Nemotron 3.5 Transcribe: Türkçe Konuşma Tanıma ve Ses Kaydını Yazıya Dökme

NVIDIA’nın 28 Ekim 2026’da açık ağırlıklı olarak yayınladığı NVIDIA-Nemotron-3.5-Transcribe-30B-A4B, konuşmayı yazıya döken (speech to text / ASR) yeni nesil bir ses modelidir. Hibrit Mamba-2 ve Transformer MoE (Mixture of Experts) mimarisiyle 1 saate kadar kesintisiz sesi tek geçişte metne döker, FP8 formatında tek bir 48 GB NVIDIA L40S GPU üzerinde çalışır ve Türkçe konuşma tanıma (ASR) ile Türkçe-İngilizce kod değiştirmeyi (code-switching) ticari kullanıma açık OpenMDW-1.1 lisansıyla üretime hazır (production-ready) olarak sunar.

44. Hafta Kurumsal Yapay Zeka Bültenimizde incelediğimiz yedi gelişme arasında Türkiye’deki çağrı merkezleri, uyum kayıt hatları ve kurum içi toplantı analitiği ekipleri için getirisini en hızlı gösterebilecek sürüm budur. Ancak başarılı bir üretim mimarisi kurmak için NVIDIA’nın Türkçe dil tablosunda nelerin desteklendiğini ve konuşmacı ayrıştırma (diarization) tarafında neyin eksik bırakıldığını proje başında netleştirmek gerekir.

Bilgilendirme: Aşağıdaki kıyaslama skorları, doğrulanmış GPU listesi ve dil matrisi bilgileri NVIDIA’nın resmi Hugging Face model kartı, Granary teknik yazısı ve teknik raporundan alınmıştır. Lisans notları bilgilendirme amaçlıdır ve hukuki görüş yerine geçmez. RuneLab’ın kendi kurum içi ses ve altyapı ürünlerine yapılan atıflar bağımsız RuneLab çözümleri olarak açıkça belirtilmiştir.

• Fark: Mamba-2 MoE yapısı sayesinde 1 saatlik ses tek parça halinde işlenebiliyor; klasik Whisper tabanlı 30 saniyelik parçalama kesikleri ve bekleme müziği tekrar döngüleri ~4,3B aktif parametre bütçesiyle aşılıyor.
• Net Türkçe yetenek tablosu: FLEURS (%6,75 WER) ve CoVoST2 (%19,27 WER) skorları, üretime hazır Türkçe-İngilizce karma konuşma desteği ve Türkçe diarization/çeviri boşluğunun mimari çözümü.
• Tek GPU kurum içi üretim hattı: vLLM ve SGLang-Omni ile çalıştırma, çift kanallı SIP ses ayrıştırma, kişisel veri maskeleme ve NeMo Speech ile sektörel fine-tuning (ince ayar) adımları.

NVIDIA model kartı ve Nemotron Transcribe & Granary teknik blog yazısına göre model; Mamba-2 durum uzayı katmanları ile Transformer MoE bloklarını birleştiriyor. Toplam 34 milyar parametrenin her adımda yalnızca ~4,3 milyarı (ses kodlayıcı dahil) devreye giriyor ve 65.536 tokenlık bağlam penceresi tek seferde 60 dakikalık ses kaydını kabul ediyor. Model genelinde 40 dilde ASR, 31 dilde X↔EN konuşma çevirisi ve 13 dilde çoklu konuşmacı ayrıştırma (8 konuşmacıya kadar) sunuluyor.

Ancak Türkiye’deki mühendislik ekiplerinin genel basın bülteni rakamlarına değil, teknik rapordaki Türkçe satırına bakması şarttır:

1 saatlik tek parça ses penceresinin sahada neyi değiştirdiğini anlamak için kurumsal Türkçe Whisper kurulumlarında en sık ayıkladığımız üç üretim hatasına bakmak yeterlidir:

1. 30 saniye sınırında bölünen sondan eklemeli Türkçe kelimeler: Klasik Whisper mimarileri uzun görüşmeleri 30 saniyelik pencerelere böler. Konuşmacı tam pencere sınırında “yapılandırılmamışsa” veya “mutabakatlarımızdaki” gibi uzun ekli bir kelime söylediğinde kökü ekten ayıran kesik kelimeyi iki ayrı parçaya böler ve uyum anahtar kelime aramaları bozulur. 65.536 tokenlık Mamba-2 penceresinde 60 dakikayı kesintisiz işlemek cümle bütünlüğünü korur.
2. Bekleme müziği ve sessizlikte tekrar (halüsinasyon) döngüsü: Çağrı merkezi kayıtlarında temsilci ekran kontrol ederken 40–50 saniyelik bekleme müziği veya sessizlik oluşur. Parçalı kodlayıcı-çözücü hatlar bu aralıklarda sıklıkla uydurma altyazı tekrarına düşer.
3. Kurumsal hayattaki Türkçe-İngilizce karma konuşma (code-switching): Gerçek şirket toplantıları ve teknik destek çağrıları sözlük Türkçesiyle ilerlemez. Bir BT olay görüşmesinde “deployment sonrası gateway timeout aldık”, bir kurumsal satış çağrısında “renewal teklifini CRM’e logladık” denir. Yalnızca tek dil odaklı ASR modelleri İngilizce teknik terimleri fonetik olarak anlamsız Türkçe hecelere çevirirken, Nemotron 3.5 Transcribe Türkçe code-switching desteğini doğrudan üretime hazır olarak doğrulamıştır.

Diğer taraftan ayda yüz binlerce dakikalık müşteri ses kaydını (içinde T.C. Kimlik numarası, kart rakamları, IBAN, sağlık veya gelir beyanı bulunan ham sesleri) dakika başı ücretlenen yurt dışı bulut STT servislerine göndermek hem yüksek sürekli işletme gideri yaratır hem de KVKK ve BDDK süreçlerinde ağır veri aktarım değerlendirmelerine yol açar. OpenMDW-1.1 lisanslı bir modeli kendi sunucu odanızda çalıştırdığınızda ham ses kayıtları kurum ağından çıkmaz. Ses kaydını konuşmacıyı tanımak için kullanmak biyometrik veri (KVKK m.6) sorusu doğurabilir; hukuk ekibinize danışın.

FLEURS (%6,75 WER) ile CoVoST2 (%19,27 WER) arasındaki 12,5 puanlık farka dikkat edin. Stüdyo kalitesinde okunan metinler her ses modelini olduğundan iyi gösterir; gerçek sınavınız 8 kHz G.711 telefon kodeği, bölgesel aksanlar ve arka plan ofis gürültüsüdür.

Adım başına yalnızca ~4,3B parametre aktif çalıştığı ve NVIDIA resmi BF16, FP8 ile NVFP4 ağırlıklarını birlikte yayınladığı için Nemotron 3.5 Transcribe, Mistral Large 4 gibi çoklu GPU kümesi zorunluluğu getirmez. Resmi olarak doğrulanmış tek kart profilleri şöyledir:

Modelin hem vLLM hem de SGLang-Omni üzerinden OpenAI uyumlu ses uç noktası olarak sunulabilmesi, mevcut kurum içi API katmanına mikroservis kodunu baştan yazmadan bağlanmasını kolaylaştırır.

Başarılı bir canlı geçiş için mimaride iki ayrımı çok net kurgulamalısınız:

1. Türkçe diarization model içinde yokken “kim ne söyledi?” sorusu nasıl çözülür?

• Telefon ve çağrı merkezlerinde (makine öğrenmesi değil, stereo kanal ayrımı kullanın): Modern SIP kayıt altyapılarının (Genesys, Avaya, Asterisk, FreeSWITCH) neredeyse tamamı görüşmeyi çift kanal (Kanal 0 = müşteri, Kanal 1 = müşteri temsilcisi) olarak kaydedebilir. Kaydı Nemotron’a göndermeden önce ffmpeg ile iki kanalı ayırmak model hatası olmadan, kesin biçimde konuşmacı ayrımı verir ve üst üste binen konuşma karışıklığını önler.
• Tek mikrofonlu fiziksel toplantı odalarında: Ses akışının önünde pyannote.audio veya NeMo Sortformer tabanlı akustik bir konuşmacı kümeleme (diarization) adımı çalıştırıp zaman damgalarını Nemotron deşifresiyle eşleştirin.

2. Çağrı sonrası toplu kalite analitiği ile gerçek zamanlı konuşan sesli ajan farkı:

Nemotron 3.5 Transcribe’ın 1 saatlik penceresi çağrı sonrası asenkron analitik için biçilmiş kaftandır: çağrıların %2’lik manuel örneklemi yerine %100’ünün kalite ve mevzuat puanlaması, otomatik CRM özet notu çıkarımı ve aranabilir toplantı hafızası. Buna karşılık telefonda müşteriyle anlık konuşan, söz kesmeyi (barge-in) milisaniyeler içinde yakalayan, kurum bilgi tabanından kaynak doğrulamalı yanıt çekip gerektiğinde bağlam özetiyle canlı müşteri temsilcisine devreden etkileşimli sesli müşteri asistanı farklı bir gerçek zamanlı akış mimarisi ister; bu senaryoda RuneBox üzerinde RuneDesk bilgi tabanıyla entegre çalışan kurum içi RuneVoice mimarisi doğrudan devreye girer.

Santral ekibiniz diskten birkaç megabayt kazanmak için stereo SIP kayıtlarını tek kanallı (mono) MP3 dosyasına sıkıştırıyorsa bugün durdurun. Çift kanallı kayıt tutmak Türkçe müşteri-temsilci ayrımını ek GPU harcamadan kesin olarak çözer.

1. 4 farklı zorluk diliminden 50 gerçek çağrı seçin: Sessiz ortam, gürültülü mobil/araç içi bağlantı, farklı bölgesel aksanlar ve yoğun İngilizce/marka terimli görüşmelerden oluşan 50 kayıtlık test seti kurun. Genel WER yanında kurumsal terim hata oranını (ürün adları, poliçe numaraları, tutarlar) ayrı ölçün.
2. Deşifre hemen sonrasında kişisel veri maskeleme uygulayın: Metinleri arama indeksine veya analitik veritabanına yazmadan önce T.C. Kimlik numarası, kart bilgisi, IBAN ve telefon numaralarını deterministik kurallar + NER katmanıyla (RuneGate üzerindeki RuneGuard gibi) maskeleyin; bu yapı KVKK ve BDDK değerlendirmelerini kolaylaştırabilir.
3. Sektörel terim hatası %10’u aşıyorsa NeMo Speech ile ince ayar yapın: İnsan tarafından düzeltilmiş yalnızca 20–50 saatlik 8 kHz kurum içi ses verisiyle yapılan NeMo Speech adaptasyonu; ilaç, sigorta klozu, finansal enstrüman ve kurum içi kısaltma hatalarının çoğunu giderir.
4. Temiz deşifreyi kaynak gösteren analitik katmanına bağlayın: Maskelenmiş çağrı metinlerini otomatik kalite rubriklerine veya kurum içi bilgi asistanınıza aktarın. Kurum içinde ses ve yerel model altyapısı kuracak mühendislik ekipleriniz için Local LLM ve On-Premise AI Eğitimi programımızı inceleyebilir veya uçtan uca kurulum için RuneLab NexTech Danışmanlık ekibiyle iletişime geçebilirsiniz.

Türkiye’deki pek çok kurumda her hafta binlerce saatlik operasyonel ses kaydı; dakika bazlı dövizli bulut API maliyetleri yüksek olduğu ve bilgi güvenliği birimleri ham müşteri sesinin dışarı çıkmasına onay vermediği için arşiv disklerinde atıl bekliyor. Tek GPU üzerinde çalışan kurum içi bir ASR katmanı üç somut iş akışını hemen devreye alır.

300 koltuklu tipik bir çağrı merkezinde kalite uzmanları aylık görüşmelerin ancak %1 ila %2’sini manuel dinleyebilir; bu da eksik aydınlatma metni okumalarının, hatalı ücret vaatlerinin ve erken müşteri kaybı (churn) sinyallerinin haftalarca fark edilmemesine yol açar.

Kurumun kendi veri merkezindeki tek bir L40S 48GB GPU üzerinde Nemotron 3.5 Transcribe çalıştırmak, tamamlanan çift kanallı SIP kayıtlarının %100’ünün gece vardiyasında veya yakın gerçek zamanlı kuyrukta şirket dışına çıkmadan yazıya dökülmesini sağlar.

Deşifre hemen sonrasında kişisel veriler maskelenir ve kurum içi bir yerel LLM her görüşmeyi zorunlu mevzuat ve satış kalitesi kriterlerine göre puanlayarak insan denetçilerin önüne yalnızca gerçekten risk taşıyan %3’lük çağrı dilimini getirir.

Yalnızca tek dilli eğitilmiş eski Türkçe konuşma tanıma modelleri; BT yardım masası, telekom NOC hatları, otomotiv servisleri ve kurumsal yazılım toplantılarında İngilizce teknik terimlere Türkçe çekim ekleri eklendiğinde (örneğin “deployment pipeline’ında timeout aldık” veya “poliçedeki asistans klozunu aktif ettik”) kelimeleri bozuk Türkçe hecelere dönüştürür.

ASR katmanı ürün ve arıza terimlerini yanlış yazdığı anda, arkadaki RAG arama motoru ve otomatik CRM etiketleme kuralları da zincirleme biçimde hata verir.

Nemotron 3.5 Transcribe hem Türkçe konuşma tanımayı hem de Türkçe-İngilizce kod değiştirmeyi (code-switching) üretime hazır sunduğu için karma teknik cümleler bütünlüğünü korur; arkasına eklenecek hafif bir kurumsal sözlük düzeltme adımıyla ürün kodlarındaki doğruluk canlı ortam için yeterli düzeye gelir.

Kaydı 30 saniyelik pencerelere bölerek çalışan geleneksel ASR hatları, kesim noktalarında Türkçe ekleri ortadan böler ve toplantının ilk beş dakikasında geçen proje kısaltmalarını kırkıncı dakikada unutur.

60 dakikaya kadar tek parça sesi hibrit Mamba-2 mimarisiyle tek geçişte işlemek, açılış gündeminden kapanış aksiyon maddelerine kadar akustik ve terminolojik tutarlılığı korur.

Toplantı odası konuşmacı ayrıştırma katmanıyla birleştirilip maskelenmiş zaman damgalı metinler RuneDesk gibi kaynak doğrulamalı bir bilgi tabanına indekslendiğinde, ekipler geçmiş mimari veya denetim kararlarını Türkçe sorgulayıp doğrudan ilgili dakikaya atlayabilir.

NVIDIA’nın resmi dil tablosunda Türkçe için otomatik konuşma tanıma (ASR) ve Türkçe-İngilizce kod değiştirme (code-switching) üretime hazır (production-ready) olarak işaretlenmiştir. Ancak konuşma çevirisi ve çoklu konuşmacı ayrıştırma (diarization) Türkçe için desteklenen diller arasında işaretlenmemiştir; bu nedenle üretimde çift kanallı SIP kaydı veya harici diarization katmanı kullanılmalıdır.

Model BF16, FP8 ve NVFP4 formatlarında yayınlanmıştır. Resmi donanım listesine göre tek bir NVIDIA L40S 48GB üzerinde FP8, A100 80GB üzerinde BF16, H100/H200 üzerinde BF16 veya FP8, RTX PRO 6000 Blackwell üzerinde tüm formatlar ve RTX 5090 üzerinde NVFP4 formatında çalışabiliyor.

Teknik raporda yaklaşık 4.200 saatlik benzersiz Türkçe ses verisiyle (%0,21 eğitim payı) FLEURS Türkçe testinde %6,75 WER, daha doğal ve zorlu cümleler içeren CoVoST2 Türkçe testinde ise %19,27 WER bildiriliyor.

Evet. OpenMDW-1.1 lisansı hem ticari hem de ticari olmayan kullanıma açıktır ve modelin ürettiği deşifre çıktıları üzerinde kullanım kısıtlaması getirmez.