TurnTurk-GPT: Türkçe İçin Metin Tabanlı Konuşma Sırası (Turn-Taking) Tahmini

Mimari Yaklaşım ve Model Eğitimi#

Gerçek zamanlı sesli asistanlar ve diyalog sistemleri geliştirirken en kritik zorluklardan biri, kullanıcının sözünü ne zaman bitirdiğini doğru tespit etmektir. TurnTurk-GPT, Türkçe bir GPT-2 modelinin sentetik ve gerçek diyalog verileri üzerinde TurnGPT hedefiyle ince ayar (fine-tuning) yapılmasıyla elde edilmiş, metin tabanlı bir konuşma sırası tahmincisidir. Model; gerçek Türkçe konuşmalar üzerinde kural tabanlı referans modeller, sıfır-örneklem (zero-shot) bir Türkçe dil modeli ve yaygın olarak kullanılan çok dilli bir konuşma sonu (end-of-turn) tespit edicisi ile karşılaştırmalı olarak değerlendirilmiştir.

Gerçekçi Değerlendirme Protokolü ve Streaming ASR Simülasyonu#

Üretim ortamındaki akan (streaming) konuşma tanıma (ASR) sistemlerinin çıktısını simüle etmek amacıyla, değerlendirme süreci noktalama işareti bulunmayan ve küçük harflere dönüştürülmüş metinler üzerinde kelime düzeyinde karar noktaları (word-level decision points) kullanılarak gerçekleştirilmiştir. Ölçüm güvenilirliğini sağlamak adına şu mühendislik protokolleri uygulanmıştır:

• Veri Ayrımı: Kayıt-ayrık (recording-disjoint) ve konuşmacı-ayrık (speaker-disjoint) çapraz doğrulama katmanları.
• İstatistiksel Doğrulama: İç içe eşik seçimi (nested threshold selection) ve eşleştirilmiş küme önyükleme (paired cluster bootstrap) testleri.

Performans Bulguları ve Türkçe Morfolojisinin Etkisi#

Deneysel sonuçlar, dilin yapısal özelliklerinin model performansı üzerindeki doğrudan etkisini ortaya koymaktadır:

• Çok Dilli ve Zero-Shot Karşılaştırması: TurnTurk-GPT, hem kayıt-ayrık hem de konuşmacı-ayrık değerlendirmelerde çok dilli tespit ediciyi geride bırakmaktadır. Ancak sıfır-örneklem (zero-shot) dil modelini yalnızca test konuşmacıları eğitim verisinde yer aldığında geçebilmekte; daha önce görülmemiş konuşmacılarda iki model istatistiksel olarak ayırt edilemez düzeyde kalmaktadır.
• Sondan Eklemeli Morfoloji: Konuşma sırasının sonundaki kelimenin eklerini kaldırmak ortalama duyarlılığı (AP) %44'e kadar düşürürken, cümle içindeki bir kelimede bu düşüş yalnızca %2 olmaktadır. Bu bulgu, Türkçedeki konuşma sonu ipuçlarının yüklem sonu morfolojisinde (verb-final morphology) yer aldığını kanıtlar.
• Sentetik Veri ve Duraksamalar: Yalnızca sentetik diyaloglarla eğitilen model en zayıf performansı göstermektedir. Ayrıca bir konuşmacı duraksadığında, sıfır-örneklem ve çok dilli referans modellerin başarımı rastgele tahmin (şans) seviyesine yakın kalmaktadır.

Yazılım Geliştirme ve Mühendislik Çıkarımları#

Sesli ajanlar ve Live / Stream mimarileri inşa eden geliştiriciler için bu çalışma kritik pratik dersler barındırır:

• Tokenizasyon ve Ön İşleme: Türkçe gibi sondan eklemeli dillerde kök-ek bütünlüğünü bozan agresif metin ön işleme adımlarından kaçınılmalıdır; son kelimedeki ekler konuşma sırası tahmini için anahtar sinyaldir.
• Veri Stratejisi: Sadece LLM'lerle üretilmiş sentetik diyaloglar gerçek konuşma dinamiklerini (duraksamalar, devrik yapılar) yakalamakta yetersizdir. Golden Dataset Oluşturma süreçlerinde mutlaka gerçek kullanıcı kayıtları ve konuşmacı-ayrık test setleri kullanılmalıdır.
• Açık Kaynak Katkısı: Model ve değerlendirme protokolü geliştiricilerin kullanımı için açık olarak yayınlanmıştır.