İçeriğe geç
İndir

Araştırma · 8 Kasım 2026

Ses ve bilgisayar kullanımı, kontrol kişide kalarak

Ses ve tarayıcı ile bilgisayar denetimi için açık araçları karşılaştırdık, sesin uygulamanın ne kadarına ulaştığını ölçtük ve sözlü bir evetin neden asla onay sayılmaması gerektiğini yazdık.

Ses ve bilgisayar denetiminin ortak riski şu: asistan sizin adınıza eylemde bulunur, bu yüzden soru kimin karar verdiği. Bu not açık araçlar üzerine bir çalışmayı, küçük bir konuşma ölçümünü ve bir kapsam sayımını birleştirir ve kesin olduğumuz bir kuralı kaydeder.

Karşılaştırdığımız araçlar

Ses çalışması, açık dikte ve konuşma projelerini tek bir kurala göre karşılaştırdı: gönderilen şeyde yalnızca izin veren lisanslar (MIT, Apache, BSD, ISC), telif kopyalı lisanslar yalnızca kişinin kurduğu ayrı bir program olarak ve ticari olmayan hiçbir şey. Önce incelediği proje için hükmü, ondan öğrenmek ama onu gömmemekti. Nedenler somuttu: tek bir işletim sistemi için yazılmış, varsayılan motorunda Türkçe yok ve çatallandığı projenin kontrol edildiğinde lisans dosyası yoktu.

Ajan çalışması aynı lisans kuralını tarayıcı ve bilgisayar denetimine uyguladı. Playwright MCP, Browser Use ve Cua'yı aday olarak listeledi; lisansları araştırma tarihinde depolardan okundu. Ölçüt lisans ve uygunluktu, popülerlik değildi.

Lisans kuralı hukuki görüş değildir. Uyguladığımız kuraldır ve dosya okuduğu her lisansı gösterir.

Küçük bir ölçüm

Ses çalışması yerel bir konuşma motorunu bir Mac'te çalıştırdı. Altı saniyelik Türkçe bir klipte küçük model 0,57 saniye sürdü ve sözcük hatası olmadı; İngilizce bir klipte 0,43 saniye sürdü ve hata oranı yüzde 6 oldu; tek hata "three" sözcüğünü rakamla yazmaktı. Çalışma, kliplerin yapay ses olduğunu, gerçek seslerde sonucun daha kötü olacağını uyarıyor. Bu sayıları motorun çalıştığının ilk kontrolü sayıyoruz, kalite iddiası saymıyoruz.

Sesin uygulamanın ne kadarına ulaştığı

scripts/conductor/coverage-report.mjs ile üretilen bir rapor, sesin nelere ulaşabildiğini sayar. Gerçek kayıt defterini okur ve içinde elle yazılmış bir şey yoktur. Sayfa kaydında 71 rota başından 34'üne sesle ulaşılabiliyor. Ayarlarda 197 satırdan 159'una ulaşılabiliyor. Ayar satırlarının çoğuna, değişikliği sessizce yapmakla değil, satırı açıp dokunmanın neden değişikliği yaptığını anlatmakla ulaşılıyor: yalnızca birkaç satır sesle, geri alma ya da geri okuma ile değiştiriliyor.

Rapor boşlukları tek tek listeliyor ve kendi hükmü "boşluklar listelendi". Tamamdır demiyor, biz de demiyoruz.

Kesin olduğumuz kural

Ses çalışmasındaki önerilen tasarım, konuşmanın asla onay olmadığını söylüyor. Asistan dışa dönük bir eylem önerebilir. Bir kart neyin nerede olacağını gösterir ve karar, o karttaki fiziksel bir tıklama ya da Enter'dır. Verilen neden açık: bir kayıt, bir görüntülü görüşme, bir televizyon ya da odadaki başka biri "onayla" diyebilir. Ses kimlik doğrulaması değildir.

Aynı tutum bilgisayar kullanımı için de geçerli. Ajanlar web'de arama yapabilir, tarayıcı ve sistem araçlarıyla bilgisayarı kullanabilir; dışarıya uzanan her adım onayınızı bekler. Bas-konuş, konuşurken kısayolu basılı tutup bırakarak göndermekle çalışır. Ses kontrolü terimine, bilgisayar kullanımı terimine ve telefonla onay terimine bakın.

Karara bağlanmayanlar

Çalışma, doğrulamadıklarını listeliyor: gerçek Türkçe seslerle herhangi bir motorun doğruluğu, diğer projelerin gecikmesi, anahtar sözcük yakalama modellerinin tam lisansları ve motor için Windows ve Linux'ta ağ erişiminin nasıl engelleneceği. Uyandırma sözcüğü ilk sürümün dışında bırakıldı, çünkü eldeki önceden eğitilmiş modeller ticari değil ya da anahtar gerektiriyor ve her zaman dinleyen bir mikrofon kendi gizlilik tasarımını gerektiriyor.

Bu notun dayandığı yerler

  • docs/research/voice/VOICE_RESEARCH.md, erişim tarihi 2026-10-30; konuşma sayıları ölçülmüş temel çizgi bölümünden.
  • docs/research/agentic/AGENTIC_OSS_2026-10-30.md, lisanslar 2026-10-30 tarihinde okundu.
  • docs/research/measurements/s5-r16-coverage.md, üretim tarihi 2026-11-08.

Kaynaklar