“Bir Saniye, Bakıyorum” İşe Yarıyor mu? Sesli Asistanda Bekleme Cümlesi Testleri

İlk sürümlerde kendi bekleme cümlemizi cevap hattının ilk parçası olarak gönderiyorduk. Mantık şuydu: cevap 1,2 saniyede hazır değilse "Saatlere bakıyorum..." gibi bağlama uygun bir cümle gider, arkasından cevap gelir.

Ses kayıtlarını ölçünce durum farklı çıktı. Bekleme cümlesi 1.105 ms'de gönderilmişti ama ses 2.441 ms'de başlamıştı; kayıtta 3.220 ms sessizlik vardı. Daha geniş bakınca bekleme cümlesinin haftalardır bir kez bile erken çalmadığını gördük. Cümle cevabın ilk cümlesine yapışıyor, yalnız cevabı geciktirerek duyuluyordu.

Seslendirme motoru ElevenLabs eleven_v3_conversational idi. Belgede kısa metni bekleten bir kural yazmıyordu. Kuralı ölçerek bulmamız gerekti.

Bekleme cümlesini farklı biçimlerde gönderip her turda ilk sesin beklenen andan ne kadar sonra geldiğini ölçtük:

Motor ilk seslendirmeye metin yaklaşık 8 kelimeyi geçince başlıyordu; geçmezse yaklaşık 1,5 saniye bekliyordu. Ölçü karakter değil kelimeydi. 57 karakterlik 7 kelimelik cümle takıldı, 55 karakterlik 8 kelimelik cümle takılmadı.

Aynı gün üç ayarla ikinci bir deneme yaptık. Bekleme yalnız eleven_v3_conversational modelinde vardı. eleven_flash_v2_5 modeli kısa cevabı +15 ms'de seslendirdi. Buna rağmen v3'te kaldık, çünkü kör dinlemede flash seslerini beğenmedik. 8 kelime kuralı o kararın bedeli oldu.

Haftalar sonra kuralı daha geniş bir düzenekle yeniden ölçtük. Ölçüm ucu bekleme cümlesini hemen, asıl cevabı ise 1,8 saniye sonra gönderiyordu. Cümle erken çalarsa ilk ses yaklaşık 1 saniyede, çalmazsa 2,6-3,0 saniyede duyulmalıydı.

Sınır 7 ile 8 kelime arasında çıktı. Daha önce güvenlik payı olarak koyduğumuz 9 kelime gereksizdi, 8'e indi.

Cümlenin nasıl bittiği de ölçüldü:

ElevenLabs'in özel model (Custom LLM) belgesi yavaş modeller için bekleme parçasını "... " ile bitirmeyi öneriyor. Bizim ölçümümüzde en yavaş biçim oydu. v3'te üç nokta cümle sonu değil, cümle içi duraklama olarak işleniyor. Cümleyi ikiye bölmek de kurtarmadı: ölçü cümle sayısı değil, parçanın uzunluğuydu.

Son bir kontrol kelime ile karakteri ayırdı. 74 karakterlik ama 5 kelimelik uzun sözcüklü bir cümle ("Değerlendirmelerinizi anlayabilmem doğrultusunda…") erken çalmadı. Belirleyici olan kelime sayısıydı.

Kural bulununca kullanıcı tarafından yeni bir istek geldi: bekleme cümlesi kısa olsun, hep aynı cümle olmasın ve erken çalsın. Ölçüm bu üçünün aynı anda olamayacağını gösteriyordu. Kısa cümle bekletiliyor. 8 kelimelik cümle erken çalıyor ama kendisi 2,5-3 saniye sürüyor ve cevabın başlamasını geciktiriyor.

Bir ekip incelemesinde bu itiraz sayıyla doğrulandı. 32 turluk kayıtta cevabın sunucuda hazır olduğu an medyan 2.660 ms'di. 700 ms eşikte turların %94'ünde bekleme cümlesi konuşacaktı; yani cevabın zaten hazır olacağı turlarda bile araya girecekti.

Cümlenin metni için de birkaç kural çıktı:

• Bekleme cümlesi transkripte ve kayda yazılmamalı. Panelde okunan konuşma temiz kalmalı.
• Art arda iki turda söylenmemeli, son beş turda en fazla üç kez.
• Kısa onay, ad verme ve rakamlı cevap turlarında susmalı. "Evet" diyen misafire "Hemen bakıyorum" demek yapay duruyor.
• Adla hitap edilecekse unvan tahmin edilmemeli. Ad sözlükte varsa "Bey" ya da "Hanım" eklenir, yoksa yalın ad kullanılır.

ElevenLabs'in yerleşik bir çözümü var: cevap belirli bir süreyi aşınca kısa bir cümleyi kendisi söylüyor (soft timeout). İlk denemede iki bedeli olduğunu gördük: cümle transkripte düşüyor ve 3 saniyeden önce hiçbir şey duyulmuyor.

Ölçüm başka bir şey de gösterdi. Kendi tarafında kısa metni bekletmeden söylüyor. Cevabı bilerek 4,5 saniye geciktirdiğimiz bir düzenekte ilk ses 3,59-3,88 saniyede geldi. Asıl cevabın ilk cümlesi ise 4,83-5,07 saniyede başladı.

Cümleyi modele ürettirme seçeneği Türkçe görüşmede sorun çıkardı: "İyi..." ve İngilizce "I hear..." gibi parçalar üretti. Sabit metne geçtik: "Bir saniye, bakıyorum."

Sonra eşiği karşılaştırdık. Cevabı 1,8-3,4 saniye arasında geciktirdiğimiz üç ölçüm aramasında:

Dolgu ile cevap tek mesaj olarak seslendiriliyor; cevap, dolgu bittikten sonra başlıyor. Erken başlayan dolgu cevap gelmeden bittiği için beklemenin daha büyük kısmını örtüyor ve cevabın önünü daha az kesiyor. Eşik 2,5 saniyeye indi. Gerçek aramalarda 3 saniyelik ayarla dolgu 64 turun 6'sında konuşmuştu. Yani cevap hattı hızlandıkça bekleme cümlesi seyrek bir emniyet supabına dönüşüyor.

Sonradan kendi ses hattımıza geçtik. Orada 8 kelime kısıtı yok, çünkü o kısıt v3 modelinin davranışıydı. Bekleme cümlesi misafir sustuktan 2,5 saniye sonra, cevap hâlâ yoksa devreye giriyor. Ne ve ne sıklıkla söyleneceğini yukarıdaki ürün kuralları belirliyor. Ayrıntılar ses hattı geçiş yazısında.

• Bekleme cümlesinin gerçekten erken çaldığını ses kaydından doğrulayın. Gönderilme anı ile duyulma anı farklı olabilir.
• Seslendirme modelinin kısa metin davranışını ölçün. Bizim bulduğumuz eşik v3'e özgüydü; başka modelde farklı olabilir.
• Belge önerilerini ölçmeden uygulamayın. Üç nokta önerisi bizde en yavaş sonucu verdi.
• Asıl hedefi unutmayın. Bekleme cümlesi gecikmeyi saklar, çözmez. Cevap hattı 1 saniyeye inince cümle neredeyse hiç gerekmedi.
• Uzun bekleme cümlesinin kendi süresini hesaba katın. Erken çalan uzun cümle, cevabı kendi süresi kadar geciktirebilir.

Ölçümler ElevenLabs v3 conversational ve Türkçe sesle yapıldı; kural bu modele özgü. Profil karşılaştırmaları 5'er turluk aramalardan geliyor ve aralarındaki fark gürültü düzeyindeydi; o yüzden tabloda karar yalnız belirgin farklara dayanıyor. Kelime eşiği birden çok aramada tekrarlandı. Kısa kelimelerden kurulu 8 kelimelik bir cümle iki turda da ~9,5 saniye sürdü; o turlarda sağlayıcı tarafında kesilme vardı, bu yüzden o satır karara katılmadı.