Sesli yapay zekada birkaç yıl önce ana soru basitti: Makine ne kadar insan gibi konuşabiliyor? 2026’da bu soru hala önemli ama artık tek başına yeterli değil. Küresel ürün duyuruları, rekabetin doğal ses üretiminden gerçek zamanlı muhakemeye, doğru anda söze girmeye, kurumsal sistemlerde işlem yapmaya ve görüşmeyi gerçekten sonuçlandırmaya kaydığını gösteriyor.

Bu değişim finans sektörü için özellikle önemli. Çünkü bankacılıkta iyi bir ses, müşterinin sorusunu anlamadığı ya da işlemi tamamlayamadığı anda değerini hızla kaybediyor. Yeni nesil sistemlerin sınavı artık yalnızca “bakiye nedir?” sorusuna doğal bir tonda cevap vermek değil; kimliği doğrulamak, doğru hesabı bulmak, gerekli kontrolü yapmak, işlemi gerçekleştirmek, kaydı güncellemek ve gerektiğinde tüm bağlamı koruyarak insan temsilciye devretmek.

Sesin doğallığı artık giriş bileti

2026’daki büyük ürün güncellemeleri voice AI’ın temel mimarisini de değiştiriyor. OpenAI, mayısta duyurduğu GPT-Realtime-2 modelini gerçek zamanlı konuşma sırasında daha karmaşık talepleri ele alabilen ve aksiyon alabilen bir ses modeli olarak konumlandırdı. Google’ın Gemini 3.1 Flash Live modeli de Mart 2026’da daha düşük gecikme, ton algılama ve karmaşık görevlerde daha güvenilir davranış iddiasıyla geldi.

Buradaki teknik kırılma, klasik “speech-to-text → LLM → text-to-speech” zincirinin giderek sıkılaşması, bazı ürünlerde ise doğrudan ham ses üzerinde çalışan modellere doğru kayması. Google, Gemini Live API’yi native audio mimarisiyle konumlandırıyor. PolyAI ise temmuzda tanıttığı Dialog-RSN-1 modelinde kullanıcının sesini doğrudan işleyerek tereddüt, frustrasyon, gürültü ve konuşma sırasını metin transkriptine indirgemeden değerlendirdiğini söylüyor. Modelin ilk sürümü İngilizce odaklı ve şirket, hedeflediği model gecikmesini A100 GPU üzerinde 300 milisaniyenin altında veriyor.

Asıl yarış ne zaman konuşacağını bilmekte

İnsan benzeri bir görüşmeyi bozan şey çoğu zaman sesin kalitesi değil, zamanlaması. Kullanıcı cümlesini bitirmeden konuşmaya başlayan ya da yanıt vermeden önce uzun bir sessizlik bırakan sistem, ses ne kadar başarılı olursa olsun “bot” hissini hemen geri getiriyor.

Bu nedenle turn-taking ve latency, sesli ajanların ana mühendislik problemlerinden biri haline geldi. Microsoft’un haziranda yayımladığı Voice Live API 2026-06-01-preview sürümü doğrudan ses akışı üzerinde çalışan “smart end-of-turn detection” özelliğini ekledi. Amazon Connect ise temmuz güncellemesinde daha doğru konuşma sırası algılama, doğal duraklamalar ve müşterinin tonuna göre yanıt üretme özelliklerini öne çıkardı; platform artık 50’den fazla dili ve 100’den fazla yeni ses seçeneğini destekliyor. Amazon, Türkçe desteğini de martta voice AI agent kapsamına ekledi.

ElevenLabs’in güncel teknik rehberi de gerçek kullanıcı deneyiminde modelin tek başına ne kadar hızlı olduğundan çok, kullanıcının konuşmayı bitirmesiyle ilk sesin duyulması arasındaki toplam sürenin ölçülmesi gerektiğini vurguluyor. Şirket doğal hissettiren bir ajan için örnek hedef olarak P50’de 800 milisaniyenin altını, P95’te ise 1,5 saniyenin altını veriyor. Bunlar sektör standardı değil, ElevenLabs’in kendi mühendislik rehberindeki referans değerler.

Çağrıyı savuşturmak değil çözmek

İkinci büyük değişim performans metriğinde. Voicebot döneminin sevilen göstergesi “deflection”, yani çağrıyı canlı temsilciye gitmeden tutabilmekti. Fakat çağrı insana aktarılmıyor ama müşteri de işini çözemiyorsa bu metrik fazla bir şey söylemiyor.

ElevenLabs bunu açık biçimde “deflection resolution değildir” diye tarif ediyor. Şirketin Nisan 2026’da yayımladığı saha mühendisliği notlarında yeni hedef, ajanın kurumsal sistemlere erişerek iadeyi yapmak, ödeme veya satın alma akışını yürütmek ve gerektiğinde tüm bağlamla insana devretmek olarak tanımlanıyor. Aynı yazıda Revolut uygulamasında çözüm süresinin sekiz kattan fazla kısaldığı ve yüzde 99,7 çağrı başarı oranı elde edildiği belirtiliyor. Bu rakamlar ElevenLabs’in müşteri vaka çalışmasına dayanıyor; bağımsız bir sektör benchmark’ı değil.

Aynı yön hyperscaler’larda da görülüyor. Amazon Connect’in agentic self-service katmanı artık yalnızca bilgi vermeyi değil, bağlı sistemlerde aksiyon almayı hedefliyor. Google’ın müşteri deneyimi platformu ise voice ve dijital kanallar arasında bağlamı koruyan ajanlar, tool use ve insan temsilci desteğini aynı yapıda topluyor. Voice AI böylece ayrı bir “ses ürünü” olmaktan çıkıp daha geniş agentic müşteri deneyimi yığınının ön yüzüne dönüşüyor.

Türkiye’de SESTEK üretim metriklerini öne çıkarıyor

Türkiye’de bankacılık ve çağrı merkezi tarafında uzun süredir konuşma teknolojisi geliştiren en görünür oyunculardan biri SESTEK. 2022’de Suudi Arabistan merkezli Unifonic tarafından satın alınan şirket bugün ürün setini “Agentic CX Suite” çatısı altında konumlandırıyor.

SESTEK’in güncel ürün sayfalarında konuşma tanıma, text-to-speech, NLU, duygu analizi ve PII maskelemenin şirket içinde geliştirildiği; buna karşılık LLM katmanında farklı sağlayıcılarla hibrit çalışılabildiği belirtiliyor. Şirket ayrıca bulut, on-premise ve hibrit kurulum seçeneklerini öne çıkarıyor. Bu özellikler özellikle veri yerleşimi, denetlenebilirlik ve tedarikçi bağımlılığının kritik olduğu bankalar için yalnızca teknik değil, satın alma kriteri haline geliyor.

SESTEK’in finansal servisler sayfasında yayımladığı metriklerde yüzde 92 “doğru aksiyon gerçekleştirme”, 4,3/5 müşteri memnuniyeti, çağrıların yüzde 46’sının AI tarafından uçtan uca karşılanması ve yüzde 98 konuşma tanıma başarısı yer alıyor. Bu rakamlar şirketin farklı müşteri uygulamalarından derlediği vendor verileri; tüm finans sektörü için ortak bir benchmark olarak okunmamalı.

Kamuya açık vaka çalışmalarında daha somut örnekler de var. Fibabanka uygulamasında şirket, çağrıların yüzde 46’sının sanal temsilci tarafından karşılandığını ve aylık 500 saat temsilci zamanı tasarrufu sağlandığını bildiriyor. ING Türkiye tahsilat uygulamasında ise ödeme anlaşmalarında yüzde 58 artış, tahsilat çağrılarının yarısından fazlasının canlı tahsilat görevlisi olmadan yürütülmesi ve aylık 3 bin saatin üzerinde zaman tasarrufu rakamları veriliyor.

CBOT kendi konuşma motorlarını agentic katmanla birleştiriyor

Türkiye’deki diğer önemli yerli hat CBOT. Şirketin güncel konumlandırması da klasik chatbot veya voicebot çizgisinden “dijital çalışan” ve agentic AI’a kaymış durumda. CBOT, Ziraat Bankası, Halkbank ve Garanti BBVA gibi bankalarda sanal asistan projelerini kamuya açık referansları arasında gösteriyor.

CBOT’un özellikle Tahsildar ürünü teknik açıdan dikkat çekici. Şirket, konuşmayı metne ve metni sese çeviren motorların kendi teknolojisi olduğunu; LLM katmanında ise tek bir modele bağımlı kalmadan farklı modellerin kullanılabildiğini söylüyor. Akış yalnızca konuşmayla sınırlı değil: borçlu listesini kurumsal sistemden çekme, arama başlatma, kimlik doğrulama, borcu açıklama, uygun durumda ödeme planı oluşturma ve sonucu tekrar kurumsal sisteme yazma aynı süreçte tasarlanıyor.

Bunun üzerinde çalışan AIFlow katmanı da model yanıtının ötesine geçip hedefi yorumlama, çok adımlı plan kurma, araç kullanma ve kurumsal sistemlerde aksiyon alma iddiasında. CBOT ayrıca tüm yığının kurum içinde, güvenlik duvarının arkasında çalıştırılabildiğini belirtiyor. Bankalar açısından bu, voice AI yarışının yalnızca en iyi sesi seçmekten ibaret olmadığının yerel bir örneği.

Türkiye’nin avantajı Türkçe ama hendek hızla daralıyor

Türkiye’deki oyuncuların belirgin avantajı, Türkçe konuşma verisi, bankacılık terminolojisi, yerel çağrı merkezi altyapıları ve regülasyona tabi kurumlarla yıllardır yapılan entegrasyonlardan gelen saha bilgisi. SESTEK ve CBOT’un kendi konuşma motorlarını koruması da bu nedenle önemli. Türkçe’nin eklemeli yapısı, özel isimler, kurum terminolojisi ve gerçek çağrı kayıtlarındaki gürültü, genel amaçlı modeller için hala kolay problemler değil.

Ancak bu avantajın tek başına kalıcı olması zor. AWS’nin 2026’da Türkçe voice agent desteğini genişletmesi, OpenAI ve Google’ın native-audio mimarilerini hızla geliştirmesi ve ElevenLabs gibi uzman oyuncuların çok dilli üretim altyapısını kurumsal ölçeğe taşıması, temel STT/TTS kalitesindeki farkı giderek küçültebilir.

Bu yüzden yerli şirketler için savunulabilir alanın da değişmesi muhtemel: Türkçe sesi iyi üretmekten çok, bankanın çekirdek sistemlerine güvenli biçimde bağlanmak; hata yaptığında ne olduğunu açıklayabilmek; gerçek çağrılar üzerinde sürekli test yapabilmek; gecikmeyi, görev tamamlama oranını ve maliyeti birlikte optimize etmek; gerektiğinde veriyi Türkiye’de ya da kurumun kendi altyapısında tutmak.

Yeni benchmark ses değil tamamlanan iş

2026 itibarıyla voice AI pazarını değerlendirirken yalnızca bir demo kaydını dinlemek giderek daha az şey söylüyor. Daha anlamlı sorular başka yerde.

• Kullanıcı sözünü kestiğinde sistem bunu ne kadar hızlı ve doğru anlıyor?
• Yanıtın ilk sesi gerçek çağrıda kaç milisaniyede geliyor?
• Gürültü, tereddüt, aksan ve yarım bırakılmış cümlelerde performans nasıl değişiyor?
• Agent yalnızca bilgi mi veriyor, yoksa bankacılık sisteminde gerçekten işlem yapabiliyor mu?
• Kaç görüşme canlı temsilciye gitmeden gerçekten çözülüyor?
• Yanlış tool call, halüsinasyon ve politika ihlali nasıl tespit ediliyor?
• İnsan devraldığında önceki konuşma ve yapılan işlemler eksiksiz aktarılıyor mu?
• Üretimde P50/P95 gecikme, görev tamamlama, CSAT ve maliyet birlikte izlenebiliyor mu?

Dünya bu soruların etrafında hızla ilerliyor. Türkiye’deki güçlü oyuncuların da aynı eksene geçtiği görülüyor. Bundan sonraki ayrım, müşteriye telefonda bir insan varmış hissi vermekten çok, o “insanın” gerçekten işi bitirip bitiremediğinde ortaya çıkacak.