Ses ajanı gerçek aramalarda başarısız olduğunda, suçlu genellikle LLM ya da ses olmaz. Sorun bir adım önce, ajanın duyduğu seslende başlar; ister ses-metne (STT) gitsin, ister doğrudan bir speech-to-speech modeline. Modern STT trafik ve klima seslerini sorunsuz kaldırır. Kaldıramadığı şey ise ikinci bir kişinin konuşmasıdır: bir iş arkadaşı, bir televizyon, çağrı merkezindeki bitişik masadaki ajan. STT onları da dinler ve ajan, arayanın asla söylemediği kelimelere göre hareket eder.
Krisp Voice Isolation, STT'nin önüne yerleşir ve ana konuşmacının sesi dışındaki tüm sesleri ortadan kaldırır. Bu inceleme için Krisp'in benchmark'ını ve dokümantasyonunu okudum, self-serve API'ye kaydoldum ve Krisp'in açık veri setinden sekiz gerçek kaydı bu API üzerinden çalıştırdım. Ardından, önceki ve sonraki sesleri açık kaynaklı bir STT modeliyle transkribe ederek gerçekte neyin değiştiğini gördüm.
Kısa değerlendirme: ajanınız ofislerden, evlerden, çağrı merkezlerinden ya da arka planda insanların konuştuğu herhangi bir yerden arama alıyorsa, Voice Isolation'ı pipeline'ınıza eklemeye değer. Testimde, 331 kelimelik sahte transkript oluşturmuş arka plan konuşması sıfıra düştü. Ödünleşimler gerçek ama küçük: temiz telefon sesinde hafif bir maliyet, yalnızca ABD'de hizmet veren bir API bölgesi ve SDK'ya kıyasla API'de daha az model.
Sorun: arka plan gürültüsü değil, arka plandaki sesler
STT modelleri konuşmayı yakalamak için eğitilir, hangi konuşmanın önemli olduğuna karar vermek için değil. Gürültü filtrelenebilir çünkü konuşmaya benzemez. İkinci bir ses ise tam olarak konuşmaya benzer, çünkü öyledir.
Krisp'in kendi örneği güzel bir örnek. Bir arayan, aboneliğini iptal etmek isterken yakındaki bir iş arkadaşı öğle yemeği hakkında soru soruyor. STT, hangi kelimelerin arayandan geldiğini belirten hiçbir işaret olmadan tek bir kelime akışı döndürüyor; böylece müşteri temsilcisi ikisini tek bir talep olarak alıyor.
Bu, bir sesli ajanı üç şekilde bozar:
- Yanlış transkriptler. Arka plandaki kişinin sözleri transkripte karışır ve LLM, arayanın hiç söylemediği şeylere yanıt verir.
- Yanlış kesmeler. Ajan, arka plandaki kişiyi duyar, arayanın sözünü kestiğini düşünür ve cümlenin ortasında konuşmayı bırakır.
- Bozuk sıra dönüşü. Arka plan konuşması, arayanın hâlâ konuştuğu izlenimini verir; bu yüzden ajan sıranın ne zaman bittiğini anlayamaz.
Her durumda ajanın mantığı tasarıma uygun çalışıyor. Asla duymaması gereken bir sese tepki veriyor.
Rakamlar bu açığın ne kadar büyük olduğunu gösteriyor. Krisp'in Voice Isolation 2.5 sürüm testinde, 10 STT sistemi temiz tek konuşmacılı seslerde ortalama %2,10 kelime hata oranı (WER) elde etti. Arayanın üzerine ikinci bir kişi konuştuğunda ise aynı sistemler ortalama %35,92 elde etti. Gürültü bastırma bu açığı kapatamaz, çünkü müdahale eden şey konuşmadır.
Krisp Voice Isolation nedir?
Krisp Voice Isolation API & SDK, canlı ses akışından arka plandaki konuşma ve gürültüyü temizler ve yalnızca ana konuşmacıyı iletir. Ses yapay zekâ ajanları için tasarlanmıştır ve Krisp'in insan çağrıları için Background Voice Cancellation (BVC) adıyla sunduğu çekirdek teknolojinin aynısıdır.
Ajan hattının en başında yer alır, böylece ondan sonraki her model yalnızca tek bir ses duyar:

Voice Isolation'ın bir ses ajanı hattındaki konumu
Bu konum büyük önem taşıyor. Yoksa VAD ve sıra algılama da yanındaki kişiyi duyar ve asıl yanlış kesmelerin kaynağı budur.
Krisp yaklaşık dokuz yıldır ses yapay zekâsı üzerine çalışıyor ve yılda 1 trilyondan fazla dakikalık ses işlediğini belirtiyor. Voice Isolation, şirketin ses yapay zekâ API'si ve SDK portföyündeki ürünlerden biri. Voice Isolation, Krisp'in ses ajanları için gerçek zamanlı model seti olan VIVA'nın bir parçasıdır; Turn-Taking, Interrupt Prediction ve VAD ile birlikte çalışır. Turn-taking'in yerini almaz, onunla birlikte çalışır.
Bu dört model, arka plandaki seslerin ve gürültünün ne kadar agresif bir şekilde temizleneceği üzerinde kontrol sağlar. Tam agresiflik düzeyinde (varsayılan yapılandırma), Default en fazla temizlemeyi yapar. Balanced, ana sesi aynı işlem gücüyle daha hafif işler. Lite, Default'un işlem gücünün yaklaşık üçte birini kullanır. HD ise telefon sesi yerine 32 kHz WebRTC akışları içindir. Agresiflik, işlem gücünü değiştirmeden ayarlayabileceğiniz bir çalışma zamanı ayarıdır; API'de bu, 0 ile 100 arasında değer alabilen suppression_level parametresidir.
Baştan bilinmesi gereken bir sınırlama: ses temizleme modelleri, konuşanın mikrofona yakın olduğunu varsayar. Kabaca bir kılavuz olarak, yaklaşık 30 cm'nin ötesinde ana konuşanın kendi sesi bastırılabilir. Bu katı bir kural değildir; genel bir öneridir ve gerçek mesafe akustik koşullara bağlıdır. Akıllı hoparlörler gibi uzak alan (far-field) cihazları için Krisp, yalnızca gürültüyü temizleyen ayrı bir model sunar.
2.5 sürümü Ağustos 2026'da yayımlandı ve Krisp Eylül ayında bir açık kıyaslama testi ve veri seti yayınladı. Model artık bir SDK'nın yanı sıra self-servis bir API olarak da kullanılabilir.
Krisp'ın kıyaslama testleri ne gösteriyor
Krisp'ın açık kıyaslama testinde Voice Isolation, ortalama kelime hata oranını %23,24'ten %6,24'e düşürdü; bu %73'lük bir düşüş.

Krisp'ın benchmark sayfası öne çıkan sonucu özetliyor.
Kıyaslama testi, ofislerden, evlerden, dört çalışan çağrı merkezi katından ve arabalardan alınan 265 gerçek kaydı kullanıyor. Hiçbir şey simüle edilmedi ya da sonradan karıştırılmadı. Kayıtların çoğu aynı senaryoyu izliyor: ana konuşmacı konuşur, ikinci bir kişi katılır, ana konuşmacı sustuğunda diğeri konuşmaya devam eder, sonra ana konuşmacı geri döner. O sessiz pencere asıl testtir; çünkü bu pencere için doğru transkript boştur. Her dosya, dokuz motorun 11 STT yapılandırmasından, izole etme açık ve kapalı olacak şekilde geçirildi.
Kaynak: Krisp voice isolation benchmark, Ekim 2026 · 11 STT yapılandırması, tüm senaryolar birleştirilmiş
Her motor iyileşti, hiçbiri kötüleşmedi. Daha yararlı sonuç, motorlar arasındaki farka ne olduğunu gösteriyor: ham ses üzerinde bu fark yaklaşık 20 puan genişliğinde, izole etme sonrasında ise yaklaşık 5 puana düşüyor. Ajanınız arka plan seslerini duyuyorsa, girdiyi temizlemek farklı bir STT tedarikçisi seçmekten daha çok WER'nizi değiştirir.

Senaryoya göre kazanım, ikinci bir sesin var olup olmamasına bağlı:
Nerede işe yaramadığı
Krisp, zayıf noktalarını açıkmaya cesaret ediyor ve bence bu, yazının en ikna edici yanı.
- Temiz telefon sesi biraz daha kötüye gidiyor. Ortada kaldırılacak ikinci bir ses olmadığında, izolasyon yalnızca ana sese dokunabiliyor. Telefon görüşmelerinde WER %3,48'den %3,91'e yükseldi ve bir dosya %9,42'den %21,65'e sıçradı. Balanced model bu alanda %3,53 ile en iyi sonucu veriyor.
- Ağır yankı hâlâ sorun. Ayrı olarak yayınlanan 2.5 sürüm testinde, zorlu akustiğe sahip tek konuşmacılı kayıtlar izolasyon açıkken %11,61, kapalıyken %8,02 skor aldı. Bu, 2.1 sürümünden (%15,42) çok daha iyi, ama hiçbir şey yapmamaktan hâlâ kötü.
- Aşırı izolasyon sessiz hatalara yol açıyor. Krisp, önceki modellerin bazen ana sesten parçalar kaldırdığını açıklıyor. Bir insan sesi hâlâ anlayabiliyordu, ama STT tüm cümlecikleri düşürüyor ve transkript, içi delik with olsa da temiz görünen bir metin oluşturuyordu. Bunu düzeltmek için 2.5 sürümü, insan kulağından çok STT için ayarlandı.

Kıyaslama sayfasında altı kaydı ham ve işlenmiş hâliyle dinleyebilirsiniz. Telefon görüşmesi olan 153 numaralı örnek "Kötüleşiyor" olarak etiketlenmiş.
Aklınızda bulundurması gereken iki nokta daha var. Krisp'in sitesinde göreceğiniz %73 ve %46,4 rakamları farklı testlerden geliyor: açık kıyaslamada 265 kayıt, 2.5 sürüm testinde ise 1.685 kayıt kullanılmış. Ayrıca Krisp'in sonuçları, sesi kendi izolasyonu açıkken ve kapalıyken karşılaştırıyor; başka satıcıların izolasyon ürünleriyle kıyas yapmıyor.
Kayıtlar, elle yazılmış transkriptler, segment etiketleri ve her modelin çıktısı Hugging Face'te herkese açık, yani testi herkes yeniden çalıştırabilir. Ben de aynen öyle yaptım.
Uygulamalı test: Voice Isolation API'sini deniyoruz
Testimde Voice Isolation, transkriptlerdeki arka plan konuşmalarının her kelimesini temizledi ve birleşik WER %40,1'den %10,2'ye geriledi.
Kurulum
Geliştirici Portalı'na kaydolmak hızlı; Google, Microsoft veya e-posta ile giriş yapabiliyorsunuz. Deneme sürümü bana 30 dolar kredi ve iki eşzamanlı oturum limiti sağladı. Ardından API Keys → Create key adımlarını izliyorsunuz ve yalnızca bir kez kopyalayabileceğiniz bir anahtar alıyorsunuz.

Deneme planında Geliştirici Portalı'ndaki Voice Isolation sayfası.

Bu inceleme için oluşturduğum API anahtarı. Tek bir anahtar, Voice Translation API dahil tüm Krisp API ürünlerinde çalışıyor.
API bir WebSocket. Backend'iniz API anahtarını kısa ömürlü bir oturum token'ıyla değiştiriyor, istemci küçük bir JSON "hello" mesajı gönderip "ready" yanıtı bekliyor, ardından 16 bitlik mono PCM akışını iletiyor ve temizlenmiş sesi kare kare geri alıyor:
URL = "wss://streaming.krisp.ai/voice-isolation"async with websockets.connect(URL, additional_headers={"Authorization": f"api-key {session_token}"}) as ws: await ws.send(json.dumps({"model": "VIVA-tel", "sample_rate": 16000, "suppression_level": 100})) hello = json.loads(await ws.recv()) # {"type": "ready", ...} # then send exactly 30 ms of audio per message (960 bytes at 16 kHz) # and write each binary message you receive to your output
Bu, Krisp'in API quickstart dokümanına yakın; WAV dosyasını temizleyen kısa bir Python betiği. İnsanların çoğunun gözden kaçırdığı bir kural var: her ses mesajı tam olarak 30 ms olmalı. Farklı bir süredeki mesaj, oturumu invalid_frame_duration hatasıyla sonlandırıyor; bu yüzden son kareyi sessizlikle doldurun.
Test için Krisp'in herkese açık veri setinden sekiz kayıt seçtim: üç ofis kaydı, üç çağrı merkezi kaydı ve arabada yapılan iki telefon görüşmesi; toplamda yaklaşık 11 dakika. Her birini gerçek zamanlı hızda, Asya'dan API üzerinden aktardım. Ardından ham ve temizlenmiş sesleri, Krisp'in kıyaslamasında yer alan motorlardan biri olan NVIDIA'nın açık kaynaklı Parakeet TDT 0.6B v2 modeliyle transkribe ettim ve her etiketli segmenti insan transkriptleriyle karşılaştırarak puanladım.
Sonuçlar
İyileşmenin neredeyse tamamı tek bir kaynaktan geldi: ana konuşmacının sessiz olduğu ve başka birinin konuşmaya devam ettiği zaman aralıkları. Ham ses üzerinde Parakeet, bu arka plan konuşmasını transkripte 331 kelime olarak dönüştürüyordu. Voice Isolation sonrasında ise hiçbir kelime üretmedi. Bu aralıklarda arka plandaki ses 13 ila 34 dB daha kısıkken, ana konuşmacının ses seviyesi neredeyse hiç değişmedi (1 dB içinde).

Benim testim · Krisp API (VIVA-tel), Parakeet TDT 0.6B v2 ile transkribe edildi · yalnızca arka plan sesi içeren zaman aralığı bulunan 6 kayıt
Çağrı merkezi örneği bunun neden önemli olduğunu gösteriyor. Test ettiğim müşteri temsilcisi durakladığında, komşu masadaki temsilci başka bir çağrıda bulunuyordu. Ham transkript o çağrıyı kelimesi kelimesine yakaladı:
thank you for calling meridian bank before i begin i will need to confirm your identity for security could you give me your full name your date of birth...
Bir ses ajanı bunu arayan kişinin konuşması olarak değerlendirirdi. Voice Isolation ile ise aynı zaman aralığı boş döndü.
İki kişi aynı anda konuştuğunda değişim küçüktü: hamda %13,2, temizlenmişte %12,5. Parakeet zaten bu bölümlerde daha yüksek ve daha yakın sesi tercih ediyordu. Buradaki kalan hataların çoğu, puanlamamdaki sayı biçimlendirmesinden kaynaklanıyor (telefon numaraları, fiyatlar, posta kodları) ve bu her iki sürümü de eşit şekilde etkiliyor.
İki temiz telefon görüşmesinde, bir dosyada bir hata artarken diğerinde iki hata azaldı. Bu, Krisp'in temiz ses üzerindeki maliyetin düşük olduğu yönündeki bulgisiyle uyumlu.
ABD dışından gecikme ve güvenilirlik
API şu anda yalnızca ABD bölgesinde çalışıyor ve Krisp'in dokümantasyonu, başka bölgelerdeki istemcilerin ek gecikme yaşayacağı konusunda uyarıda bulunuyor. Asya'dan bir karenin (gönderimden temizlenmiş sesin geri gelmesine kadar) medyan gidiş-dönüş süresi oturuma bağlı olarak 260–520 ms arasındaydı ve bir oturumun kurulması genellikle 1,5–3 saniye sürdü. Bu, modelden değil ağ mesafesinden kaynaklanıyor: Krisp, 15 ms algoritmik gecikme olduğunu belirtiyor. Ancak ajanınız ABD'den uzaktaki kullanıcılara hizmet veriyorsa bunu hissedeceksiniz; kendi sunucularınızda çalıştırdığınız SDK bu sorunu ortadan kaldırır.
Dokuz oturumumdan biri yaklaşık 70 saniye sonra anormal bir kapanmayla düştü. Yeniden çalıştırmak işe yaradı. Bunu hizmetten çok Asya'dan gelen uzun rotaya bağlarım, ama üretim ortamında yeniden bağlanma işlemlerini ele almanın önemli olduğunu hatırlatıyor.
Bu test hakkında: sekiz dosya küçük bir örnektir, bir kıyaslama değildir. 32 kHz'lik kayıtları telephony modeli (VIVA-tel) için 16 kHz'e yeniden örnekledim, tek bir STT motoru kullandım ve metin normalleştirmesini basit tuttum; bu nedenle mutlak sayılarım Krisp'inkilerle karşılaştırılabilir değil. Kontrol ettiğim şey değişimin yönü ve büyüklüğüydü ve Krisp'in bildirdiğiyle örtüşüyordu.
Geliştirici deneyimi: API mi, SDK mı?
Voice Isolation iki farklı şekilde sunuluyor ve hangisini kullanabileceğiniz planınıza bağlı.
API, işleri kolaylaştıran yol: taşınacak model dosyası yok ve CPU'nuzda çalıştırılacak bir şey yok. Karşıklıkları ise sesinizin Krisp'un bulutuna gitmesi ve dört yerine iki model almanız: 8 veya 16 kHz telefon sesi için VIVA-tel ve 32 kHz geniş bant ses için VIVA-pro. VIVA-pro henüz API referansında yer almıyor, ancak portalın Playground bölümünde mevcut, API testimde bu modeli kabul etti ve Krisp de kullanılabilir olduğunu doğruladı.

Portalın Playground bölümü, herhangi bir kod yazmadan önce iki API modelini de kendi mikrofonunuzla test etmenize olanak tanıyor.
SDK, sesi kendi sunucularınızda tutar ve yalnızca lisansını kontrol etmek için internete bağlanır. Maliyet tarafında da ilginç gelişmeler burada başlıyor. Krisp'un CPU gönderisi, tek bir SDK bayrağı olan enableLowPrecisionExecution'un, FP16 desteğine sahip CPU'larda bir sunucunun temizleyebileceği çağrı sayısını kabaca iki katına çıkardığını gösteriyor. 16 vCPU'luk bir AWS Graviton3 örneği 76 canlı çağrıdan 137'ye çıktı ve Lite modeli tam modellerin yaklaşık üç katı kadar akışı barındırabiliyor. Eski Intel Ice Lake yongalarında bu bayrak ise hiçbir işe yaramıyor.
Entegrasyonlar
- Pipecat hazır bir filtre sunuyor. Taşıyıcınızın ses giriş filtresi olarak KrispVivaFilter() ekliyorsunuz ve sıra algılama için KrispVivaTurn ile eşleştirebilirsiniz. SDK'yı kullandığını unutmayın; yani yalnızca bir API anahtarı değil, SDK erişimi ve model dosyalarına ihtiyacınız var.
- LiveKit, LiveKit Cloud'da Krisp modelleri sunuyor; bunlar arasında ajanlar için arka plan sesi iptali (noise_cancellation.BVC()) de bulunuyor. LiveKit, ses izolasyonu modelleri için ek ücret alıyor.
- WebRTC ve telefon altyapıları SDK'yı doğrudan kullanabilir; API ise WebSocket açabilen her şeyle çalışır.
Dokümantasyon açık ve güncel. Hızlı başlangıç rehberi ilk denemede sorunsuz çalıştı ve hata mesajları, beklenen ve alınan çerçeve boyutuna kadar neyin yanlış gittiğini tam olarak söylüyor. Tek şikayetim isimlendirme: Blog gönderisi Default, Balanced, Lite ve HD'den bahsediyor; SDK indirmeleri krisp-viva-vi-tel-v2.5.1 gibi dosya adları kullanıyor; API ise modellerine VIVA-tel ve VIVA-pro diyor ve bunlardan yalnızca ilki API referansında yer alıyor. Dokümanlarda bir eşleme tablosu işe yarardı.
Fiyatlandırma
API, ses saatine göre faturalandırılır ve fiyatı o kadar uygun ki kullanıp kullanmama kararınızı maliyet belirlememeli.

Krisp'in geliştirici fiyatlandırması, Kasım 2026.
Kullandıkça öde modelindeki Starter planda Voice Isolation API'si ses saati başına 0,18 dolar tutarındadır ve aylık ücret yoktur. Ücret, VIVA-tel ve VIVA-pro API modellerinin her ikisi için de aynıdır. Growth planı aylık 400 dolar olup 400 dolarlık kullanım içerir ve ücreti saat başına 0,12 dolara düşürür; ayrıca daha yüksek eşzamanlılık ve öncelikli destek sunar. Enterprise ise özel fiyatlandırmalıdır ve SDK ile SLA ile HIPAA ve SOC 2 sertifikalarını içeren tek plandır.
30 dolarlık başlangıç kredisi, Starter ücretiyle yaklaşık 166 saatlik sesi karşılar; bu da test için fazlasıyla yeterlidir. Krediler 12 ay geçerlidir ve kullanım dakika bazında faturalandırılır. Boyut vermek gerekirse, 5 dakikalık bir aramanın Starter planında temizlenmesi yaklaşık 1,5 sente mal olur.
SDK yalnızca Enterprise planında, kararlaştırılan bir fiyatla sunulur; dolayısıyla modelleri kendi sunucularınızda çalıştırmak istiyorsanız satış ekibiyle görüşmeniz gerekir. Ücretler Krisp'in fiyatlandırma sayfasından alınmış olup Kasım 2026'da kontrol edilmiştir.
Alternatifler
Krisp, arka plan seslerini gidermek için tek seçenek değil, ancak bu ürünlerin bağımsız bir karşılaştırmalı testi henüz mevcut değil. Her satıcı kendi verileri üzerinden kendi rakamlarını yayınlıyor, dolayısıyla aşağıdaki sayıları iddia olarak değerlendirin.
Krisp'i öne çıkaran şey, sağladığı kanıtlardır. Buradaki tek satıcı olarak 11 STT kurulumunu kapsayan açık ve yeniden üretilebilir bir kıyaslama sunuyor ve kaybettiği durumları da yayınlıyor. Ayrıca dağıtım açısından en esnek seçenek: bulut API, sunucu üzerinde SDK ya da LiveKit ve Pipecat'a gömülü olarak kullanılabiliyor.
Sonuç
Krisp Voice Isolation, ses ajanının gerçek çağrılarda sorun çıkardığı ama testlerde sorunsuz çalıştığı durumlarda başvurulacak çözümdür. Ajanınızın duymaması gereken sesleri kaldırır, hâlen kullandığınız herhangi bir STT ile birlikte çalışır ve hem Krisp'in benchmark'ı hem de kendi testimiz aynı şeyi gösteriyor: arka plandaki konuşmalar transkripte ulaşamıyor.
Artılar
- Yalnızca gürültüyü değil, arka plandaki konuşma seslerini de kaldırır; bu, STT'nin tek başına halledemediği sorundur
- Dil başına kurulum veya ses kaydı (voice enrollment) gerektirmeden herhangi bir STT motoruyla çalışır
- CPU üzerinde 15 ms algoritmik gecikmeyle çalışır
- Kaybettiği durumları da içeren açık ve yeniden üretilebilir bir benchmark'a sahiptir
- 30 dolarlık ücretsiz kredi sunan self-servis bir API'dir ve saat başına 0,12–0,18 dolarla ucuzdur
- Hazır Pipecat filtresi ve LiveKit desteği bulunur
Eksiler
- Temiz telefon sesinde hafif bir doğruluk kaybı vardır ve yankının yoğun olduğu ortamlarda ham sesten hâlen daha kötü performans gösterir
- API yalnızca ABD bölgesinde çalıştığı için diğer bölgelerde fark edilir bir gecikme ekler
- API, SDK'nın dört modeline karşılık yalnızca iki model sunar; şirket içi (on-premise) kullanım için Enterprise SDK gerekir
Kimler kullanmalı: çağrı merkezlerinden, ofislerden, evlerden, arabalardan ya da yakınında başka insanların konuştuğu herhangi bir ortamdan çağrı alan ajanlara sahip ekipler. Önce API ile kendi kayıtlarınız üzerindeki etkisini ölçün; ardından başka modellere, ABD dışında daha düşük gecikmeye veya sesin kendi sunucularınızda kalmasına ihtiyacınız varsa SDK'ya geçin.
Kimler atlayabilir: arayanların neredeyse her zaman sessiz odalarda tek başına olduğu ajanlar veya ses yalıtım modellerinin çalışacak şekilde tasarlanmadığı akıllı hoparlör gibi uzak alan (far-field) cihazları.
Ücretsiz kredilerle Krisp Voice Isolation API'sini deneyebilir ve kendi kayıtlarınızı bir öğleden sonra içinde bu API'den geçirebilirsiniz.
SSS
Ses yalıtımı gürültü engelleme ile aynı şey mi? Hayır. Gürültü engelleme, trafik ve klavye sesleri gibi konuşma dışı sesleri kaldırır. Ses yalıtımı ise başka insanların seslerini de kaldırır; bunları gürültü engelleme bırakır.
Krisp Voice Isolation benim STT sağlayıcımla çalışır mı? Evet. Sesin kendisini işlediği için herhangi bir STT motorunun önünde çalışır. Krisp, Deepgram, AssemblyAI, ElevenLabs, Soniox, Google, Cartesia ve NVIDIA modelleri dahil 11 farklı yapılandırmayla test etti. Ayrıca konuşmadan konuşmaya (speech-to-speech) modellerinin önünde de yer alabilir. Krisp bu senaryo için henüz sonuç yayınlamadı, ancak denemenizi engelleyen hiçbir şey yok.
Sıra (turn) algılamasının yerini alır mı? Hayır. VAD ve sıra algılamasından önce gelir ve onlara daha temiz ses sağlar. Krisp, aynı VIVA SDK'da Turn-Taking'i ayrı bir model olarak sunuyor.
Kullanıcıların ses kaydı yapması gerekiyor mu? Hayır. Kayıt (enrollment) gerektirmez ve kullanıcının sesi üzerinden eğitim gerektirmez.
Ne kadar gecikme ekler? Krisp 15 ms algoritmik gecikme belirtiyor ve SDK belgeleri eklenen gecikmeyi yaklaşık 20 ms olarak veriyor. Cloud API'de ayrıca ABD bölgesine ağ süresi de buna eklenir.
Telefon görüşmelerinde çalışır mı? Evet. Dar bantlı telefon sesini, G.711, G.722, G.729 ve Opus gibi yaygın codec'leri ve Bluetooth kulaklıkları destekler.
İnsan-insan görüşmeleri ne olacak? Aynı teknoloji, Krisp'in RTC SDK'sında Background Voice Cancellation (BVC) olarak sunulur ve tarayıcılarda, masaüstü ve mobil uygulamalarda kullanıcının cihazında çalışır. İnsan ajanlarla çalışan çağrı merkezleri bunu Krisp'in çağrı merkezi yapay zekası ürünü aracılığıyla alır; bu ürün, yakın ajanların seslerinin müşteri görüşmelerine karışmasını engeller.



