Voice AI pazarı 2026’da $4.8 milyara ulaştı; Cartesia Sonic, ElevenLabs Turbo v3, Deepgram Nova-3 ve OpenAI Whisper v3 large üretim sahnesindeki dominant oyuncular — ArtificialAnalysis.ai Mayıs 2026 leaderboard’u Türkçe ASR’da Nova-3 %94.8 doğruluğun ardından Whisper v3 large %91.2 sıralaması gösterdi. Konuyla ilişkili olarak Sesli AI Asistan Geliştirme: Whisper ElevenLabs Rehberi rehberimiz detaylı incelemeyi içerir. Konuyla ilişkili olarak Speech-to-Text 2026: Whisper, AssemblyAI, Deepgram Karşılaştırması rehberimiz detaylı incelemeyi içerir.
Voice AI Stack Kavramı ve 2026 Bağlamı
Voice AI stack üç katmandan oluşur: ASR (otomatik konuşma tanıma — speech to text), NLU/LLM (anlam çıkarma + cevap üretme), TTS (metinden sese sentez). 2026 itibarıyla Cartesia Sonic 2 (24 ms first-token latency), ElevenLabs Turbo v3 (75 ms), Deepgram Nova-3 (310 ms streaming ASR), Whisper v3 large (650 ms batch ASR) production stack’lerinde rakip çözümler. Real-time voice agent senaryoları (telefon, sesli asistan) toplam tur süresi 1.2 saniyenin altında olmak zorunda — bu hedef 2026’da Cartesia + Groq + Deepgram zinciriyle yakalanıyor.
Stanford HAI 2026 raporu enterprise voice AI deployment’ının çağrı merkezi maliyetini ortalama %42 düşürdüğünü ölçtü. Anthropic Claude 3.7 Sonnet voice agent senaryolarında %91 müşteri memnuniyet skoru aldı. Türkçe TTS kalitesinde Cartesia Sonic 2 ve ElevenLabs Multilingual v3 önde; Türkçe ASR’da Deepgram Nova-3 ve Whisper v3 large dominant.
Mimari Boyut: Real-Time Streaming vs Batch
Real-time voice agent (telefon, sesli sohbet) streaming gerektirir: kullanıcı konuşurken ASR partial transcript üretir, LLM streaming çağrılır, TTS streaming çıkış verir. Batch senaryoda (toplantı transkripsiyon, sesli içerik analizi) latency önemli değil, doğruluk önceliklidir.
| Bileşen | Sağlayıcı | Latency (p95) | Türkçe Skor | 2026 Fiyat (1 saat) |
|---|---|---|---|---|
| ASR Streaming | Deepgram Nova-3 | 310 ms | %94.8 WER 5.2 | $0.43 |
| ASR Streaming | AssemblyAI Universal-2 | 340 ms | %91.6 WER 8.4 | $0.37 |
| ASR Batch | Whisper v3 large (self-host) | — | %91.2 WER 8.8 | $0.08 (GPU) |
| TTS Streaming | Cartesia Sonic 2 | 24 ms first-token | %92 MOS 4.4 | $0.65/karakter |
| TTS Streaming | ElevenLabs Turbo v3 | 75 ms first-token | %94 MOS 4.6 | $0.99/karakter |
| TTS Batch | OpenAI tts-1-hd | 800 ms | %88 MOS 4.2 | $0.30/karakter |
Karşılaştırma: TTS Kalitesi ve Türkçe Destek
TTS kalitesinde MOS (Mean Opinion Score, 1-5 skala) ana metrik. ElevenLabs Multilingual v3 Türkçe için 4.6 MOS, Cartesia Sonic 2 4.4 MOS, OpenAI tts-1-hd 4.2 MOS. ElevenLabs ses klonlama özelliği ile 30 saniyelik örnekten kişiselleştirilmiş ses üretiyor. Cartesia Sonic 2 instant voice cloning ve 35 dil desteği sunuyor — 24 ms first-token latency real-time agent için kritik avantaj.
- Cartesia Sonic 2: En düşük latency (24 ms), real-time agent ideali, Türkçe MOS 4.4
- ElevenLabs Turbo v3: En yüksek kalite (MOS 4.6), profesyonel content (podcast, video voice-over)
- OpenAI tts-1-hd: Ucuz baseline, batch senaryolar
- Google Cloud TTS Studio Voice: Türkçe destek var, MOS 4.1
- Azure Neural TTS: 4 Türkçe ses, MOS 4.0, kurumsal Microsoft stack entegrasyonu
İlgili konu: real-time voice agent mimarisi.
Implementation Pattern: Çağrı Merkezi Voice Agent
Tipik bir çağrı merkezi voice agent stack’i: Twilio Programmable Voice (telefon altyapısı) → Deepgram Nova-3 (streaming ASR, 310 ms) → Claude 3.7 Sonnet via Groq (LPU çıkarım, 380 ms TTFT) → Cartesia Sonic 2 (streaming TTS, 24 ms first-token). Toplam ilk-tepki süresi 720 ms. Voice activity detection (VAD) için Silero VAD ya da Deepgram native VAD. End-of-turn detection 800 ms sessizlik eşiği.
Aylık 100.000 dakika çağrı (1.667 saat) hacminde maliyet: Twilio $1.000, Deepgram $720, LLM (Claude 3.7 Sonnet, Groq) $980, Cartesia $1.080. Toplam $3.780/ay. Bu kalıbı uygulayan bir Türk e-ticaret oyuncusu çağrı merkezinde ilk-temas çözüm oranını %52’den %71’e çıkardı. Anthropic prompt cache aktif olduğunda LLM maliyeti %58 düşüyor.
Operasyon, İzleme ve Maliyet Modeli
Voice AI deployment’ta tipik aylık maliyet karşılaştırması (1.000 saat çağrı):
| Stack | ASR | LLM | TTS | Toplam | p95 latency |
|---|---|---|---|---|---|
| Cartesia + Deepgram + Groq | $430 | $580 | $650 | $1.660 | 720 ms |
| ElevenLabs + Deepgram + Claude | $430 | $920 | $990 | $2.340 | 820 ms |
| Whisper self-host + Llama 4 + Cartesia | $140 | $210 | $650 | $1.000 | 1.2 s |
| Azure TTS + Whisper + GPT-4.1 | $80 | $1.380 | $420 | $1.880 | 1.4 s |
Self-hosted Whisper v3 large + vLLM + Cartesia kombinasyonu en ekonomik ama latency 1.2 saniye üzerinde — bu nedenle daha çok asenkron senaryolar için.
Sektörel Use Case: Çağrı Merkezi, Eğitim, Sağlık
Türkiye’de bir telekom oyuncusu 2026 Q1’de voice AI ile çağrı merkezini güçlendirdi — Cartesia + Deepgram + Claude 3.7 stack’i ile günde 24.000 çağrı yanıtlanıyor, ilk-temas çözüm %58’den %74’e çıktı. Bir EdTech platformu ElevenLabs ses klonlama ile öğretmen seslerinden kişiselleştirilmiş ders anlatımı üretti; öğrenci tamamlama oranı %23 yükseldi. Sağlık vertical’da bir teleSağlık startup’ı Whisper v3 large + Claude Sonnet ile doktor-hasta görüşmesi otomatik özetleme yapıyor; doktor not yazma süresi 8 dakikadan 90 saniyeye indi. BCG GenAI 2026 voice AI ROI’sini ortalama 3.8x ölçtü.
Kurumsal Voice AI Dönüşümünde Karşılaşılan Tipik Sorunlar
Danışmanlık projelerinde gözlemlenen darboğazlar:
- End-of-turn detection threshold yanlış (300 ms gibi düşük), kullanıcı cümlesini bitirmeden agent araya giriyor
- VAD (voice activity detection) yok, sessizlikte çağrı bekliyor, Cartesia/ElevenLabs ödeniyor
- Türkçe ASR’da numerik (telefon, TC kimlik) doğruluğu %85’in altında, normalization katmanı eklemek gerekiyor
- TTS chunk boyutu yanlış (cümle yerine token bazlı), prosody bozuluyor, robotik ses çıkıyor
- Background noise (çağrı merkezi gürültüsü) ASR’ı düşürüyor, RNNoise/Krisp gibi noise suppression eklenmiyor
- LLM streaming inceptionı geç, first-token latency 800 ms’i geçiyor, kullanıcı algılanan gecikme şikayeti yapıyor
Sonuç
2026’da kurumsal voice AI artık olgun bir teknoloji. Real-time voice agent için Cartesia Sonic 2 + Deepgram Nova-3 + Groq LPU + Claude/Llama 4 stack’i 720 ms toplam ilk-tepki süresine ulaşıyor. Türkçe destek tüm major sağlayıcılarda var ama kalite seviyeleri farklı: TTS’de ElevenLabs > Cartesia > Google > Azure > OpenAI, ASR’da Deepgram > AssemblyAI > Whisper > Google sıralaması. Çağrı merkezi, eğitim, teleSağlık vertical’larında ortalama 3.8x ROI ölçülüyor. POC aşamasında stack’i modüler tutmak, sağlayıcıyı sözleşme süresi boyunca değiştirebilmek kritik.
Sıkça Sorulan Sorular
Cartesia Sonic 2 mı ElevenLabs Turbo v3 mü seçilmeli?
Real-time agent (telefon, sesli sohbet) için Cartesia (24 ms latency); content creation (podcast, video voice-over) için ElevenLabs (MOS 4.6). Cartesia $0.65/karakter, ElevenLabs $0.99/karakter.
Türkçe ASR’da en doğru çözüm hangisi?
ArtificialAnalysis.ai 2026 leaderboard: Deepgram Nova-3 %94.8 doğruluk (WER 5.2), Whisper v3 large %91.2 (WER 8.8), AssemblyAI Universal-2 %91.6. Real-time için Deepgram, batch için Whisper.
Whisper self-host vs API tercih kararı nasıl yapılır?
Aylık 500 saatin üzeri kullanım self-host avantajlı (1x A10G GPU yeterli, $140/ay). Altında API tercih edilmeli. KVKK self-host gerektirebilir.
Voice agent toplam latency 1 saniye altı mümkün mü?
Evet. Groq LPU üzerinde Claude/Llama 4 + Cartesia + Deepgram ile 720 ms toplam tur süresi yakalanıyor. Bu eşik 2025 başında 1.4 saniye, 2026 ortasında 720 ms.
Ses klonlama (voice cloning) KVKK açısından sorun olur mu?
Kişinin açık rızası varsa sorun yok. Müşteri çağrı senaryolarında temsilci sesi kullanılacaksa yazılı izin + audit log şart. ElevenLabs Voice Captcha rıza doğrulama özelliği sunuyor.
Ömer ÖNAL
Mayıs 23, 2026Yapay zeka projelerinde danışmanlık deneyimimde gözlemlediğim pattern: POC aşamasında çalışan modelin %60 dan fazlası production da farklı performans sergiliyor. Bu yüzden başlangıçtan itibaren veri kalitesi, observability ve drift izleme katmanı şart. Yorumlarınız ne yönde?