Sürüm:
v0.1-alpha(Research Preview / Proof of Concept)
Geliştirici Profil: urbanhorizons
Geliştirme / Eğitim Ortamı: Tek standart NVIDIA tüketici GPU'su (12GB VRAM)
Nihai Hedef Donanım: Uç Cihazlar & Edge AI (Raspberry Pi 5, NPU destekli mini PC'ler ve yerel gömülü sistemler)
Lisans: Apache 2.0 (Yukarı akış model lisans koşulları saklıdır)
Bu çalışma, devasa sunucu çiftlikleri veya kurumsal bütçelerle değil; tek bir standart tüketici bilgisayarında (NVIDIA tüketici GPU'su), son derece sınırlı zaman ve donanım kaynaklarıyla geliştirilmiş açık ağırlıklı (open-weights) bir araştırma prototipidir.
Temel Amaç:
Geleneksel ve gecikmesi yüksek ayrık boru hatları (ASR -> Harici LLM -> Harici TTS) yerine; sesi nöral düzeyde doğrudan anlayan, Türkçe dil modeline köprüleyen, söz kesme (barge-in) destekli ve deterministik güvenlik katmanıyla korunan yerel bir ses hattının mümkün olduğunu kanıtlamak ve araştırmacıların üzerine yeni tuğlalar koyabileceği açık bir zemin sunmaktır.
[!WARNING] TIBBİ VE GÜVENLİK SORUMLULUK REDDİ (DISCLAIMER):
ADA tıbbi bir cihaz DEĞİLDİR. Sistem içerisindeki ilaç takibi, hekime yönlendirme ve acil durum bildirim protokolleri tamamen deneysel araştırma amaçlıdır. Hayati, klinik veya güvenlik açısından kritik senaryolarda kesinlikle kullanılamaz.
Sistem mimarisi, Speech-in / Speech-out, VAD-gated, Barge-in (Söz Kesme) Destekli Sıralı Konuşma Hattı olarak kurgulanmıştır.
flowchart LR
A["Kullanıcı Sesi (16kHz PCM)"] --> B["Qwen2-Audio Tower (600M)<br/>1280-dim Akustik Temsil"]
B --> C["2-Katmanlı Conv1d Adaptör<br/>Stack=2 (12.5 Hz Jeton Hızı)"]
C --> D["Kumru-2B Türkçe Dil Modeli<br/>(Dondurulmuş + LoRA r=8)"]
D --> E["48kHz EMA-TTS Vokal Hattı<br/>Doğal Nefes & Stüdyo Sesi"]
Ham ses özellikleri dondurulmuş dil modeline doğrudan verildiğinde, model kullanıcı girdisini papağan gibi tekrarlama (yankı/echo) eğilimi göstermiştir. Bu sorun şu mühendislik adımlarıyla çözülmüştür:
Topluluğu yanıltmamak adına tüm metrikler ve eksikler çıplak olarak sunulmaktadır:
| Parametre | Durum / Ölçüm | Açıklama |
|---|---|---|
| Sentetik Stres Testinde Yankı | %0.0 (0/15) | $n=15$ sentetik stres sorgusunda yankı gözlenmedi. Wilson %95 Güven Aralığı: [%0.0 - %18.1] |
| Gerçek İnsan Sesiyle CER | ÖLÇÜLMEDİ | Gerçek insan kayıtlarıyla geniş ölçekli CER henüz ölçülmemiştir (Topluluk katılımı beklenmektedir). |
| Referans Taban (Whisper CER) | Karşılaştırılmadı | Whisper ile kafa kafaya karşılaştırma raporu test aşamasındadır. |
| Söz Kesme (Barge-in) | VAD Tabanlı (Yerel) | Silero-VAD eşikleme ile konuşmacı araya girdiğinde vokal hattı kesilir. |
| Persona Eğilimi | Bilinen Kusur | Eğitim verisi kalıntısı sebebiyle model nadiren persona adını karıştırabilir. |
| Hızlı Konuşma | Bilinen Sınırlama | Dakikada 180+ kelime üzerindeki çok hızlı Türkçe konuşmalarda adaptör hizalama kayması yaşanabilir. |
ada_orchestrator)Güvenlik gerektiren hiçbir iş mantığı olasılıksal LLM tahminlerine bırakılmamıştır. Tüm kontrol deterministik Python durum makineleriyle (pytest 33/33 test onaylı) yönetilir:
consent_given=True) olmadan dışarıya bildirim fırlatmaz.Telif haklarına saygı ve depolama verimliliği amacıyla bu depoda yalnızca tarafımızca eğitilen özgün ağırlıklar ve çıkarım kodları yer almaktadır.
weights/ada_bridge.safetensors (66 MB): Eğitilmiş 2 katmanlı Conv1d + LayerNorm akustik-semantik projeksiyon köprüsü.weights/ada_lora.safetensors (32 MB): Kumru-2B için ince ayarlanmış PEFT LoRA adaptörü ($r=8, \alpha=16$).weights/adapter_config.json: LoRA yapılandırması (vngrs-ai/Kumru-2B tabanlı).ada_orchestrator/: 33/33 pytest geçen deterministik orkestratör kaynak kodu.scenarios/: 4 adet standart güvenlik doğrulama senaryosu (Düşme/Acil, İlaç Güvenliği, Hatırlatıcı, Ev Otomasyonu).assets/: Mimari ve güvenlik akış şemaları (yüksek çözünürlüklü).download_base_models.py: Taban modelleri kullanıcı rızasıyla resmi depolardan indiren yardımcı araç.run_ada.py: İnteraktif terminal simülatörü ve senaryo test çalıştırıcısı.audio_tower_extractor.py: Ses kulesini resmi depodan otomatik çıkaran yardımcı araç.Tam nöral çıkarım yapmak isteyen araştırmacılar, taban modelleri doğrudan resmi depolarından kendi rızaları ve lisans koşullarını kabul ederek temin edebilirler:
İsteğe bağlı olarak tek komutla resmi depolardan indirmek için:
python download_base_models.py
git clone https://huggingface.co/urbanhorizons/turkish-omni-ada
cd turkish-omni-ada
pip install torch safetensors transformers peft pyyaml
python run_ada.py --mode scenarios
python run_ada.py --mode repl
Bu araştırma, açık kaynak ekosisteminin değerli katkıları üzerine inşa edilmiştir:
Kumru-2B için.Qwen2-Audio ses kulesi mimarisi için.Bu prototip bir bitiş değil, açık bir başlangıçtır. Birlikte geliştirmek için ilk görev listemiz:
Katkı vermek ve tartışmalara katılmak için Hugging Face Community sekmesinden iletişime geçebilirsiniz.
Dünyadaki mevcut sesli asistanların (Siri, Alexa vb.) en büyük zafiyeti "kullanıcı seslenmediği sürece evin durumunu bilemeyen kör bir yapı" olmalarıdır. Özellikle yalnız yaşayan yaşlı bireylerin düşme ve kalp krizi gibi durumlarda konuşamayacak veya sesini mikrofona duyuramayacak hale gelmesi hayati risktir. Banyo veya yatak odasına kamera koymak ise mahremiyet (KVKK) açısından asla kabul edilemez.
ADA'nın bir sonraki büyük donanım ve yazılım AR-GE hedefi, Wi-Fi CSI (Channel State Information - Kanal Durum Bilgisi) Alan Tarama teknolojisidir:
Bu proje kâğıt üzerinde bir fikir değil, tüketici donanımında çalışan somut bir açık kaynak/açık ağırlık (open-weights) adımıdır.
Vizyonumuzu büyütmek isteyen tüm araştırmacı ve mühendisleri:
davet ediyoruz. Birlikte tuğla koymak için Hugging Face Community sekmesinden her zaman iletişime geçebilirsiniz.
weights/ada_bridge.safetensors 69 MBweights/ada_lora.safetensors 34 MBvngrs/Kumru-2B