172 kişiden gerçek ve yapay zeka üretimi sesleri ayırması istendiğinde yalnızca %53,95 oranında doğru yanıt verdiler, yani yazı tura atmanın neredeyse bir adım ötesine geçemediler; aynı katılımcılar yüzleri ise %65,48 oranında doğru sınıflandırdı (Ivory ve ark., Scientific Reports 2026, baskıda). Gerçek kişilerin klonları dinleyicileri kimlik konusunda bile kandırıyor: eşleştirme doğruluğu doğal seslerde %86,98’den deepfake seslerde %68,94’e düştü (Roswandowitz ve ark., Communications Biology 2024). 1.212 katılımcı ve yaygın kullanılan üç deepfake veri setinde insan doğruluğu ortalama %73 oldu (Warren ve ark., ACM CCS 2024); buna rağmen klasik tekinsiz vadi, yani bir şey neredeyse ama tam olarak insan olmadığında rahatlıkta görülen düşüş, tek başına sentetik konuşmada neredeyse hiç ortaya çıkmıyor. PLOS One, Scientific Reports, Communications Biology, eNeuro, ISCA Archive, Frontiers, ACM CCS, i-Perception ve 2026’ya ait iki sektör anketinden veri derledik. Modern metinden konuşmaya sistemlerinin arkasındaki dinleme testi ölçütleri için sentetik konuşma doğallığı ve MOS istatistiklerimize, sentetik sesleri hâlâ ele veren perde ve vurgu hataları için ise nöral TTS prozodi hatası istatistiklerimize bakın.
TL;DR
- Dinleyiciler gerçek ve sentetik sesleri %53,95 oranında doğru sınıflandırdı; yüzlerde bu oran %65,48 idi (Ivory ve ark., Scientific Reports 2026).
- Güven, sesler için doğrulukla örtüşmedi: AUROC 0,48; 0,5 içgörü olmadığı anlamına gelir (Ivory ve ark., Scientific Reports 2026).
- Ses klonları 0,70, gerçek kayıtlar 0,72 ve genel yapay zeka sesleri 0,39 oranında insan olarak etiketlendi (Lavan ve ark., PLOS One 2025).
- Üç deepfake veri setinde 1.212 katılımcı için ortalama insan doğruluğu %73 idi (Warren ve ark., ACM CCS 2024).
- Kimlik eşleştirme, doğal seslerde %86,98’den deepfake seslerde %68,94’e düştü (Roswandowitz ve ark., Communications Biology 2024).
- Bir TTS sesi ne kadar insan benzeriyse o kadar hoş değerlendirildi: r(203) = 0,48, p < 0,001 (Ross, Corley ve Lai, Speech Prosody 2024).
- Uyumsuz yüz ve ses eşleşmeleri uyumlu olanlardan daha ürkütücü değerlendirildi, t(47) = 6,042, p < 0,001 (Mitchell ve ark., i-Perception 2011).
- İnsan sesi, sanal bir karakterin sevilirliğini 3,75’e çıkardı; robot sesinde bu değer 2,99 idi (Choi ve ark., IEEE ISMAR-Adjunct 2023).
- Duydukları seslendirmenin yapay zeka olduğunu öğrendikten sonra radyo dinleyicilerinin %25’i daha olumlu, %20’si daha olumsuz hissetti (Crowd React Media 2026).
- Örnek temelli alıştırma, deepfake tespitini ortalama yalnızca %3,84 artırdı (Mai ve ark., PLOS ONE 2023).
- ABD, Birleşik Krallık ve DACH bölgesindeki yetişkinlerin %67’si seslerinin klonlanmasından endişe ediyor (Malwarebytes 2026, tedarikçi anketi).
1. Tespit: Dinleyiciler Yapay Zeka Seslerini İnsan Seslerinden Ne Sıklıkla Ayırt Ediyor
Asıl mesele insanların başarısız olması değil, başarısızlığın işitmeye özgü olması. Yüzlerde şansı rahatça geçen aynı katılımcılar seslerde %53,95 puan aldı (%95 GA = [52,64; 55,27]); bu sonuç, iki duyuyu yan yana test eden, ön kayıtlı bir Lancaster University çalışmasından geliyor (Ivory ve ark., Scientific Reports, baskıda). Sahte yüzleri fark etmekte iyi olmak, sahte sesleri fark etmekte iyi olmak hakkında hiçbir şey söylemedi: yazarlar, duyular arası genel bir tespit yeteneği bulamadı.
Görev biçimi, dinleyici becerisinden daha fazla rakamları oynatıyor. UCL araştırmacıları klipleri tek tek çaldığında 529 dinleyici %70,35 oranında doğru yanıt verdi; ancak gerçek ve deepfake klip birlikte dinlendiğinde sahte, denemelerin %85,59’unda tanındı (Mai ve ark., PLOS ONE 2023). Gerçek hayat nadiren karşılaştırma klibi sunar. Veri setinin yaşı da önemli: University of Florida’nın 1.212 katılımcılı çalışmasında doğruluk Wavefake setinde %65’ten FakeAVCeleb setinde %81’e kadar değişti.
| Metrik | Değer | Kaynak |
|---|---|---|
| Gerçek ve sentetik seslerin doğru sınıflandırılması (172 katılımcı, 40 gerçek ve 40 sentetik ses) | %53,95 (%95 GA = [52,64; 55,27]) | Ivory ve ark., Scientific Reports 2026 (baskıda) |
| Aynı katılımcıların gerçek ve yapay zeka üretimi yüzleri doğru sınıflandırması | %65,48 (%95 GA = [63,75; 67,21]) | Ivory ve ark., Scientific Reports 2026 (baskıda) |
| Klipler tek tek değerlendirildiğinde doğru sınıflandırma (n = 529, İngilizce ve Mandarin) | %70,35 | Mai ve ark., PLOS ONE 2023 |
| Gerçek bir klibin yanında dinlendiğinde tanınan deepfake (iki klipli görev) | denemelerin %85,59’u | Mai ve ark., PLOS ONE 2023 |
| Üç deepfake veri setinde ortalama insan doğruluğu (1.212 katılımcı) | %73 | Warren ve ark., ACM CCS 2024 |
| En zor (Wavefake) ve en kolay (FakeAVCeleb) veri setinde ortalama doğruluk | %65 ve %81 | Warren ve ark., ACM CCS 2024 |
| Yapay zeka olarak doğru tanımlanan yapay zeka ses klonları (iki çalışmada 604 katılımcılık Prolific örneklemi) | yaklaşık %60 | Barrington, Cooper ve Farid, Scientific Reports 2025 |
| Genel yapay zeka seslerini insan seslerinden ve ses klonlarını insan seslerinden ayıran dinleyici duyarlılığı (d prime) (n = 50) | 2,93 ve 0,13 | Lavan ve ark., PLOS One 2025 |
Bağlam notu: d prime (d’), sinyal algılama kuramından bir duyarlılık puanıdır ve 0, dinleyicinin iki kategoriyi hiç ayıramadığı anlamına gelir. Mai ve ark.‘nın deepfake’leri, yazarların da belirttiği gibi nispeten eski algoritmalardan geliyordu; tek klip ve iki klip karşılaştırması için mevcut en güncel veri: Mai ve ark., PLOS ONE 2023.
2. Ses Klonları: Kopya Kişinin Yerine Geçtiğinde
Genel bir yapay zeka sesi hâlâ bir ürün gibi duyulur. Belirli bir kişinin klonu ise öyle duyulmaz ve insan işitmesi tam burada pes eder. Queen Mary University of London araştırmacıları klonlarını, ticari bir klonlama aracıyla konuşmacı başına yaklaşık 4 dakikalık kayıttan oluşturdu ve dinleyiciler bu klonları 0,70 oranında insan olarak etiketledi; gerçek kayıtlarda bu oran 0,72 idi (Lavan ve ark., PLOS One 2025). Yazarların hükmü net: klonlar gerçek gibi duyuluyor, ancak yapay zeka yüzlerinin gerçek yüzlerden daha gerçek görünebilmesi gibi henüz “hipergerçekçi” değil. Bir klonun artık ne kadar az sese ihtiyaç duyduğu sıfır-atış ses klonlama referans ses istatistiklerimizde izleniyor.
Kimlik ikinci testtir ve klonlar çoğu zaman bunu geçer. Bir UC Berkeley çalışmasında katılımcılar bir yapay zeka sesinin gerçek karşılığıyla aynı kimliğe sahip olduğuna yaklaşık %80 oranında karar verdi (Barrington, Cooper ve Farid, arXiv v2; çalışma Scientific Reports 2025 dergisinde yayımlandı). Almanca iki kelimelik cümleler kullanan bir University of Zurich beyin görüntüleme çalışmasında (çalışma uyaranları arasında ‘Er fällt’ de vardı; Almancada ‘O düşüyor’ anlamına gelir) kimlik eşleştirme doğal seslerde %86,98’den deepfake seslerde %68,94’e düştü (Roswandowitz ve ark., Communications Biology 2024).
| Metrik | Değer | Kaynak |
|---|---|---|
| ’İnsan’ olarak etiketlenen seslerin payı: ses klonları, gerçek insan kayıtları ve genel yapay zeka sesleri (2. Deney, n = 50 Birleşik Krallıklı yetişkin) | 0,70; 0,72 ve 0,39 | Lavan ve ark., PLOS One 2025 |
| Ortalama gerçeklik puanı: genel yapay zeka sesleri, ses klonları ve gerçek insan kayıtları | 47,4; 63,0 ve 63,8 | Lavan ve ark., PLOS One 2025 |
| Yapay zeka klonunun gerçek konuşmacıyla aynı kimliğe sahip olduğuna karar verilmesi | zamanın yaklaşık %80’i | Barrington, Cooper ve Farid, Scientific Reports 2025 |
| Klip süresi ile doğallık yargılarının doğruluğu arasındaki korelasyon | Spearman ρ = 0,245 | Barrington, Cooper ve Farid, Scientific Reports 2025 |
| Kimlik eşleştirme doğruluğu: doğal ses çiftleri ve doğal bir sesle eşlenen deepfake (n = 25) | %86,98 ve %68,94 | Roswandowitz ve ark., Communications Biology 2024 |
| Deepfake denemeleri: ıskalamalar ve yanlış alarmlar | %28,64 ve %29,86 | Roswandowitz ve ark., Communications Biology 2024 |
Bağlam notu: Queen Mary ekibi, Prolific üzerinden işe alınan, 18 ila 65 yaş arasında ve her biri 50 Birleşik Krallıklı katılımcıdan oluşan üç deney yürüttü. Zurich çalışmasında ıskalama, bir deepfake’in gerçek konuşmacı olarak kabul edilmesi, yanlış alarm ise doğru bir kimliğin reddedilmesi anlamına gelir; neredeyse eşit oranlar, dinleyicilerin tek bir yöne eğilmek yerine her iki yönde de tahmin yürüttüğünü gösterir.
3. Seslerde Tekinsiz Vadi Var mı?
Görsel tekinsiz vadi, yapay bir yüz tamamen insan olmadan hemen önce rahatlığın düştüğünü öngörür. Sentetik konuşmada ise verilerin çoğu tam tersini gösteriyor: insana ne kadar yakınsa o kadar iyi. Bir Frontiers in Neurorobotics çalışmasında 95 yetişkin iki sentetik sesi (IBM Watson ve Sophia robotu) ve bir insan sesini değerlendirdi; daha yüksek insan benzerliği, her iki sentetik ses için de daha düşük ürkütücülüğü öngördü. Bir Edinburgh ekibi insan benzerliği ile hoşluğun pozitif korelasyon gösterdiğini, r(203) = 0,48, p < 0,001, ancak hiçbir TTS sesinin %50 insan benzerliğine ulaşmadığını, dolayısıyla bir vadinin bulunacağı eğrinin üst ucunun hiç test edilmediğini buldu (Ross, Corley ve Lai, Speech Prosody 2024).
Bir vadi ortaya çıktığında, bunun nedeni yapaylık değil sapmadır. Diel ve Lewis, bozulmuş ve patolojik seslerin yönlendirdiği bir sesli tekinsiz vadi buldu ve “sentetik seslerin bu vadiden başarıyla kurtulduğu” sonucuna vardı (Computers in Human Behavior Reports 2024). Bir yapay zeka ses üreticisi ile ses seçen herkes için bu pratik bir kuraldır: alışılmadık, gergin veya bozuk bir sunum, düpedüz sentetik bir sunumdan daha risklidir.
| Metrik | Değer | Kaynak |
|---|---|---|
| İnsan benzerliği puanı: en insan benzeri TTS sesi (abartılı perde aralığı) ve insan kaydı (205 dinleyici) | 46,1 ve 71,5 | Ross, Corley ve Lai, Speech Prosody 2024 |
| Ürkütücülük puanı: aynı TTS sesi ve insan kaydı | 40,4 ve 28,9 | Ross, Corley ve Lai, Speech Prosody 2024 |
| İnsan benzerliği ile hoşluk arasındaki korelasyon | r(203) = 0,48, p < 0,001 | Ross, Corley ve Lai, Speech Prosody 2024 |
| İki sentetik ses için ürkütücülüğü öngören insan benzerliği (95 yetişkin) | β = −0,64 ve β = −0,66, p < 0,001 | Kühne, Fischer ve Zhou, Frontiers in Neurorobotics 2020 |
| Sevilirlik ve insan benzerliği çalışmasındaki ses sayısı (25 dinleyici): 5 sentez yaklaşımından Alman erkek sesleri artı bir insan kontrolü | 13 | Baird ve ark., Interspeech 2018 |
| Sapan seslerde sesli tekinsiz vadiyi arayan iki deneydeki katılımcılar | n = 50 ve n = 35 | Diel ve Lewis, Computers in Human Behavior Reports 2024 |
| İnsan benzeri görünümün ürkütücülüğü artırdığı bir sesli asistan çalışmasındaki katılımcılar | 34 | Zhao, Chen ve Zhao, Human Factors and Ergonomics in Manufacturing 2026 |
| Tanıdık olmayan bir insan sesine duyulan beğeninin arttığı maruz kalma sayısı (konuşulan cümleler, 238 üniversite öğrencisi) | 8 | Mavromati, Erdinch ve Paterson, PsyArXiv ön baskısı 2025 |
Bağlam notu: Baird ve ark., sevilirliğin insan benzerliğiyle birlikte arttığını buldu; bu, görsel tekinsiz vadinin tersidir (Interspeech 2018); sentez nesilleri arası bu karşılaştırma için mevcut en güncel veri budur ve Kühne ve ark. çalışması 2020 tarihlidir. Sesli asistan çalışmasında ürkütücülük sesten değil, insan benzeri görünümden geliyordu. Mavromati ve çalışma arkadaşlarının ön baskısı gerçek insan seslerini test etti: 2 veya 5 kez duyulan sesler, hiç duyulmamış seslerden daha az beğenildi; yazarların ‘tanıdık gibi yabancı’ seslerin tekinsiz vadisi dediği ters bir ‘U’.
4. Yüz-Ses Uyumsuzluğu: Vadinin Gerçekte Göründüğü Yer
Sesler tek başına nadiren vadiye düşüyorsa, kombinasyonlar düşer. Temel test, bir robot veya insan figürünü eşleşen ya da eşleşmeyen bir sesle çiftledi ve uyumsuz iki eşleşme, uyumlu iki eşleşmeden daha ürkütücü değerlendirildi, t(47) = 6,042, p < 0,001 (Mitchell ve ark., i-Perception 2011). Sentetik sesli insan figürü dört koşulun en ürkütücüsüydü. Yazarların çıkardığı tasarım dersi hâlâ geçerli: yüzün insan gerçekçiliğini sesinkine uydurun.
Daha yeni çalışmalar, izlenimde genellikle sesin baskın olduğunu gösteriyor. Bir sanal gerçeklik çalışmasında insan sesi bir karakterin sevilirliğini ve algılanan güvenliğini artırırken, görünümün kendisinin sevilirlik üzerinde anlamlı bir etkisi yoktu (Choi ve ark., IEEE ISMAR-Adjunct 2023). Furhat robot başıyla yüz-ses ayarı ilk izlenimdeki sıcaklığı değiştirdi, ancak katılımcılar robotla etkileşime girdikten sonra etki artık anlamlı değildi (Huang ve Moore, Frontiers in Robotics and AI 2024).
| Metrik | Değer | Kaynak |
|---|---|---|
| Ürkütücülük puanı: sentetik sesli insan figürü ve insan sesli insan figürü (48 ABD doğumlu katılımcı) | M = 0,19 ve M = −1,10 | Mitchell ve ark., i-Perception 2011 |
| Ürkütücülük puanı: insan sesli robot figürü ve sentetik sesli robot figürü | M = −0,10 ve M = −0,60 | Mitchell ve ark., i-Perception 2011 |
| Uyumsuz ve uyumlu yüz-ses eşleşmeleri (eşleştirilmiş t-testi) | t(47) = 6,042, p < 0,001 | Mitchell ve ark., i-Perception 2011 |
| Sanal bir karakterin sevilirliği: insan sesi ve robot sesi (21 katılımcı) | 3,75 ve 2,99 | Choi ve ark., IEEE ISMAR-Adjunct 2023 |
| Sanal bir karakterin algılanan insan benzerliği (antropomorfizm): insan sesi ve robot sesi | 3,18 ve 2,58 | Choi ve ark., IEEE ISMAR-Adjunct 2023 |
| İlk izlenim sıcaklığı: çocuk benzeri, yetişkin benzeri ve robot benzeri yüz-ses ayarları (52 katılımcı, 156 örnek) | 3,37; 2,60 ve 2,06 | Huang ve Moore, Frontiers in Robotics and AI 2024 |
| Etkileşimden önce yüz-ses ayarının sıcaklık üzerindeki etkisi | F(2,147) = 16,75, p < 0,001 | Huang ve Moore, Frontiers in Robotics and AI 2024 |
Bağlam notu: Furhat çalışmasında bazı katılımcılar çocuk benzeri ayarı uyumsuz olarak tanımladı (‘daha çocuksu bir ses ama daha az çocuksu bir görünüm’). Alimardani ve ark. (IVA 2024) tarafından yapılan 2x2 sanal ajan deneyi, ses-görünüm uyumsuzluğunun algılanan antropomorfizmi değiştirdiğini ancak insanların ajanın tavsiyesini ne sıklıkla izlediğini değiştirmediğini buldu. Mitchell ve ark. çalışması 2011 tarihlidir; bu yüz-ses tasarımı için mevcut en güncel veri budur.
5. Sosyal Özellikler ve İfşa Etkisi
Dinleyiciler yalnızca bir sesin gerçek olup olmadığını yargılamaz; ona karakter de atfeder ve sentetik sesler farklı okunur. Queen Mary özellik deneylerinde genel yapay zeka sesleri insan seslerinden daha baskın ve biraz daha güvenilir bulundu. Zurich ekibi deepfake’leri için tersini buldu: katılımcılar bunları doğal seslerden “anlamlı ölçüde daha az doğal, sevilir ve güvenilir” olarak değerlendirdi (Roswandowitz ve ark., Communications Biology 2024). Özelliklerin hangi yöne düşeceğini uyaran kalitesi belirliyor.
Gerçek medyaya daha yakın bir kör testte kalite sorun olmaktan çıktı ve ifşa belirleyici oldu. Açıklamadan sonra, insan seslendirmesini duyan dinleyicilerin %48’i daha olumlu hissetti; yapay zeka sesini duyanlarda bu oran %25 idi (Crowd React Media AI Voiceover Study 2026). Kimseye bir şey söylenmeden önce iki ses neredeyse aynı puanı aldı. Düz sunum diğer zayıf noktadır: duygusuz koşuldaki kullanıcıların yaklaşık %68’i bir sohbet ajanının ses tonunu eleştirdi (Cihodaru-Ștefanache ve Podina, Frontiers in Psychology 2025).
| Metrik | Değer | Kaynak |
|---|---|---|
| Baskınlık puanı: genel yapay zeka sesleri ve insan sesleri (n = 50) | 58,1 ve 40,4 (p < 0,001) | Lavan ve ark., PLOS One 2025 |
| Güvenilirlik puanı: genel yapay zeka sesleri ve insan sesleri | 57,9 ve 53,8 (p = 0,002) | Lavan ve ark., PLOS One 2025 |
| İlk klibin genel beğenisi: yapay zeka seslendirmesi ve insan seslendirmesi (18-45 yaş arası 1.326 ABD’li radyo dinleyicisi) | %61 ve %60 | Crowd React Media AI Voiceover Study 2026 |
| ’Komik’ olarak değerlendirilen seslendirme: insan sesi ve yapay zeka sesi (tek anlamlı fark) | %33 ve %26 | Crowd React Media AI Voiceover Study 2026 |
| Açıklamadan sonra yapay zeka sesinin dinleyicileri: daha olumlu ve daha olumsuz | %25 ve %20 | Crowd React Media AI Voiceover Study 2026 |
| Açıklamadan sonra insan sesinin dinleyicileri: daha olumlu ve daha olumsuz | %48 ve %4 | Crowd React Media AI Voiceover Study 2026 |
| Duygusuz koşulda bir sohbet ajanının ses tonunu eleştiren kullanıcılar | yaklaşık %68 | Cihodaru-Ștefanache ve Podina, Frontiers in Psychology 2025 |
Bağlam notu: Frontiers in Psychology derlemesi eleme sonucunda bedenlenmiş sohbet ajanlarına (kullanıcılarla konuşan, ekranda canlandırılmış karakterler) ilişkin 29 çalışmaya ulaştı ve çoğunu metodolojik kalite açısından zayıf ya da orta olarak değerlendirdi. Radyo testi Harker Bos Group’un bir pazar araştırması bölümü tarafından yürütüldü ve anlamlılık %95 güvenle iki oranlı z testiyle kontrol edildi; dinleyicilere hangi sesi duyduklarını puanlama yapana kadar söylenmedi.
6. Eğitim, Güven ve Dinleyen Beyin
Kısa eğitim pek yardımcı olmuyor ve dinleyiciler ne zaman yanıldıklarını anlayamıyor. Sesler için AUROC olarak ölçülen üstbilişsel içgörü 0,48 idi; bu, güvenin doğruluk hakkında hiçbir bilgi taşımadığı anlamına gelen 0,5’in hemen altında, aynı Lancaster çalışmasında yüzler için ise 0,59 idi (bkz. bölüm 1). Örnek deepfake’lerle alıştırma, doğruluğu pek değiştirmiyor (bkz. tablo). University of Florida ekibi, dinleyiciler emin olmadığında sesin insan olduğuna inanmaya meylettiklerini buldu (Warren ve ark., ACM CCS 2024); ses klonlama dolandırıcılığının dayandığı tam da bu önyargıdır, bkz. ses klonlamayla aile dolandırıcılığı istatistiklerimiz.
Beyin ise dinleyicinin bildirdiğinden fazlasını kaydediyor. 12 dakikalık bir eğitim oturumundan sonra, anadili Mandarin olan 30 kişi insan ve yapay zeka konuşması arasında yaklaşık 55, 210 ve 455 milisaniyede sinirsel farklar gösterdi, ancak davranışsal ayırt etmeleri anlamlı ölçüde iyileşmedi (Yang ve ark., eNeuro 2026). Zurich fMRI çalışmasında işitsel korteks deepfake ve doğal sesler arasındaki akustik farkları izledi; deepfake doğal bir sesle karşılaştırıldığında ise ödül sisteminin bir parçası olan nükleus akumbens daha az aktifti (Roswandowitz ve ark., Communications Biology 2024).
| Metrik | Değer | Kaynak |
|---|---|---|
| Sesler ve yüzler için üstbilişsel içgörü (AUROC); 0,5 içgörü yok demektir | 0,48 ve 0,59 | Ivory ve ark., Scientific Reports 2026 (baskıda) |
| Deepfake örnekleriyle alıştırmadan elde edilen tespit kazancı | ortalama %3,84 | Mai ve ark., PLOS ONE 2023 |
| 12 dakikalık eğitim oturumundan önce ve sonra insan konuşması için duyarlılık (d prime) (30 katılımcı) | 0,383 ve 0,536 | Yang ve ark., eNeuro 2026 |
| Aynı eğitimden önce ve sonra ince ayarlı yapay zeka klonları için duyarlılık (d prime) | 0,266 ve 0,341 | Yang ve ark., eNeuro 2026 |
| Eğitim oturumunun duyarlılık üzerindeki ana etkisi | F(1,29) = 3,918, p = 0,057 | Yang ve ark., eNeuro 2026 |
| Eğitimden sonra insan ve yapay zeka konuşması arasındaki sinirsel ayrımın gecikmeleri | yaklaşık 55 ms, 210 ms ve 455 ms | Yang ve ark., eNeuro 2026 |
| Seslerinin klonlanmasından endişe eden yetişkinler (ABD, Birleşik Krallık, Avusturya, Almanya ve İsviçre’de 1.500 yetişkin) | %67 | Malwarebytes AI Scams Report 2026 (tedarikçi anketi) |
| Son 12 ayda tanıdığı birinden ses klonlu çağrı alan yetişkinler | %16 | Malwarebytes AI Scams Report 2026 (tedarikçi anketi) |
Bağlam notu: AUROC (alıcı işletim karakteristiği eğrisi altındaki alan), burada bir dinleyicinin güveninin doğru yanıtlarda yanlış yanıtlardan daha yüksek olup olmadığını ölçer. eNeuro cümleleri bir Mandarin konuşma algısı testinden geldi ve yapay zeka sesleri açık kaynaklı bir klonlama modeliyle üretildi. Malwarebytes anketi, 1 Mart ile 17 Mart 2026 arasında bağımsız bir araştırma danışmanı tarafından çevrimiçi uygulandı; bir güvenlik yazılımı sağlayıcısının kendi anketidir, bu yüzden algı ölçümü olarak değil, bağlam olarak değerlendirin.
Özet: Sentetik Seslerde Tekinsiz Vadi Rakamlarla
| Metrik | Değer | Kaynak |
|---|---|---|
| Gerçek ve sentetik seslerin doğru sınıflandırılması | %53,95 | Ivory ve ark., Scientific Reports 2026 (baskıda) |
| Üç deepfake veri setinde ortalama insan doğruluğu (1.212 katılımcı) | %73 | Warren ve ark., ACM CCS 2024 |
| En zor ve en kolay deepfake veri setinde ortalama doğruluk | %65 ve %81 | Warren ve ark., ACM CCS 2024 |
| Deepfake tespiti: klipler tek tek ve gerçek bir klibin yanında | %70,35 ve %85,59 | Mai ve ark., PLOS ONE 2023 |
| Yapay zeka klonunun gerçek konuşmacıyla aynı kimliğe sahip olduğuna karar verilmesi | yaklaşık %80 | Barrington, Cooper ve Farid, Scientific Reports 2025 |
| ’İnsan’ olarak etiketlenen pay: ses klonları, gerçek kayıtlar ve genel yapay zeka sesleri | 0,70; 0,72 ve 0,39 | Lavan ve ark., PLOS One 2025 |
| Kimlik eşleştirme: doğal sesler ve deepfake’ler | %86,98 ve %68,94 | Roswandowitz ve ark., Communications Biology 2024 |
| TTS sesleri için insan benzerliği ile hoşluk arasındaki korelasyon | r(203) = 0,48, p < 0,001 | Ross, Corley ve Lai, Speech Prosody 2024 |
| İnsan benzerliği: en insan benzeri TTS sesi ve insan kaydı | 46,1 ve 71,5 | Ross, Corley ve Lai, Speech Prosody 2024 |
| Ürkütücülük: en insan benzeri TTS sesi ve insan kaydı | 40,4 ve 28,9 | Ross, Corley ve Lai, Speech Prosody 2024 |
| İki sentetik ses için ürkütücülüğü öngören insan benzerliği | β = −0,64 ve β = −0,66 | Kühne, Fischer ve Zhou, Frontiers in Neurorobotics 2020 |
| Uyumsuz ve uyumlu yüz-ses eşleşmeleri | t(47) = 6,042, p < 0,001 | Mitchell ve ark., i-Perception 2011 |
| Ürkütücülük: sentetik sesli insan figürü ve insan sesli insan figürü | M = 0,19 ve M = −1,10 | Mitchell ve ark., i-Perception 2011 |
| Sanal bir karakterin sevilirliği: insan sesi ve robot sesi | 3,75 ve 2,99 | Choi ve ark., IEEE ISMAR-Adjunct 2023 |
| İlk izlenim sıcaklığı: çocuk benzeri, yetişkin benzeri ve robot benzeri ayarlar | 3,37; 2,60 ve 2,06 | Huang ve Moore, Frontiers in Robotics and AI 2024 |
| Genel beğeni: yapay zeka seslendirmesi ve insan seslendirmesi | %61 ve %60 | Crowd React Media AI Voiceover Study 2026 |
| Duygusuz bir sohbet ajanının ses tonunu eleştiren kullanıcılar | yaklaşık %68 | Cihodaru-Ștefanache ve Podina, Frontiers in Psychology 2025 |
| 12 dakikalık eğitim oturumunun yapay zeka konuşmasına duyarlılık üzerindeki etkisi | F(1,29) = 3,918, p = 0,057 | Yang ve ark., eNeuro 2026 |
Metodoloji ve Kaynaklar
- Ivory, McGettigan, Nuttall ve Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, baskıda, Lancaster University deposu
- Lavan ve ark., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
- Barrington, Cooper ve Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central ve arXiv v2
- Mai, Bray, Davies ve Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
- Warren ve ark., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, University of Florida PDF’i
- Roswandowitz ve ark., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
- Yang, Jiang, Bai, Ni ve Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
- Ross, Corley ve Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
- Kühne, Fischer ve Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
- Baird ve ark., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
- Diel ve Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
- Zhao, Chen ve Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, DOI üzerinden Wiley
- Mavromati, Erdinch ve Paterson, “The uncanny valley of familiarly unfamiliar voices”, PsyArXiv ön baskısı 2025, OSF
- Mitchell ve ark., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
- Choi, Koilias, Volonte, Kao ve Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
- Huang ve Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
- Alimardani, de Roode, Vaitonyte ve Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, DOI üzerinden ACM
- Cihodaru-Ștefanache ve Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
- Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, ayrıca Radio Ink tarafından haberleştirildi
- Malwarebytes, AI Scams Report 2026 (1.500 yetişkinle tedarikçi anketi), Malwarebytes
- Veri notu: Lancaster yüz ve ses çalışması üniversite deposundaki kabul edilmiş sürümden alıntılanmıştır, bu nedenle rakamlar nihai dergi sürümünde biraz değişebilir. UC Berkeley klon çalışması, dergi sürümünde başlıktaki yüzdeleri görsel olarak basıyor; bu nedenle yaklaşık %80 ve yaklaşık %60 rakamları, yayımlanmış özetle örtüşen arXiv v2 metninden alınmıştır. Queen Mary temel düzeyi deneyler arasında değişti (dinleyiciler insan seslerinin Deney 1a’da %81’ini, Deney 1b’de %62’sini ve Deney 2’de %72’sini ‘insan’ olarak etiketledi); bu yüzden klonlar ve insan sesleri yalnızca tek bir deney içinde karşılaştırılmalı, asla deneyler arasında karşılaştırılmamalıdır. UCL (2023) ve University of Florida (2024) çalışmalarından gelen iki %73 rakamı farklı görevleri ve veri setlerini ölçer ve birbirlerinin tekrarı değildir. Radyo kör testi, iki sesin tanımlanma sıklığında istatistiksel olarak anlamlı bir fark bulmadı ve tam tanımlanma payları yalnızca bir grafikte yer alıyor. Burada hiçbir yayımlanmış test, tamamen insan benzeri olarak değerlendirilen TTS seslerine ulaşmadı; dolayısıyla sesli tekinsiz vadi eğrisinin üst ucu test edilmemiş durumda. Kıyaslama doğallık puanları (MOS ve CMOS) bilerek MOS derlememize bırakılmıştır.
Son güncelleme: 8 Kasım 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, Lancaster yüz ve ses tespiti çalışmasının nihai sürümü Scientific Reports’ta yayımlandığında yapılması bekleniyor.