Araştırmacılar, yedi cihaza iki tur halinde 134’er saatlik Netflix içeriği oynatan kontrollü bir testte akıllı hoparlörlerin saatte 0,95 kez yanlışlıkla uyandığını gözlemledi (Northeastern University ve Imperial College London, PETS 2020). 8 üreticiden 11 hoparlörü TV programları ve haber bültenlerinden geçiren ayrı bir laboratuvar çalışması, doğrulanmış 1.000’den fazla kazara tetiklenme ortaya çıkardı (Ruhr University Bochum ve Max Planck Institute, arXiv 2020). Bu yanlış kabuller artık hukuki bir bedel de taşıyor: Google’ın Asistan yanlış kabulleri nedeniyle yaptığı 68 milyon dolarlık uzlaşma, Ekim 2026’daki nihai onaydan önce süresi içinde 1,49 milyon talep aldı (ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google kararı 2026). Tanıma tarafında ise 7 mikrofonlu dizilerle kaydedilen bir ev akşam yemeği kıyaslamasında kelime hata oranı, yakın konuşmalı kulaklıklardaki %42,10’dan uzak alan cihazlarındaki %77,52’ye fırladı (DiPCo corpus paper, 2019). Northeastern University, Ruhr University Bochum, Amazon Science, Apple Machine Learning Research, Google Research, CHiME yarışması organizatörleri, Johns Hopkins University ve iki federal toplu dava kaydından veri derledik. Kaç evin bu cihazlara sahip olduğu akıllı hoparlör kullanım istatistikleri yazımızda ele alınıyor; bu derleme ise cihazların ne kadar iyi duyduğunu konu alıyor.
TL;DR
- Araştırmacılar, yakında TV programları oynatılırken saatte 0,95 akıllı hoparlör yanlış etkinleşmesi, yani 10.000 konuşulan kelimede 1,43 yanlış etkinleşme gözlemledi (Northeastern University ve Imperial College London, PETS 2020).
- Hoparlör başına 624 saatlik seste Cortana uyandırma kelimesi 197 kazara tetiklenme üretirken Hey Siri’de bu sayı 8 oldu (Ruhr University Bochum ve Max Planck Institute, arXiv 2020).
- Ayda en az bir kez kazara uyanma fark eden akıllı hoparlör kullanıcıları: %43,7 (Voicebot.ai anketi 2018, Voicebot.ai 2020 tarafından aktarıldı).
- İkinci aşama bir sınıflandırıcı, birinci aşama algılayıcının üzerine Alexa yanlış alarmlarını yaklaşık %67 azalttı (Amazon Science, ICASSP 2018).
- Apple’ın akış tabanlı transformer modeli, tetiklemeden sonraki bir saniyelik ek sesle yanlış tetiklemelerin %95’ini bastırıyor (Apple Machine Learning Research 2021).
- HomePod’un altı mikrofonlu işlemesi, müzik çalarken kelime hata oranını göreli olarak yaklaşık %90 iyileştirdi (Apple Machine Learning Research 2018).
- Saatte bir yanlış alarmda uyandırma kelimesi yanlış retleri: yakın konuşmada %2,00, uzak alan dizilerinde %5,11 (Personalized Voice Trigger Challenge 2020).
- Bir ev akşam yemeği külliyatında kelime hata oranı: yakın konuşmada %42,10, uzak alanda %77,52 (DiPCo corpus paper, 2019).
- CHiME-7 ve CHiME-8 yarışmalarındaki en iyi sistemler bile CHiME-6 ev akşam yemeklerinde %30’un üzerinde tcpWER’de kalıyor (CHiME-7/8 DASR review, arXiv 2025).
- 66 ila 94 yaş arasındaki yetişkinlerin 2.552 Alexa etkileşiminin %24,76’sında hata vardı (Johns Hopkins University, arXiv 2024).
- Google’ın 68 milyon dolarlık Asistan yanlış kabul uzlaşması, süresi içinde 1,49 milyon talep aldı (Kumandan v. Google nihai onay kararı, Ekim 2026).
- Apple’ın 95 milyon dolarlık Siri uzlaşması, istenmeyen etkinleşmeler için cihaz başına 20 dolara kadar ödeme yapıyor (Lopez v. Apple uzlaşma yöneticisi, 2025-2026).
1. Kazara Etkinleşmeler: TV Diyalogları Hoparlörü Ne Sıklıkla Uyandırıyor
Saatte 0,95 yanlış etkinleşme küçük görünür; ta ki oturma odasındaki bir televizyonun saatlerce açık kaldığını ve aynı çalışmanın cihaz üzerinde yerel olarak algılanan (cihazın ışığının yandığı) etkinleşmelerin neredeyse hepsinin buluta da gönderildiğini bulduğunu hatırlayana kadar. Dolayısıyla gizlilik sorusu yalnızca bir hoparlörün ne sıklıkla uyandığı değil, uyandıktan sonra ne kadar süre dinlemeye devam ettiğidir.
Northeastern ve Imperial College çalışması en çok süre konusunda çarpıcı: etkinleşmelerin en uzun onda biri cihaza bağlı olarak 8 ila 10 saniye sürdü; bu, özel bir konuşmanın tam bir cümlesini yakalamaya yetecek bir süre. Yanlış etkinleşmeler rastgele gürültü de değildi: Google Home Mini etkinleşmelerinin %20,7’si ve HomePod etkinleşmelerinin %17,7’si 12 test turunun %75’inden fazlasında tekrarlandı; bu da belirli diyalog satırlarının belirli cihazları güvenilir biçimde yanılttığı anlamına geliyor. Voicebot.ai tarafından aktarılan sahip anketleri aynı hikayeyi kanepeden anlatıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Test hoparlörlerine oynatılan içerik | ABD ve Birleşik Krallık’taki 12 TV programından iki tur 134 saat, 7 cihaza (Google Home Mini, Apple HomePod, Harman Kardon Invoke, 2 Echo Dot 2. nesil, 2 Echo Dot 3. nesil) | Northeastern University ve Imperial College London, PETS 2020 |
| Gözlemlenen yanlış etkinleşme oranı | saatte 0,95 ya da konuşulan 10.000 kelimede 1,43 | Northeastern University ve Imperial College London, PETS 2020 |
| En çok etkinleşmeye yol açan TV programları | The West Wing: saatte ortalama 4,26 etkinleşme; Narcos: 10.000 diyalog kelimesinde 6,21 etkinleşme | Northeastern University ve Imperial College London, PETS 2020 |
| Etkinleşmelerin en uzun %10’unun ulaştığı süre; en uzun tek etkinleşme | HomePod’da en az 10 saniye, Google Home Mini’de 9 saniye, Echo Dot 2. nesilde (Echo uyandırma kelimesi) 8 saniye; bir deneyde 43 saniyeye kadar, aykırı değer olarak ele alındı | Northeastern University ve Imperial College London, PETS 2020 |
| Sesli asistanını ayda en az bir kez kazara uyandırdığını fark eden akıllı hoparlör kullanıcıları | %43,7 | Voicebot.ai anketi 2018, Voicebot.ai 2020 tarafından aktarıldı |
| Bir ay içinde asistanını kazara uyandıran ABD sesli arama kullanıcıları (telefonlar dahil) | 501 katılımcının %64’ü | The Manifest anketi, Voicebot.ai 2020 tarafından aktarıldı |
| Yazılımın uyandırma kelimesini bariz bir neden olmadan algıladığı bildirilen kazara uyanmaların payı | %29 | The Manifest anketi, Voicebot.ai 2020 tarafından aktarıldı |
Mevcut en güncel veri: Northeastern University ve Imperial College London, PETS 2020 ile 2018 ile 2020 arasındaki sahip anketleri. O tarihten bu yana daha büyük bağımsız bir yanlış etkinleşme ölçümü yayımlanmadı, bu nedenle bunlar referans rakamlar olmayı sürdürüyor. Sıkça tekrarlanan “günde 19 kereye kadar” manşeti basın haberlerinden geldi, çalışmanın kendi bildirdiği oranlardan değil.
2. Hangi Uyandırma Kelimeleri En Çok Yanlış Ateşliyor
Uyandırma kelimeleri arasındaki fark çok büyük: aynı oynatım altında Cortana 197 kazara tetiklenme üretirken Hey Siri 8 üretti. Kısa ve yaygın duyulan uyandırma kelimeleri gündelik konuşmayla çakışıyor; araştırmacılar Çince ‘dage’ (ağabey) sözcüğünün ‘Echo’ ile, Almanca ‘Am Sonntag’ ifadesinin ise hava durumu tahminlerinde ‘Amazon’ ile karıştığını buldu.
Bulut ikinci bir filtre görevi görüyor, ancak kusurlu bir filtre. Cortana’nın yerel tetiklemelerinin yalnızca küçük bir kısmı sunucu denetiminden geçti; yine de kazara tetiklenmeler makalesi, bulutta doğrulanan bir tetiklemenin 10 saniye veya daha uzun ses yükleyebildiğini buldu. Bulut doğrulama adımı, sade bir ifadeyle, şirketin sunucularındaki ikinci ve daha büyük bir tanıyıcıdır; klibi yeniden dinler ve cihazla aynı fikirde değilse uyandırmayı iptal eder.
| Metrik | Değer | Kaynak |
|---|---|---|
| Test kapsamı | 8 üreticiden 11 akıllı hoparlör; her biri 24 saatlik, iki kez oynatılan 13 ana veri seti (13 x 24 x 2 = hoparlör başına 624 saat) | Ruhr University Bochum ve Max Planck Institute, arXiv 2020 |
| Uyandırma kelimesine göre kazara tetiklenmeler | Cortana 197; Alexa 99; Computer 77; Amazon 57; Echo 43; OK/Hey Google 16; Hey Siri 8 | Ruhr University Bochum ve Max Planck Institute, arXiv 2020 |
| Bulut tarafı denetimini de geçen Cortana tetiklemeleri | 197’de 8 (8 / 197 = %4,1) | Ruhr University Bochum ve Max Planck Institute, arXiv 2020 |
| 10 tekrar oynatımda en az 4 kez yeniden ateşlenen Amazon ve Google tetiklemeleri | Yaklaşık %75 | Ruhr University Bochum ve Max Planck Institute, arXiv 2020 |
| Aynı Modern Family bölümleriyle tetiklenen ‘Computer’ uyandırma kelimesi, İngilizce sürüm ile Almanca sürüm | 9 kez karşı 1 kez | Ruhr University Bochum ve Max Planck Institute, arXiv 2020 |
| Bulutta doğrulanan bir tetiklemeden sonra yüklenen ses ile yalnızca yerel bir tetiklemenin durması için geçen süre | 10 saniye veya daha fazla karşı yaklaşık 1-2 saniye | Ruhr University Bochum ve Max Planck Institute, arXiv 2020 |
Mevcut en güncel veri: Ruhr University Bochum ve Max Planck Institute, arXiv 2020. Alexa için sayı makalenin metninde 99, bir özet tablo satırında ise 100 olarak geçiyor; biz metindeki rakamı kullanıyoruz.
3. Uyandırma Kelimesi Algılama: Yanlış Retleri Yanlış Alarmlarla Takas Etmek
Her uyandırma kelimesi motoru iki hata arasında denge kurar. Yanlış ret, hoparlörün gerçek bir ‘Alexa’ ya da ‘Hey Siri’ komutunu yok saymasıdır; yanlış alarm (yanlış kabul veya yanlış tetikleme de denir) ise kimse uyandırma kelimesini söylemediği halde hoparlörün uyanmasıdır. Mühendisler bir hata oranını sabitler, ardından diğerini aşağı çekmeye çalışır; sonuçların “sabit bir yanlış alarm düzeyinde göreli azalma” ya da “saatte 0,1 yanlış kabulde” biçiminde verilmesinin nedeni budur.
Üreticiler genelinde görülen örüntü katmanlı bir savunmadır. Buradaki öne çıkan sonuç Apple’a ait: yalnızca bir saniyelik ek sesle yanlış tetiklemelerin %95’i bastırıldı (Apple Machine Learning Research 2021). Amazon’un iki aşamalı algılayıcısı ve Apple’ın kafes tabanlı denetimleri aynı mantığı gösteriyor: ucuz ve her zaman açık bir algılayıcı cihazı uyandırır, daha ağır bir ikinci aşama ise dinlemeye devam edilip edilmeyeceğine karar verir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Arka plan konuşması modellemeli iki aşamalı cihaz üstü algılayıcı: sabit bir yanlış alarm düzeyinde yanlış retler; sabit bir ıskalama oranında yanlış alarmlar | Yaklaşık %16 göreli azalma; yaklaşık %37 göreli azalma | Amazon Science, ICASSP 2018 |
| Birinci aşama algılayıcının üzerindeki ikinci aşama sınıflandırıcı | Yaklaşık %67 daha az yanlış alarm | Amazon Science, ICASSP 2018 |
| Gerçek isteklerin sabit %0,4 yanlış bastırılmasında, tamamlayıcı bir dil modeliyle yanlış tetikleme oranı | %38,34 göreli azalma, ardından paralel bir modelle %10,8 daha | Apple, Interspeech 2020 |
| Tetiklemeden sonraki bir saniyelik sesle akış tabanlı bir transformer’ın bastırdığı yanlış tetiklemeler | %95 | Apple Machine Learning Research 2021 |
| Aynı akış tabanlı model ile akış tabanlı olmayan sürüm | Yanlış retlerde ortalama %18 göreli azalma; %32 daha az çalışma zamanı belleği; %56 daha kısa çıkarım süresi | Apple Machine Learning Research 2021 |
| Çok mikrofonlu ağ ile her mikrofonda çalıştırılan tek kanallı model, saatte 0,1 yanlış kabulde | Çift mikrofonlu test kümelerinde yanlış retlerde %27,2 (temiz) ve %31,8 (gürültülü) göreli azalma | Google Research, Odyssey 2020 |
| Siri sesli tetikleme tasarımı | 7 cihaz kategorisinde iki tetikleme ifadesi (‘Hey Siri’ ve ‘Siri’); ağırlık başına 4 bite sıkıştırılmış birinci geçiş ağı | Apple Machine Learning Research 2023 |
Bağlam: üreticiler piyasadaki ürünler için mutlak yanlış kabul oranlarını neredeyse hiç yayımlamaz, yalnızca göreli iyileştirmeleri paylaşır. Tamamlayıcı Dil Modeli makalesi ve Google çok kanallı makalesi bu geleneği izliyor. Piyasadaki sistemin mimarisi için mevcut en güncel veri: Apple Machine Learning Research, Voice Trigger System for Siri, 2023.
4. Beamforming ve Akustik Ön Uç
Beamforming, birden fazla mikrofondan gelen sinyalleri birleştirerek dizinin konuşmacıya doğru ‘dinlemesini’ ve gürültüden uzaklaşmasını sağlamak demektir. Yankı giderme ise hoparlörün kendi müziğini mikrofonlarının duyduğu sesten çıkarmak demektir. İkisi de önemlidir, çünkü Apple’ın ölçtüğü gibi cihazın kendi çaldığı ses, duymaya çalıştığı sesten 30-40 dB daha yüksek olabilir (Apple Machine Learning Research 2018).
Kazanç, bir akıllı hoparlörün en çok zorlandığı yerde, yani kendi müzik çalışı sırasında en büyüktür. Amazon’un katmanlı yankı giderme çalışması benzer büyüklük mertebeleri bildiriyor. Aynı yönlü ilke, yönlü mikrofonlu işitme cihazı SNR istatistiklerimizin gösterdiği gibi işitme cihazlarında kulaktaki gürültüyü azaltır; bir akıllı hoparlör bunu odanın karşısından uygular.
| Metrik | Değer | Kaynak |
|---|---|---|
| Apple HomePod üzerindeki mikrofonlar; konuşma iyileştirmesinin işlem maliyeti | Altı; 1,4 GHz’de tek bir A8 çekirdeğinin %15’inden az | Apple Machine Learning Research 2018 |
| Cihaz çalma sesi (yankı) ile uzak alan konuşması; yüksek ses seviyesinde doğrusal yankı gidermeden sonra kalan yankı | 30-40 dB daha yüksek; uzak alan konuşmasının 10-20 dB üzerinde | Apple Machine Learning Research 2018 |
| HomePod çok kanallı işlemesinden kelime hata oranında göreli iyileşme | Yaklaşık %40 (yankılı konuşma), %90 (müzik çalma), %74 (yüksek arka plan gürültüsü), %61 (rakip konuşmacı) | Apple Machine Learning Research 2018 |
| Rakip bir konuşmacı varken ‘Hey Siri’ yanlış retlerinde mutlak iyileşme | Maske tabanlı gürültü azaltmaya göre %29,0; temel sinyal işleme çıktısına göre %30,3 | Apple Machine Learning Research 2018 |
| Amazon’un Echo cihazlarındaki katmanlı sisteminden yankı ve gürültü azalması | Yaklaşık 40 dB yankı azalması; yaklaşık 19 dB gürültü azalması | Amazon Science 2018 |
| Üç katmanın (Amazon’un SBNR, SBRES ve NLEC olarak adlandırdığı) kelime hata oranında göreli iyileşmesi | Yaklaşık %22, %14 ve %17 | Amazon Science 2018 |
| DiPCo ev kayıtlarındaki uzak alan cihaz dizisi | 7 mikrofon: 35 mm yarıçaplı bir çember üzerinde 6 ve merkezde 1 | DiPCo corpus paper, 2019 |
| Her CHiME-6 ev akşam yemeğinde kullanılan diziler | 4 kanallı doğrusal dizilere sahip 6 Microsoft Kinect cihazı (24 dizi mikrofonu) | CHiME-6 Challenge paper, 2020 |
Mevcut en güncel veri: Apple Machine Learning Research 2018 ve Amazon Science 2018. Her iki şirket de o tarihten bu yana daha yeni donanımlar sundu, ancak hiçbiri karşılaştırılabilir ön uç ölçümleri yayımlamadı.
5. Uzak Alan Tanımada Mesafe Cezası
Mikrofonu ağızdan odanın öbür ucuna taşımak, kontrollü testlerde tanıma hatalarını neredeyse ikiye katlıyor. Aynı akşam yemeği oturumlarında kelime hata oranı yakın konuşmalı kulaklıklarda %42,10’dan uzak alan cihazlarında %77,52’ye yükseldi (DiPCo corpus paper, 2019); Personalized Voice Trigger Challenge içindeki uyandırma kelimesi yanlış retleri de uzak alan dizilerinde yakın konuşmalı telefonlara göre iki katından fazlaydı.
Ev içi konuşmalı ses, tek bir komuttan çok daha zordur: insanlar birbirinin lafını keser, odalar arasında dolaşır ve yemek yapar. Tabloyu okumak için iki terim yardımcı olur. Yönlendirilmiş kaynak ayrıştırma (GSS), her sesi ayırmak için kimin ne zaman konuştuğu bilgisini kullanan çok mikrofonlu bir yöntemdir; tcpWER ise yanlış konuşmacıya ya da yanlış ana atanan kelimeleri de cezalandıran bir kelime hata oranıdır. CHiME-7 ve CHiME-8 derlemesi, yıllarca süren ilerlemeye rağmen ev akşam yemeklerinin en zor senaryo olmayı sürdürdüğünü gösteriyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Saatte bir yanlış alarmda uyandırma kelimesi yanlış retleri, yakın konuşmalı telefon ile uzak alan mikrofon dizisi (geliştirme kümesi) | %2,00 karşı %5,11 | Personalized Voice Trigger Challenge 2020 |
| Yarışma kayıt düzeni | 612 saat, 658.995 söylem, 550 konuşmacı; akıllı ev olarak kurulmuş bir odada 1 m, 3 m ve 5 m’de 4 ya da 6 kanallı diziler | Personalized Voice Trigger Challenge 2020 |
| Uzak alan akıllı ev uyandırma kelimesi (‘Xiao T, Xiao T’), değerlendirme kümesi: yanlış retler ve yanlış alarmlar | En iyi yalnızca sesli sistem %6,38 ve %4,65; en iyi görsel-işitsel sistem %2,15 ve %3,44; resmi görsel-işitsel taban çizgisi %10,1 ve %15 | Duke Kunshan University system, ICASSP 2023 (MISP 2021 challenge) |
| Kelime hata oranı, yakın konuşmalı kulaklık ile uzak alan 7 mikrofonlu cihaz (değerlendirme kümesi) | %42,10 karşı %77,52 | DiPCo corpus paper, 2019 |
| CHiME-6 taban çizgisi kelime hata oranı (geliştirme / değerlendirme), GSS ile geleneksel bir ışın oluşturucuyla (BeamformIt) karşılaştırması | %51,8 / %51,3 karşı %69,8 / %61,2 | CHiME-6 Challenge paper, 2020 |
| Sistemin kimin ne zaman konuştuğunu da bulması gerektiğinde CHiME-6 taban çizgisi (geliştirme / değerlendirme) | %84,3 / %77,9 | CHiME-6 Challenge paper, 2020 |
| En iyi CHiME-5 sistemi kelime hata oranı (geliştirme / değerlendirme) | %45,6 / %46,6 (USTC-iFlytek) | CHiME-6 Challenge paper, 2020 |
| En iyi CHiME-7/8 sistemlerinin CHiME-6 tcpWER değeri; CHiME-8 katılımı | %30’un üzerinde; 32 sistem gönderen 9 ekip | CHiME-7/8 DASR review, arXiv 2025 |
Bağlam: yarışma rakamları kısa komutları değil açık konuşmayı ölçüyor, bu nedenle bir hoparlörün ‘bir zamanlayıcı kur’ komutunda yaptığı hatayı olduğundan büyük gösteriyor. Yine de odanın kendisinin ne kadara mal olduğuna dair en iyi kamuya açık kanıt bunlar ve CHiME-6 makalesi, geleneksel bir ışın oluşturucudan GSS’ye geçişin tek başına geliştirme kümesinde yaklaşık 18 puan değerinde olduğunu gösteriyor (%69,8 eksi %51,8).
6. Kim Gözden Kaçıyor: Evdeki Yaşlı Yetişkinler
Uyandırma kelimesi ve tanıma hataları eşit dağılmıyor. Bir aylık ev içi uygulamada 66 ila 94 yaş arasındaki yetişkinlerin Alexa etkileşimlerinin %24,76’sında hata vardı (Johns Hopkins University, arXiv 2024) ve hata oranları dört hafta boyunca düşmedi. İsteği duymak sorunun yalnızca bir parçasıydı: niyeti yanlış anlamak tek başına en büyük hata kategorisiydi.
Uyandırma kelimesinin kendisi de insanları yanıltıyor. ‘Alexis’ gibi ucu ucuna yanlış bir söyleyiş, yanlış etkinleşmelerden daha fazla yanlış yönlendirmeye yol açtı; bu, 1. bölümdeki TV sorununun ayna görüntüsüdür: cihaz sahibine karşı katı, televizyona karşı hoşgörülü. Aksan ve lehçeye göre farklar konuşma tanıma aksan yanlılığı istatistiklerimizde ele alınıyor; bu bölüm yaş ve bilişle sınırlı kalıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Hatalı etkileşimler, 66 ila 94 yaş arası 15 hane, Echo Dot, dört hafta | %24,76 (2.552’de 632) | Johns Hopkins University, arXiv 2024 |
| Tüm hatalar içinde konuşma tanıma hatalarının payı | %24,4 (632’de 154) | Johns Hopkins University, arXiv 2024 |
| Alexa’nın isteği hiç almadığı hatalar (‘dinlenmedi’) | %10,9 (632’de 69) | Johns Hopkins University, arXiv 2024 |
| Yanlış uyandırma kelimesi söylemenin (örneğin ‘Alexis’) yol açtığı hatalar | %7,8 (632’de 49) | Johns Hopkins University, arXiv 2024 |
| Yanlış etkinleşmelerin (yanlış tetiklemelerin) yol açtığı hatalar; yeniden denemede çözülen pay | %2,4 (632’de 15); %6,7 | Johns Hopkins University, arXiv 2024 |
| En büyük hata kategorisi olan niyet tanıma başarısızlıkları | %32,3 (632’de 204) | Johns Hopkins University, arXiv 2024 |
| 83 yaşlı yetişkinin okuduğu Alexa komutlarında konuşma tanıma hataları, demans grubu ile bilişsel olarak normal grup | Demans grubunda anlamlı ölçüde daha yüksek | Cohn et al., arXiv 2026 |
2026 demans çalışması, konuşmacı yoğunluğunun, ses kalitesinin ve duraklama oranının tanıma doğruluğunu öngördüğünü bildiriyor; bu da yaş farkını akustiğe bağlıyor: daha kısık ve soluklu sesler, diziye ulaşmadan önce oda boyunca daha fazla enerji kaybediyor.
7. Mahkemede ve Şirket Politikasında Yanlış Kabuller
Yanlış kabuller laboratuvar metriğinden hukuki sorumluluğa dönüştü. Google’ın uzlaşmasında sınıf dönemi 18 Mayıs 2016’da başlıyor ve yanlış kabul kayıtları etrafında tanımlanmış bir gizlilik sınıfı bulunuyor; 173.814.291 adrese e-postayla gönderilen bildirimlere karşılık 1,49 milyon süresi içinde talep geldi (ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google nihai onay kararı, Ekim 2026). Hesabımıza göre bu, bildirim yapılan adreslerin yaklaşık %0,86’sı oranında bir talep oranıdır (1,49 milyon / 173.814.291); kararın kendisi bir talep oranı belirtmiyor.
Apple’ın paralel Siri uzlaşması, on yıl boyunca özel konuşmalar sırasında gerçekleşen istenmeyen Siri etkinleşmelerini kapsıyor. Şirket politikası da değişti: Apple, Ocak 2025’te kullanıcılar açıkça onay vermedikçe Siri etkileşimlerinin ses kayıtlarını saklamadığını belirtti (Apple Newsroom 2025).
| Metrik | Değer | Kaynak |
|---|---|---|
| Google Asistan yanlış kabul uzlaşma fonu; nihai onay tarihi | 68.000.000 dolar, iade edilmeyen; 13 Ekim 2026 | ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google kararı 2026 |
| Bildirim teslimi ve dışlanmalar | 173.814.291 adrese e-posta, %98,76 teslim edildi; 217 geçerli dışlanma talebi ve 7 itiraz | ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google kararı 2026 |
| Sınıf üyesi başına tahmini ödeme | Yaklaşık 18 ila 56 dolar (satın alan sınıfı); yaklaşık 2 ila 10 dolar (gizlilik sınıfı) | ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google kararı 2026 |
| Hükmedilen avukatlık ücretleri | 22.666.666,70 dolar (fonun üçte biri) | ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google kararı 2026 |
| Apple Siri istenmeyen etkinleşme uzlaşması | 95 milyon dolarlık fon; Siri cihazı başına 20 dolara kadar, en fazla beş cihaz; sınıf dönemi 17 Eylül 2014 ile 31 Aralık 2024 arası | Lopez v. Apple uzlaşma yöneticisi, 2025-2026 |
| Dil uzmanlarınca incelenen Asistan ses parçacıklarının payı | Yaklaşık %0,2 | Google, The Keyword blogu, Temmuz 2019 |
| Apple notlandırmayı askıya almadan önce insan notlandırıcıların dinlediği Siri isteklerinin payı | %0,2’den az | Apple Newsroom, Ağustos 2019 |
Bağlam: Google’ın 2019 tarihli konuşma verileri açıklaması yanlış kabulleri nadir olarak tanımladı, Apple’ın 2019 tarihli açıklaması ise yanlışlıkla tetiklenme olarak değerlendirilen kayıtları silmeyi taahhüt etti. Hiçbir şirket bir yanlış kabul sıklığı yayımlamadı; 1. ve 2. bölümlerdeki laboratuvar çalışmalarının kamuya açık başlıca kanıt olmayı sürdürmesinin nedeni de bu.
Özet: Rakamlarla Uzak Alan Akıllı Hoparlör Beamforming ve Uyandırma Kelimesi Doğruluğu
| Metrik | Değer | Kaynak |
|---|---|---|
| Yakında TV programları oynatılırken yanlış etkinleşmeler | saatte 0,95 ya da 10.000 kelimede 1,43 | Northeastern University ve Imperial College London, PETS 2020 |
| Etkinleşmelerin en uzun %10’u | cihaza bağlı olarak 8 ila 10 saniye veya daha fazla | Northeastern University ve Imperial College London, PETS 2020 |
| Kazara tetiklenmeler, Cortana karşı Hey Siri, hoparlör başına 624 saat | 197 karşı 8 | Ruhr University Bochum ve Max Planck Institute, arXiv 2020 |
| En az ayda bir kazara uyanma fark eden akıllı hoparlör kullanıcıları | %43,7 | Voicebot.ai anketi 2018, Voicebot.ai 2020 tarafından aktarıldı |
| İkinci aşama sınıflandırıcıyla giderilen yanlış alarmlar | Yaklaşık %67 | Amazon Science, ICASSP 2018 |
| Tamamlayıcı bir dil modelinden yanlış tetikleme azalması | %38,34 göreli | Apple, Interspeech 2020 |
| Bir saniyelik ek sesle bastırılan yanlış tetiklemeler | %95 | Apple Machine Learning Research 2021 |
| Saatte 0,1 yanlış kabulde çift mikrofonlu bir ağın yanlış ret azalması | %27,2 temiz, %31,8 gürültülü | Google Research, Odyssey 2020 |
| Cihaz çalma sesi ile uzak alan konuşma seviyesi | 30-40 dB daha yüksek | Apple Machine Learning Research 2018 |
| Müzik çalarken HomePod işlemesinden kelime hata oranı iyileşmesi | Yaklaşık %90 göreli | Apple Machine Learning Research 2018 |
| Echo cihazlarında yankı azalması | Yaklaşık 40 dB | Amazon Science 2018 |
| Uyandırma kelimesi yanlış retleri, yakın konuşma ile uzak alan | %2,00 karşı %5,11 | Personalized Voice Trigger Challenge 2020 |
| En iyi görsel-işitsel uzak alan uyandırma kelimesi sistemi, yanlış retler ve yanlış alarmlar | %2,15 ve %3,44 | Duke Kunshan University system, ICASSP 2023 |
| Kelime hata oranı, yakın konuşma ile uzak alan | %42,10 karşı %77,52 | DiPCo corpus paper, 2019 |
| CHiME-6 taban çizgisi, GSS ile geleneksel ışın oluşturucu (geliştirme kümesi) | %51,8 karşı %69,8 | CHiME-6 Challenge paper, 2020 |
| CHiME-6 ev akşam yemeklerinde en iyi CHiME-7/8 sistemleri | %30’un üzerinde tcpWER | CHiME-7/8 DASR review, arXiv 2025 |
| Hata içeren Alexa etkileşimleri, 66 ila 94 yaş arası yetişkinler | %24,76 | Johns Hopkins University, arXiv 2024 |
| Google Asistan yanlış kabul uzlaşması ve süresi içinde talepler | 68 milyon dolar; 1,49 milyon | ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google kararı 2026 |
| Apple Siri istenmeyen etkinleşme uzlaşması | 95 milyon dolar; cihaz başına 20 dolara kadar | Lopez v. Apple uzlaşma yöneticisi, 2025-2026 |
Metodoloji ve Kaynaklar
Yukarıdaki her rakam için 15 arama yaptık ve birincil makaleyi, mahkeme kaydını ya da şirket sayfasını okuduk. Yalnızca göreli bir iyileştirmenin yayımlandığı durumlarda onu göreli olarak aktarıyoruz; göreli iyileştirmeleri mutlak oranlara çevirmedik. İki uzlaşma rakamı teknik ölçümler değil, mahkeme ve yönetici kayıtlarıdır.
- Northeastern University and Imperial College London, When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers, PETS 2020
- Voicebot.ai, The Manifest anketi ve Voicebot 2018 anketi üzerine rapor, Ocak 2020
- Ruhr University Bochum ve Max Planck Institute for Security and Privacy, Unacceptable, where is my privacy? Exploring Accidental Triggers of Smart Speakers, arXiv 2020
- Amazon Science, Monophone-based Background Modeling for Two-stage On-device Wake Word Detection, ICASSP 2018
- Amazon Science, akıllı hoparlörler için çok katmanlı yankı giderme ve ses iyileştirme, 2018
- Apple Machine Learning Research, Complementary Language Model and Parallel Bi-LRNN for False Trigger Mitigation, Interspeech 2020
- Apple Machine Learning Research, Streaming Transformer for Hardware Efficient Voice Trigger Detection and False Trigger Mitigation, 2021
- Apple Machine Learning Research, Voice Trigger System for Siri, 2023
- Apple Machine Learning Research, Optimizing Siri on HomePod in Far-Field Settings, 2018
- Google Research, Small Footprint Multi-channel Keyword Spotting, Odyssey 2020
- The 2020 Personalized Voice Trigger Challenge: Open Database, Evaluation Metrics and the Baseline Systems, arXiv 2021
- Duke Kunshan University, Post-Challenge Audio-Visual Wake Word Spotting System for the MISP 2021 Challenge, ICASSP 2023
- DiPCo, Dinner Party Corpus, 2019
- CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings, 2020
- Cornell et al., Recent Trends in Distant Conversational Speech Recognition: A Review of CHiME-7 and 8 DASR Challenges, arXiv 2025
- Johns Hopkins University, Situated Understanding of Errors in Older Adults’ Interactions with Voice Assistants: A Month-Long, In-Home Study, arXiv 2024
- Cohn et al., Amazon Alexa kullanan demanslı ve demanssız yaşlı yetişkinlerde konuşma tanıma hataları, arXiv 2026
- ABD Kuzey Kaliforniya Bölge Mahkemesi, Kumandan v. Google, nihai onayı veren karar, 13 Ekim 2026
- Lopez v. Apple, Lopez Voice Assistant Settlement yönetici sitesi, 2025-2026
- Google, More information about our processes to safeguard speech data, Temmuz 2019
- Apple Newsroom, Improving Siri’s privacy protections, Ağustos 2019
- Apple Newsroom, Our longstanding privacy commitment with Siri, Ocak 2025
- Veri notu: Bu derlemedeki teknik ölçümlerin çoğu 2018 ile 2023 arasına ait, çünkü akıllı hoparlör üreticileri piyasadaki cihazlar için mutlak yanlış kabul oranlarını değil, göreli iyileştirmeleri ve mimari notları yayımlıyor; 2018-2021 dönemine ait her rakamı güncel ürün performansı değil, mevcut en güncel veri olarak değerlendirin. Northeastern çalışması için dolaşan “günde 19 kereye kadar” rakamı bir basın manşetidir, çalışmanın bildirdiği bir oran değil. Kazara tetiklenmeler makalesi metninde 99, bir özet tablo satırında ise 100 Alexa tetiklenmesi veriyor. Google’ın çok kanallı makalesi, Google Research sayfasında %27,2 ve %31,8 yanlış ret azalmasıyla listeleniyor; ilgili sürümlerin diğer listeleri farklı rakamlar gösteriyor, bu yüzden okuduğunuz sürümü belirterek atıf yapın. Johns Hopkins çalışması haftalık hata oranını metinde %20-30, bir şekil açıklamasında ise %21-26 olarak veriyor. Voicebot 2018 ve The Manifest anketleri karşılaştırılamaz (ikincisi telefonları ve düğme basmalarını da içeriyor). Google’ın uzlaşma ödemeleri Ekim 2026 tarihli karar sırasında henüz dağıtılmamıştı; karar, talepleri 17 Eylül 2026 itibarıyla bildiriyor ve kabul edilebilecek 40.000’den fazla geç talep olduğunu belirtiyor.
Son güncelleme: 24 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, Kumandan v. Google uzlaşma ödemeleri dağıtıldığında ve ICASSP 2027 bildirileri yayımlandığında yapılması bekleniyor.