ChatGPT’nin güncellenen sesli versiyonuna denk geldiniz mi?
Duraksıyor, gülüyor, sesini alçaltıyor; siz konuşurken “hı hı” ve “anladım” gibi küçük karşılıklar veriyor. Bazen sözünüzü kesiyor, bazen düşünmeniz için bekliyor. İnsan gibi konuşmanın yanı sıra sizi dinlediğini de hissettiriyor.
Bu yeni sesin kullanıma sunulduğu günlerde Instagram’da başka bir akım yayılıyordu. Kullanıcılar aynı kelimeyi kızgın, kırgın, neşeli, flörtöz ve alaycı tonlarda tekrarlıyordu. Kelime değişmiyor; anlamı sesin yüksekliği, ritmi, vurgusu ve duraksamalar belirliyordu. Azalmakla birlikte hala örneklerine rastlamak mümkün.
ChatGPT’nin yeni sesli versiyonu da tam olarak bunu yapabiliyor.
Peki bu benzerlik tesadüf mü? Yoksa Instagram yapay zekaya nasıl konuşacağını mı öğretti?
OpenAI’nin bu özelliği belirli bir Instagram akımından esinlenerek geliştirdiğine somut bir açıklama yok, ancak iddialara karşı yapılan bir reddetme de söz konusu değil.
CHATGPT KONUŞMAYI NASIL ÖĞRENDİ
ChatGPT’nin ilk sesli versiyonu, 2023’ün Eylül ayında kullanıma sunuldu. Sistem aslında üç ayrı aşamadan oluşuyordu. Kullanıcının sesi önce Whisper adlı konuşma tanıma sistemiyle yazıya çevriliyor, ChatGPT yanıtı metin olarak hazırlıyor, başka bir model de bu metni seslendiriyordu.
Bu yöntem yapay zekanın konuşmasını sağladı, fakat insan sesini insan yapan ayrıntıların büyük bölümü aşamalar arasında kayboluyordu. ChatGPT kelimeleri duyuyor ancak onların hangi tonla söylendiğini bütünüyle anlayamıyordu. Kullanıcının duygusunu doğrudan sesten çıkarmakta zorlanıyordu. Verdiği yanıt da önceden yazılmış bir metnin düzgün biçimde okunmasına benziyordu.
OpenAI, bu ilk sistem için profesyonel ses ve ekran oyuncularıyla çalıştı. 2023’te açılan ilana 400’den fazla kişi başvurdu. Şirket, farklı kültürlere hitap edebilen, sıcak, güven veren, doğal, karizmatik ve kolay dinlenen sesler aradığını açıkladı. Seçilen oyuncular Haziran ve Temmuz aylarında San Francisco’da kayıt yaptı. Breeze, Cove, Ember, Juniper ve Sky adları verilen beş ses, Eylül 2023’te ChatGPT’ye eklendi.
Burada ses oyuncuları yapay zekanın temel ses rengini sağladı. O sesin nasıl konuşacağı, hangi kelimeyi nerede vurgulayacağı ve hangi duyguyu nasıl göstereceği ise modeller geliştikçe değişti.
“NEŞELİ TONDA SÖYLE”
Asıl büyük değişim, Mayıs 2024’te tanıtılan GPT-4o ile yaşandı: cevabı doğrudan ses olarak oluşturabildi. Sesini yükseltmesi, alçaltması, hızlanması, yavaşlaması, kahkaha atması veya aynı cümleyi farklı duygularla söylemesi bu yapı sayesinde mümkün oldu.
“Hızlı ve profesyonel konuş” ya da “neşeli bir tonda söyle” gibi ayrıntılı talimatları izleme yeteneği kazandırıldı.
DİNLEMEYİ DE ÖĞRENDİ
Temmuz ayında tanıtılan GPT-Live ise ChatGPT’nin sesli iletişimini bir kez daha değiştirdi: Aynı anda dinleyip konuşabilen bir yapı üzerine kuruldu. Model, kullanıcı konuşurken dinlemeye devam ediyor; ne zaman susacağına, ne zaman cevap vereceğine ve ne zaman küçük bir karşılık vereceğine konuşma sırasında karar verebiliyor.
Bu nedenle artık siz konuşurken “hı hı”, “evet” veya “anladım” diyebiliyor. Düşünmek için durduğunuzda hemen araya girmiyor. Sözünü kestiğinizde durabiliyor. Gerektiğinde konuşmayı başka bir yapay zeka modeline devrederek araştırma yaptırırken sizinle iletişimini sürdürebiliyor.
Hatta konuşmanız sırasında yaptığınız telaffuz hatalarını anlık olarak araya girip düzeltmeye bile başladı.
OpenAI, GPT-Live’ın geliştirilmesinde insan değerlendirmelerinden yararlandığını açıkladı. Deneklerden farklı modellerle yapılan konuşmaları; doğallık, hoşluk, konuşma akışı, kesintiler ve söz sırasına uyum açısından karşılaştırmaları istendi. Daha fazla tercih edilen davranışlar modelin geliştirilmesinde ölçü haline geldi.
Tam da bu noktada sosyal medya devreye giriyor.
‘DOĞAL’ SESİ KİM BELİRLEDİ
Bir yapay zeka sesinin doğal olup olmadığı yalnızca teknik bir ölçümle belirlenmiyor. Modeli değerlendiren insanlar, hangi duraksamayı samimi, hangi kahkahayı yapay, hangi tonlamayı sıcak bulduklarına karar veriyor.
Fakat insanların kulağı da tarafsız bir ortamda gelişmiyor. Bugünün kullanıcıları konuşma ritmini yıllardır YouTube videolarından, podcast’lerden, TikTok’tan ve Instagram’dan dinliyor.
Sosyal medya nasıl konuştuğumuzu da yeniden biçimlendirdi.
İçerik üreticileri, kullanıcının ilk saniyelerde videodan ayrılmasını engellemek için hızlı konuşmaya, belirli sözcükleri beklenmedik biçimde vurgulamaya, cümlenin ortasında seslerini yükseltip alçaltmaya başladı. Kamera karşısında hazırlanan metnin doğal görünmesi için küçük kahkahalar, nefesler, “şey”, “yani” gibi dolgu sesleri korundu.
Ortaya hazırlıksızmış gibi görünen, ancak dikkati korumak için ayrıntılı biçimde düzenlenmiş bir konuşma çıktı.
Dilbilim tartışmalarında ‘influencer konuşması’, ‘TikTok sesi’ veya ‘TikTalk’ olarak adlandırılan bu üslubun temel özellikleri arasında cümle sonunu yükseltme, ses perdesini sık değiştirme ve ‘vocal fry’ denilen çatallı, düşük ses kullanımı bulunuyor.
Elbette insanlar aynı aksanla konuşmaya başlamadı ama aynı dikkat ritmini kullanmaya başladı.
SOSYAL MEDYA YAPAY ZEKAYA NASIL GİRDİ
OpenAI, GPT-Live’ın eğitiminde hangi ses kayıtlarının kullanıldığına ilişkin ayrıntılı bir veri listesi yayımlamadı.
Ancak ChatGPT’nin seslerini kaydeden oyuncular, sosyal medya çağının içinde yaşayan insanlar. Onlardan “sıcak, doğal ve samimi” konuşmaları istendiğinde ortaya koydukları performans, dönemin konuşma alışkanlıklarını taşıyor.
Modelin yanıtlarını değerlendiren kişiler de aynı kültürün içinde yaşıyor. Yıllardır podcast ve kısa video dinleyen bir kullanıcı, yapay zekanın küçük duraksamalarını, kahkahalarını ve ani ton değişikliklerini daha insani bulabiliyor. Bu özellikleri taşıyan yanıtlar testlerde daha fazla tercih edildiğinde sosyal medyanın konuşma kalıpları, insan değerlendirmeleri üzerinden modele aktarılıyor.
Başka bir ifadeyle sosyal medya, yapay zekanın veri setine doğrudan girmese bile onu eğiten ve değerlendiren insanların kulağından içeri giriyor.
Instagram’daki “aynı kelime, farklı duygular” akımı bu nedenle önemli. Akımın ChatGPT’yi şekillendirdiğini kanıtlamasa da insanların sesten beklentisinin nasıl değiştiğini gösteriyor.
Yapay zeka şirketlerinin ulaşmaya çalıştığı doğal ses de artık bu kültürel ortamda tanımlanıyor.
ŞİMDİ AKIŞ TERSİNE DÖNÜYOR
2025’te yayımlanan bir çalışma, sentetik seslerin insan konuşması üzerindeki muhtemel etkisine dikkat çekti. Araştırmacılara göre televizyon gibi pasif medya bile aksanları ve konuşma biçimlerini etkileyebiliyor. Kullanıcıyı dinleyen, ona karşılık veren ve konuşma tarzına uyum sağlayan yapay zeka ise daha güçlü bir etkileşim yaratabilir.
Böylece sesin yolculuğu başladığı yere dönüyor.
İnsanların makineleri kendi sesleriyle eğittiği aşamadan makinelerin insanlar için yeni bir konuşma modeli oluşturmaya başladığı aşamaya böyle geçiyoruz.
Gözde Sula
Odatv.com
