Tarihte geliştirilen ilk sesli arayüz Siri değildi. Alexa da değildi. Hatta beklediğiniz şeye hiç benzemiyordu. Silikon Vadisi’nin sesli asistanları popüler hale getirmesinden çok önce, bir mühendis ekibi neredeyse hiç kimsenin hatırlamadığı bir şey geliştirdi. Bunu 1952’de geliştirdiler. Ve size sadece tek bir kelimeyle cevap verebiliyordu.
Bu bir şaka değil. Makinenin adı Audrey’di. Bell Laboratuvarları tarafından geliştirilmişti. Audrey, sesli olarak söylenen rakamları tanıyabiliyordu sadece sıfırdan dokuza kadar olan sayıları. Devasa bir makineydi. Bütün bir donanım rafını kaplıyordu. Ama çalışıyordu. Tarihinde ilk kez, bir makine gerçekten bir insan sesini dinledi ve anlamlı bir yanıt verdi.
Asıl ilginç olan, bunu neden inşa ettikleri. Amaç kolaylık değildi. Tüketici teknolojisi de değildi. Bell Labs, telefon operatörlerinin aramaları yönlendirme sürecini hızlandırmak istiyordu. Arayanların bir numarayı söyleyip otomatik olarak bağlanabilecekleri bir gelecek hayal etmişlerdi. O gelecek gerçekleşti, ama tam elli yıl geç kalmıştı.
İlk Sesli Arayüz Aslında Nasıl Çalışıyordu?
Dinlemenin Arkasındaki Fizik
Audrey, formantları analiz ederek çalışıyordu. Formantlar, ünlü seslerin içindeki rezonans frekanslarıdır. Söylenen her rakamın frekans imzası birbirinden biraz farklıydı. Makine, gelen ses verilerini depolanmış elektriksel kalıplarla karşılaştırıyordu. Eşleşme olursa, bir röle tıklıyordu. Bu tıklama, makinenin “cevabı”ydı.
Şimdi kulağa basit geliyor. Ancak 1952’de bu gerçekten şok edici bir olaydı. O zamana kadar hiçbir makine insan konuşmasını çözümlemiş değildi. Mühendisler, sistemi belirli bir konuşmacının sesine göre eğitmek zorundaydı. Konuşmacı değiştiğinde Audrey kafası karışıyordu. Yine de temel ilke geçerliydi. Makineler dinleyebiliyordu. Sırf bu fikir bile her şeyi değiştirdi.
Kimsenin Bahsetmediği Doğruluk Sorunu
Audrey, tek bir konuşmacı için laboratuvar koşullarında yaklaşık %97 oranında doğru sonuç verdi. Arka plan gürültüsü devreye girdiğinde ise doğruluk oranı dibe vurdu. Bell Labs bu projeyi sessizce rafa kaldırdı. Audrey’i kurmanın ve çalıştırmanın maliyeti, sağladığı faydaya kıyasla çok fazla yüksekti. Ancak bu araştırma ortadan kaybolmadı. Sonraki kırk yıllık konuşma bilimi çalışmalarına doğrudan katkı sağladı.
Audrey’den Telefonunuza Uzanan Uzun Yol
İlerlemenin Gizli On Yılları
1952 ile 1990’ların sonu arasında, sesli arayüz araştırmaları neredeyse tamamen üniversiteler ve savunma laboratuvarlarında yürütüldü. IBM, 1962’de önemli bir atılım gerçekleştirdi. “Shoebox” adlı makineleri on altı kelimeyi tanıyabiliyordu. On altı. Carnegie Mellon, 1970’lerde bu alandaki çalışmaları daha da ileriye taşıdı. “Harpy” adlı sistemleri 1.011 kelimeyi anlayabiliyordu. Bu hâlâ bir sohbet sayılmazdı. Ancak bu gelişme, bu alanda bir ivme kazandığını gösteriyordu.
Asıl dönüm noktası dilbilimden değil, istatistikten geldi. Araştırmacılar, makinelere gramer kurallarını öğretmeye çalışmaktan vazgeçtiler. Bunun yerine, makinelere milyonlarca örnek girdiler. Makine, kalıpları kendi başına öğrendi. Kurallara dayalı yaklaşımdan veriye dayalı yaklaşıma doğru gerçekleşen bu geçiş, bugün KREAblog’un en sevdiği yapay zeka hikayelerinin temelini oluşturan fikrin aynısıdır.
Ses Teknolojisinin Yaygınlaşması Neden Bu Kadar Uzun Sürdü?
İşte insanların unuttuğu bir şey var. Dragon Dictate, 1990 yılında piyasaya sürüldü. Fiyatı 9.000 dolardı. Her kelimenin arasında duraklama yapmak gerekiyordu. Doktorlar ve avukatlar için kullanışlı olacak kadar doğruydu. Ancak herkes için uygun değildi. Sırf fiyatı yüzünden on yıl boyunca niş bir ürün olarak kaldı.
Sonra bilgi işlem gücü de bu gelişmeye ayak uydurdu. Mikrofonlar daha iyi hale geldi. Mobil ağlar, kesintisiz bağlantıyı mümkün kıldı. Birdenbire ses teknolojisi artık sadece bir laboratuvar deneyi olmaktan çıktı. Artık bir üründü. Apple, 2011 yılında Siri’yi piyasaya sürdü. O an yepyeni bir şey gibi geldi. Ama aslında o, Audrey’in torununun torunuydu ve nihayet büyümüştü.
Bu İlk Neden Tasarımcılar ve İnşaatçılar İçin Hâlâ Önemli?
İlk sesli arayüzün hikâyesi, aslında bir tasarım hikâyesidir. Bell Labs sadece bir mühendislik sorununu çözmekle kalmadı. İnsanlarla makinelerin nasıl bir ilişki kuracağına dair bir seçim yaptılar. Makineler, makinelerin dilini mi konuşacaktı — klavyeler, delikli kartlar, anahtarlar gibi? Yoksa makineler bizim dilimizi konuşmayı mı öğrenecekti?
Bu seçim her şeyi şekillendirdi. Her dokunmatik ekran, her hareket, her sesli komut, aynı soruya dayanıyor. Audrey bu soruya ilk cevap veren oldu. Ses, insanların sahip olduğu en doğal arayüzdür. Dolayısıyla, doğru bir şekilde hayata geçirilmesi en zor olanıdır da. 1952 ile 2011 arasındaki süre, bunu giderek daha doğru hale getirmek için geçen altmış yıldır.
Günümüzde sesli arayüzler her yerde. Arabalarda, mutfaklarda, hastanelerde. Ancak asıl ilginç tasarım zorluğu değişmedi. Mesele hâlâ güven. Kullanıcılar, daha önce kötü bir deneyim yaşadıkları bir sesli arayüze güvenmezler. Tek bir yanlış anlama durumunda, onu kapatırlar. Audrey de aynı sorunu yaşadı. Makinenin bu güveni kazanması gerekiyordu.
What’s next for voice is even wilder. Emotional tone detection. Dialect awareness. Real-time translation mid-sentence. Some researchers are building interfaces that detect stress in your voice and adjust their response accordingly. That’s not sci-fi. That’s active research right now.
Bir dahaki sefere telefonunuza yüksek sesle bir şey sorduğunuzda, 1952’deki oda büyüklüğündeki bir röle rafını düşünün. Bir sayıyı söylemenizi sabırla bekleyen bir makineyi düşünün. O zamanlar da dinliyordu. Şimdi de dinliyor. Sadece bu konuda çok daha iyi hale geldi.
Bu makale yalnızca bilgilendirme amaçlıdır.
