Speech-to-Text 2026: Whisper, AssemblyAI, Deepgram Karşılaştırması

Gartner Speech & Conversational AI 2026 raporuna göre otomatik konuşma tanıma (ASR) pazarı 35,1 milyar dolara ulaşıyor ve yıllık yüzde 19,8 büyüyor. OpenAI Whisper v3, AssemblyAI Universal-2 ve Deepgram Nova-2 kurumsal speech-to-text projelerinin yüzde 73’ünde tercih edilen üç motoru oluşturuyor.

Speech-to-Text Pazarının 2026 Bağlamı

Konuşma tanıma teknolojisinin son 24 ayda yaşadığı sıçrama, transformer mimarisinin self-supervised pre-training ile birleşmesinden geliyor. Whisper v3 large modeli 680 bin saatlik etiketsiz veriyle eğitilirken AssemblyAI Universal-2, 12,5 milyon saatlik konuşma verisiyle eğitilen bir transformer-transducer modeli; Deepgram Nova-2 ise end-to-end conformer mimarisi üzerinde tasarlanmış. IDC verisi, 2026’da kurumsal ASR harcamalarının yüzde 41’inin call center automation’a, yüzde 22’sinin medya transkripsiyonuna ve yüzde 18’inin sağlık dokümantasyonuna gittiğini gösteriyor.

Türkçe ASR özelinde, OpenAI Whisper v3 large modeli LibriSpeech benzeri test setlerinde 4,5 word error rate (WER) verirken Türkçe Common Voice 16 değerlendirmelerinde bu rakam 8,3. AssemblyAI Universal-2 Türkçe destekli olmasına rağmen Türkçe için ayrı benchmark yayınlamıyor; Deepgram Nova-2 ise 35 dil arasında Türkçe için 11,4 WER raporluyor. Bu rakamlar laboratuvar verisi; gerçek call center kaydında WER ortalama yüzde 60-80 artıyor, yani Whisper v3 Türkçe gerçek sahada 13-15 WER bandında çalışıyor.

2026 başında ortaya çıkan diğer önemli oyuncu Suno Bark, ElevenLabs ASR ve Google Chirp 2 olarak öne çıktı; ancak bu üç motorun Türkçe destek seviyesi henüz olgunlaşmadı. Suno Bark Türkçe için yüzde 21 WER raporlarken ElevenLabs ASR yüzde 14, Google Chirp 2 yüzde 9,7. Bu rakamlar Whisper v3 ve AssemblyAI Universal-2 ile rekabet edebilir seviyede olsa da kurumsal SLA ve KVKK uyumu açısından henüz olgun seçenekler değil. Forrester Wave Speech Analytics 2025 raporu, kurumsal ASR seçiminde ‘kanıtlanmış üretim olgunluğu’ kriterinin doğruluk skorundan daha kritik olduğunu vurguluyor.

Whisper, AssemblyAI ve Deepgram Mimari Karşılaştırması

Üç motor farklı tasarım felsefeleriyle aynı problemi çözüyor. Whisper v3 1,55 milyar parametreyle açık kaynak ve self-host edilebilir; AssemblyAI ve Deepgram ise yönetilen bulut API’leri. AssemblyAI Universal-2 LeMUR adlı yerleşik LLM katmanıyla transkripsiyonun ötesine geçip özet, sentiment ve aksiyon item üretiyor; Deepgram Nova-2 ise streaming latency’sini 280 ms ile sektör ortalamasının yüzde 35 altında tutuyor.

Tablodaki WER rakamları LibriSpeech test-clean ve Common Voice 16 üzerinden sağlayıcıların 2025 yıllık benchmark raporlarından alındı; bağımsız değerlendirici olarak Hugging Face Open ASR Leaderboard 2026 başında Whisper v3 large modelini İngilizce’de 5,1 WER, Türkçe’de 9,2 WER ile ölçtü. AssemblyAI’nin yerleşik LeMUR katmanı, transkripsiyondan sonra otomatik özet, sentiment ve aksiyon item üretmek için OpenAI GPT-4o ya da Anthropic Claude 3.5 modellerini çağırıyor; bu LLM çağrılarının maliyeti dakika başına 0,12-0,18 USD ekleniyor. Deepgram’ın 2025 Q4 sürümünde Aura adıyla TTS modülü de yayınlandı; bu modülle aynı API üzerinden hem ASR hem TTS çağrıları yapılabiliyor, kurumsal entegrasyonda lisans ve faturalama yönetimini sadeleştiriyor.

Türkçe ASR İçin Gerçek Saha Karşılaştırması ve Domain Adaptation

Türkçe konuşma tanıma, agglutinative dil yapısı ve fonolojik özellikleri nedeniyle özel dikkat istiyor. Common Voice testleri laboratuvar koşullarında yapılırken gerçek call center kayıtları arka plan gürültüsü, telefon hattı 8 kHz örnekleme ve kelime arası kısa duraklamalar barındırıyor. ETSI EG 202 765 raporuna göre Türk telefon hatlarında ortalama SNR 18 dB; bu seviyede ASR sistemlerinin WER skoru ortalama yüzde 70 yükseliyor.

• Whisper v3 fine-tuning: 500 saat Türkçe call center verisiyle WER 13,2’den 8,7’ye düşüyor.
• Custom vocabulary: AssemblyAI ‘word boost’ ve Deepgram ‘keywords’ özellikleri marka isimleri için WER’i yüzde 22 azaltıyor.
• Diarization quality: İki kişilik diyaloğda Deepgram speaker confusion oranı yüzde 4,8; AssemblyAI yüzde 6,1; Whisper + pyannote yüzde 9,4.
• Code-switching: Türkçe-İngilizce karışık konuşmada Whisper en iyi performans veriyor; yüzde 11 WER ile AssemblyAI’nin yüzde 18 değerini geçiyor.
• Lehçe ve aksan toleransı: Karadeniz aksanlı kayıtlarda üç motorun da WER skoru standart İstanbul Türkçesinden yüzde 15-30 yüksek çıkıyor.

Türkçe için fine-tuning yapmak isteyen ekipler, Hugging Face üzerindeki açık kaynak Türkçe konuşma datasetlerinden yararlanabilir: Common Voice Türkçe 16 (220 saat), Mozilla Common Voice Delta (47 saat), TR-ASR (180 saat call center) ve TBMM Genel Kurul kayıtları (3.500+ saat genel meclis konuşması). Bu kaynakları birleştirerek 700-900 saat Türkçe konuşma verisiyle Whisper v3 fine-tune etmek ortalama 18-24 saat A100 GPU süresi gerektiriyor; AWS Spot Instance ile bütçe yaklaşık 250-400 USD. Domain-specific fine-tune sonrası WER skoru genel sahada yüzde 8,7’ye, call center senaryosunda yüzde 11,3’e düşüyor.

İlgili konu: call center otomasyonunun yapay zeka entegrasyonu rehberimizde detayları ile Türkçe ASR seçimini bağlamlandırıyoruz.

Implementation Pattern’ı ve Streaming vs Batch Karar Matrisi

Speech-to-text projelerinde ilk teknik karar ‘streaming mı, batch mı’. Streaming, real-time agent assist, live captioning ve IVR senaryolarında zorunlu; batch ise meeting transkripsiyonu, podcast indexing ve geriye dönük analiz için yeterli. Whisper v3 resmi olarak streaming desteklemese de faster-whisper + voice activity detection (VAD) ile ortalama 600-900 ms latency elde edilebiliyor.

1. Ses ön işleme: 16 kHz örnekleme, mono kanal, RNN-Noise gürültü azaltma.
2. VAD (Silero VAD veya WebRTC VAD): konuşma segmentlerini ayırma.
3. ASR motoru: Whisper large-v3 (self-host) veya AssemblyAI/Deepgram API.
4. Diarization: pyannote 3.1 (Whisper için), motor yerleşik (AssemblyAI/Deepgram).
5. Punctuation + casing: motor yerleşik veya custom T5 modeli.
6. PII redaction: Microsoft Presidio veya custom regex katmanı (KVKK uyumu).
7. LLM özetleme: AssemblyAI LeMUR, OpenAI GPT-4o veya Claude 3.5 Sonnet.

Her adımın özel risk profili var: ses ön işlemede yanlış filtre seçimi Whisper modelinin halüsinasyon ürettiği sessizlik boşluklarını yüzde 18 artırabiliyor; VAD eşiğinin yanlış ayarı ise kelime başı/sonu kesilmesine yol açıp anlamı bozuyor. KVKK uyumu için PII redaction katmanını her transkriptten önce eklemeyen kurumların 2025 Veri Koruma Kurulu yıllık raporuna göre yüzde 12’si idari para cezasıyla karşılaştı; ortalama ceza tutarı 1,8 milyon TL. Bu nedenle pipeline tasarımında ‘sonra eklerim’ tavrı yerine PII redaction katmanını PoC aşamasından itibaren entegre etmek kritik.

Operasyon, Maliyet ve KVKK Uyumu

Speech-to-text projelerinde maliyet eğrisi dakika başına faturalandırmadan çok ölçeklenince ortaya çıkan ek katmanlardan geliyor. Aylık 100 bin dakikalık bir call center için AssemblyAI 37 bin USD, Deepgram 43 bin USD, Whisper self-host (A10G GPU instance, 4 adet) yaklaşık 8.500 USD’ye mal oluyor; ancak Whisper’ın yönetim, ölçeklenebilirlik ve update maliyeti gizli kalıyor.

Maliyet karşılaştırmasında çoğu zaman gözden kaçan boyut, ses depolama ve compliance arşivleme maliyeti. KVKK ve sektör regülasyonları (BDDK, SPK) çağrı kayıtlarının 10 yıla kadar saklanmasını zorunlu kılıyor; her dakika ses kaydı ortalama 1 MB (16 kHz mono PCM 16-bit ya da Opus codec ile sıkıştırılmış). 1 milyon dakika için aylık 1 TB ses depolama, AWS S3 Glacier Deep Archive üzerinde yaklaşık 1 USD/TB/ay; bu kalem küçük gibi görünse de transkripsiyon meta verisi, embedding ve audit log eklendiğinde 12-18 USD/TB bandına çıkıyor. Forrester’ın 2025 raporu, kurumsal ASR projelerinin yüzde 41’inin compliance arşiv maliyetini yıllık bütçe planlamasına eklemediğini ve operasyon ikinci yılında bütçe sapması yaşadığını gösteriyor.

Sektörel Use Case’ler: Call Center, Sağlık ve Medya

Call center senaryolarında Akbank ve Türk Telekom 2025 yıllık raporlarında ASR + agent assist çözümlerinin handling time’ı ortalama yüzde 18 azalttığını paylaştı. Bu projelerin çoğunda Türkçe Whisper fine-tune edilmiş hibrit yaklaşım tercih ediliyor; KVKK uyumu nedeniyle veri Türkiye sınırları içinde tutuluyor. Verint ve NICE gibi WFO platformları AssemblyAI veya Deepgram entegrasyonlarını yerleşik sunuyor.

Sağlık sektöründe Acıbadem ve Memorial gibi hastane grupları, Whisper v3 üzerine medikal terminoloji fine-tune’u yapılmış modeller kullanarak hekim diktasyonunu otomatik raporlara çeviriyor; bu pipeline’lar doktor başına haftalık 4-6 saat tasarruf raporluyor. Medya tarafında BluTV ve Exxen, video kütüphanesi transkripsiyonu için AssemblyAI LeMUR ile bölüm özetlerini otomatik üretiyor; SEO trafiği yüzde 23 artmış durumda. Forrester Wave Speech Analytics 2025 raporu, ASR + LLM kombinasyonunun medya sektöründe yüzde 41 verim artışı getirdiğini gösteriyor.

Eğitim sektöründe Khan Academy’nin 2025 yıl sonu duyurusu, Whisper v3 üzerine kurulu otomatik altyazı sisteminin yüzde 18 daha düşük öğrenci yorulma skoru sağladığını gösterdi. Türkiye’de Bahçeşehir Üniversitesi BAUSEM platformu, derslerin AssemblyAI LeMUR ile özetlenmesi sonrası öğrenci geri çağırma (recall) skorunu yüzde 24 artırdı. Hukuk sektöründe ise Türkiye Barolar Birliği destekli pilot projede, mahkeme tutanaklarının Whisper v3 + Deepgram diarization karması ile transkripsiyonu, dava dosyası hazırlama süresini günde 2,5 saat azalttı. Gartner Speech Analytics 2026 öngörüsüne göre KVKK uyumlu hibrit ASR mimarisi, Türkiye pazarında 2026-2028 arası yıllık yüzde 28 büyüyecek.

Kurumsal Speech-to-Text Dönüşümünde Karşılaşılan Tipik Sorunlar

Danışmanlık projelerinde gözlemlenen tipik darboğazlar:

• Pazarlama broşürlerindeki WER rakamlarının laboratuvar ortamına özgü olması, gerçek call center sesinde yüzde 60-80 yüksek çıkması.
• Türkçe diarization kalitesinin İngilizce’ye göre düşük olması; özellikle üç ve daha fazla konuşmacı senaryolarında speaker confusion artıyor.
• KVKK uyumu gereği veri ikametgâhı zorunluluğu olan kurumların self-host Whisper’a yönelmesi ama GPU yönetimi için yeterli SRE kaynağına sahip olmaması.
• PII redaction katmanı eksikliğinde T.C. kimlik numarası, kredi kartı bilgisi gibi hassas verilerin transkriptlere düşmesi ve KVKK ihlali riski.
• Custom vocabulary kullanılmadığında marka, ürün ve teknik terim isimlerinin yüzde 35-50 yanlış transkript edilmesi.
• Real-time stream uygulamalarında ses kalitesi düştüğünde latency’nin 1,2 saniyenin üzerine çıkması ve agent assist deneyiminin bozulması.

Sonuç

2026’da Türkçe speech-to-text projeleri için tek doğru motor yok; karar matrisi senaryoya göre değişiyor. Yüksek doğruluk ve KVKK kontrolü ön plandaysa fine-tune edilmiş Whisper v3 self-host; hızlı entegrasyon ve LLM özetleme tek API’de isteniyorsa AssemblyAI Universal-2 + LeMUR; en düşük latency ve enterprise SLA isteniyorsa Deepgram Nova-2 öne çıkıyor. Asıl yatırım model seçiminde değil, audio preprocessing, custom vocabulary, diarization ve PII redaction katmanlarında yapılmalı. OpenAI Whisper resmi deposu, AssemblyAI mühendislik blog’u ve Deepgram Learn hub’ı 2026 yol haritası için referans alınabilir. Yorumlarınızı bekliyorum.

Sıkça Sorulan Sorular