bir telefon altyapısının içindeki IVR değişimi, platform sahibinin kendi ürününün bir özelliği olmaya aday. Ancak OpenAI, Google, Salesforce ve Twilio'nun ürün katmanları birbirinden farklı ve hiçbiri her kullanım senaryosunu aynı hızda kapsamayacak. Bu platformların her sektöre ve her kullanıcı deneyimine özgü iş akışlarını derinlemesine geliştirmesi beklenmemeli. Sektöre odaklı ses şirketlerinin büyümesi bu boşluğun sonucu: Broccoli'nin tesisatta, Lucida'nın dil öğrenmede yaptığı iş, bir platformun yol haritasına girmeyecek kadar dar.

Açık kalan katman, platformun görmediği yer. Bir tesisat işletmesinin gün içi planlaması, bir kliniğin sigorta doğrulaması, bir taşıyıcının yük pazarlığı, bir kredi kuruluşunun tahsilat kuralları. Buralarda arama, platformun bilmediği bir iş akışının içinde sonuçlanıyor ve o iş akışını öğrenmek, entegre etmek ve her aramada biraz daha iyileştirmek, platform sahibinin yatırım yapmayacağı kadar dar ve bir girişimin büyüyebileceği kadar geniş.

Genel amaçlı katman büyük ölçüde platformların, sektöre ve deneyime özgü katman açık. Bu ayrımı yatırımdan önce fiyatlamak, sonra fiyatlamaktan daha ucuz.

Yatırımcı Perspektifinden

Bu dinamikler, sesli ajan şirketlerini değerlendiren yatırımcının demo kalitesinin ötesine bakmasını gerektiriyor. Her ajan artık iyi konuşuyor. Soru, aramayı kapatabiliyor mu.

Ölçülecek şeyler ürün tipine göre değişiyor. Dikey sesli ajanlarda bakılacak olan, aramaların yüzde kaçının insana devredilmeden sonuçlandığı, sonuçlanan arama başına maliyetin ne olduğu, model ve telefon maliyeti düşüldükten sonra dakika başı brüt marjın ne kaldığı ve ikinci, onuncu müşteriye entegrasyonun ilkinden ne kadar kısa sürdüğü. Sesin ürün olduğu tüketici uygulamalarında bu metrikler anlamsız. Orada bakılacak olan D7 ve D30 retention, konuşma sıklığı ve süresi, ölçülebilir öğrenme veya kullanım çıktısı, kullanıcı başına inference maliyeti ve LTV/CAC. İki grupta da bu metrikler yoksa ürün henüz bir pilot.

Kanıt kalitesi aynı titizliği gerektiriyor. Bu kategoride dolaşan rakamların büyük bölümü ürünü satan şirket tarafından üretilmiş. Bir tahsilat ajanının borçluya insan ekipten daha sık ulaştığı ya da bir modelin ilk sese yarım saniyede ulaştığı iddiası, müşteri referansıyla doğrulanmadıkça satış materyalidir. Müşteri referansları araştırma alıntılarından daha bilgilendirici.

Ölçüsüz otomasyonun maliyeti de belgelendi. Klarna, Mayıs 2025'te müşteri hizmetlerinde yeniden insan temsilci işe almaya başladığını açıkladı. CEO Sebastian Siemiatkowski'nin ifadesiyle maliyet önceliği kaliteyi düşürmüştü. Ders, ajanın işe yaramadığı değil, hangi aramaların ajana bırakılacağının bir ürün kararı olduğu.

Düzenleme tarafında risk ve açıklık birlikte geliyor. ABD'de FCC, Şubat 2024'te yapay zeka üretimi sesli aramaları TCPA kapsamında rızaya bağlı saydı ve 1 Ekim 2026 tarihli kararıyla rıza geri çekme yöntemlerini yeniden düzenledi, bu kurallar 25 Kasım 2026'da yürürlüğe giriyor. Avrupa'da AI Act'in 50. maddesi 2 Ağustos 2026'dan itibaren insanlarla doğrudan etkileşen her yapay zeka sisteminin bunu açıkça bildirmesini zorunlu kılıyor. Bu kurallar outbound aramayı zorlaştırıyor ve izinli, inbound trafiği üstlenen ürünleri yapısal olarak avantajlı hale getiriyor. Kimliğini açıklayan, kayıt rızasını yöneten ve geri çekme isteğini anında işleyen bir ajan, uyum maliyetini bir ürün özelliğine çeviriyor.

Değerleme, mücadele edilen pazarın büyüklüğüne göre değerlendirilmeli. Menlo'nun 2,7 milyar USD'lik kategori tahmini, 15 milyar USD'nin üzerindeki tek bir değerlemeden küçük. Bu fiyat, kazananın kategoriyi birkaç kat büyüteceğini varsayıyor. Erken aşamada dikey bir ajan için aynı varsayım gerekmiyor. Tek bir sektörün cevaplanmayan aramaları, bir pre-seed turunu haklı çıkaracak kadar büyük.

Türkiye İçin Anlamı

Açık konuşma modelleri her dilde eşit değil.

Whisper'ın kendi makalesine göre modelin eğitildiği 680.000 saatlik sesin 117.000 saati İngilizce dışındaki 96 dile ait. Yani İngilizce dışı diller toplam verinin yüzde 17'sini paylaşıyor ve makale, dil başına veri azaldıkça hata oranının yükseldiğini gösteriyor. NVIDIA'nın Granary v2 veri seti 48 dili kapsıyor ama 463.000 saatin dillere dağılımı da aynı derecede eğik. Bir İngilizce telefon görüşmesinde çalışan ajan, Türkçe bir görüşmede, özellikle bölgesel ağız, telefon hattı gürültüsü ve kesintili konuşma karşısında aynı güvenilirlikte değil.

Bu bir model problemi gibi görünüyor ama bir deployment problemi. Model katmanının açık olduğu bir dünyada Türkçe için fark yaratan şey, yeni bir model eğitmek değil. Açık modeli Türkçe telefon trafiğinde, belirli bir sektörün sözcük dağarcığıyla, gerçek aramalarda çalışır hale getirmek ve her aramadan o sektöre özgü veri biriktirmek. Bu iş, küresel bir platformun Türkiye için yapmayacağı kadar dar ve bir girişimin üzerine şirket kuracağı kadar geniş. Türkiye'deki fırsat yalnızca Türkçe konuşmayı doğru anlamak değil, Türkçe konuşma üzerinden belirli bir sektörün veya kullanıcı grubunun ihtiyacını karşılayan, ölçülebilir sonuç üreten ürünler geliştirmek.

Üç alan öne çıkıyor.

Bir sektörün telefon hattını üstlenen dikey ajanlar. Sağlıkta randevu ve hatırlatma, sigortada hasar ihbarı, e-ticarette kargo ve iade. Her biri Türkçe, yüksek hacimli ve büyük bölümü tekrar eden arama trafiği taşıyor.

Finansal hizmetlerde izinli inbound. Bankacılık ve tahsilat, aramayı kaydetme, kimlik doğrulama ve rıza yönetimi gerektiriyor. KVKK uyumunu ürünün içine gömen bir ajan, uyum maliyetini satış argümanına çevirir.

Küçük işletme telefonu. Broccoli'nin ABD'de tesisat ve HVAC için yaptığının Türkçe karşılığı: cevapsız kalan aramayı randevuya çeviren, işletmenin kullandığı planlama ve ödeme araçlarına bağlanan bir ürün. Burada müşteri sayısı çok, sözleşme küçük ve dağıtım kanalı belirleyici.

Sesli Yapay Zekada Moat

Model bedava olduğunda moat, modelin etrafındaki katmanlarda birikir. Sesli ajanda o katmanlar belli: müşterinin planlama, CRM ve ödeme sistemlerine entegrasyon, sektöre özgü arama senaryolarının ve istisnalarının bilgisi, ve her aramadan biriken, başka hiçbir veri setinde bulunmayan gerçek konuşma verisi. Bu veri, bir sonraki aramayı daha yüksek oranda sonuçlandırıyor ve ürünü müşterinin operasyonuna biraz daha gömüyor. Sesin ürün olduğu şirketlerde aynı döngü ürün verisi ve kullanıcı bağlılığı üzerinden işliyor. Moat yalnızca konuşma verisinden değil, bu veriyi daha iyi sonuçlara dönüştüren ürün döngüsünden oluşuyor. Her etkileşim, kullanıcının bağlamını daha iyi anlamayı, deneyimi kişiselleştirmeyi ve bir sonraki etkileşimin değerini artırmayı sağlamalı.

Konuşma modellerinin açılması, bu kategoriyi küçültmedi. Kimin kazanacağını değiştirdi. En iyi modele sahip olan değil, belirli bir sektörün telefonunu en güvenilir şekilde kapatan ve yüzüncü müşteride birinci müşteriden çok daha zor kopyalanır hale gelen şirket kazanacak. Ses üretmek ucuzladığında kazanan şirketler en iyi konuşanlar değil, her konuşmayı daha iyi bir sonuca dönüştürebilenler olacak. Türkçe, bu yarışta bir engel değil, küresel platformların girmeyeceği bir alanın sınırı.