Dikteden AI Ajanına

2010'ların büyük bölümünde sesli yazılım tek bir anlama geliyordu: dikte. Sen konuşuyordun, bilgisayar yazıyordu. Hepsi buydu. Altın standart, yirmi yılı aşkın süre pazara hakim olan Dragon NaturallySpeaking'di. Doktorlar, avukatlar ve yazarlar, tekrarlayan hareketlerin yol açtığı yaralanmalardan kaçınmak ve parmaklarının hareket edebileceğinden daha hızlı yazmak için onu kullandı.

Teknoloji dönemine göre etkileyiciydi ama son derece sınırlıydı. Doğruluk ideal koşullarda %85–90 civarındaydı ve arka plan gürültüsü, aksan veya teknik terminolojiyle birlikte uçurumdan aşağı düşüyordu. Seni anlayabilmesi için yazılımı 30–60 dakika boyunca pasajlar okuyarak "eğitmen" gerekiyordu.

Yazılım aynı zamanda pahalıydı. Dragon Professional lisans başına 300–500 $'a mal oluyordu ve tıp sürümü 1.000 $'ı aşıyordu. Yalnızca Windows'ta çalışıyor, önemli CPU kaynakları gerektiriyor ve doğruluğu korumak için sürekli güncelleme istiyordu.

Eylül 2022'de OpenAI, 680.000 saatlik çok dilli ses üzerinde eğitilmiş açık kaynaklı bir konuşma tanıma modeli olan Whisper'ı yayınladığında her şey değişti. Bir gecede doğruluk çıtası %85–90'dan %95–98'e sıçradı. Ve üstelik ücretsizdi.

Whisper'ın ses eğitimine ihtiyacı yoktu. 90+ dilde kutudan çıkar çıkmaz çalışıyordu. Aksanları, arka plan gürültüsünü ve teknik terimleri önceki her şeyden çok daha iyi ele alıyordu. Model tüketici donanımında yerel olarak çalışabiliyordu ve pahalı bulut API'lerine olan ihtiyacı ortadan kaldırıyordu.

Otter.ai, Rev ve Descript gibi bulut transkripsiyon hizmetleri de benzer transformer tabanlı modellerden güç alarak önemli ölçüde gelişti. Toplantı transkripsiyonu yaygınlaştı. Doğru transkripsiyonun fiyatı lisans başına yüzlerce dolardan dakika başına kuruşlara düştü.

Ama temel olarak paradigma değişmemişti. Sesli yazılım hâlâ bir yazma alternatifiydi. Sözcükler söylüyordun, bilgisayar yazıyordu. Daha hızlı ve daha doğruydu, ama hâlâ sadece transkripsiyondu. Bilgisayar ne söylediğini veya ne başarmaya çalıştığını anlamıyordu.

Asıl devrim, ses arayüzleri büyük dil modelleriyle buluştuğunda başladı. AI artık söylediğini yazmak yerine ne kastettiğini anlıyor ve eylem yapıyor. Bu, dikteden AI ajanına geçiştir.

Whisper by Remskill gibi modern sesli AI ajanları, konuşma tanımayı GPT seviyesindeki zeka ile birleştiriyor. Sadece metin dikte etmiyorsun — komut veriyorsun. "Yenilenebilir enerjideki son trendleri araştır ve bir özet paragraf yaz." AI web'de arama yapıyor, kaynakları okuyor ve paragrafı senin için yazıyor. Hepsi sesle, hepsi uygulamandan çıkmadan.

Özel komutlar bunu bir adım öteye taşır. Sesle tetiklenen iş akışları oluşturabilirsin: "Bu e-postadaki dilbilgisini düzelt" veya "Bunu İspanyolcaya çevir" veya "Bu kodu açıkla." Her komut, seçilen metin veya bağlam üzerinde belirli bir AI işlemi çalıştırır. Tek bir kısayol tuşuyla tetiklenen, her şeyi yapabilen kişisel bir asistana sahip olmak gibi.

Temel değişim şu: sesli yazılım artık daha hızlı yazmakla ilgili değil. Daha önce yapamadığın şeyleri yapabilmekle ilgili.

Dikte döneminde değer önerisi hızdı. Konuşmak, yazmaktan 3–4 kat daha hızlıdır. Bu faydalıydı ama sınırlıydı. Yine de ne yazacağını düşünmen, kendin yapılandırman ve ihtiyacın olduğunda bilgiyi manuel olarak araman gerekiyordu.

AI ajan döneminde değer önerisi yetenektir. Bir konuyu araştırabilir, ilk taslağı yazabilir, çevirebilir, iddiaları doğrulayabilir ve yayımlamak için biçimlendirebilirsin — hepsi sesle, hepsi uygulama değiştirmeden, manuel olarak alacağı sürenin küçük bir kısmında.

Bu artımlı bir iyileştirme değil. Bir kategori değişikliği. Eski soru şuydu: "Sesle ne kadar hızlı yazabilirim?" Yeni soru: "Sesle neler başarabilirim?" Ve yanıt giderek artan bir şekilde: neredeyse her şey.

AI ajan dönemi daha yeni başlıyor. İşte mevcut araştırmalara ve ürün yol haritalarına göre önümüzdeki 1–2 yıl içinde gelecekler.