Freya’dan Tamamen Yerli ve Açık Kaynaklı Ses Modeli “FreyaTTS”

Geçtiğimiz yılın sonlarında Y Combinator’dan ve çeşitli küresel fonlardan aldığı 3.5 milyon dolarlık yatırımla adından sıkça söz ettiren yerli yapay zeka girişimi Freya, teknoloji ekosisteminde devrim yaratacak yeni bir başarıya imza attı. Çağrı merkezleri için geliştirdiği insan benzeri sesli otonom ajanlarla tanınan şirket, bu kez doğrudan Türkiye’deki veri merkezlerinde sıfırdan eğitilen ve tamamen açık kaynak kodlu olan ilk yerli Türkçe ses modeli FreyaTTS’i kamuoyuna tanıttı. Kurucu ortaklar Tunga Bayrak ve Tomas Nepala liderliğinde büyüyen girişim, bu yeni hamlesiyle Türkiye’yi yapay zeka alanında “temel (foundational) ses modeli” üretebilen 11. ülke konumuna taşıyarak tarihi bir eşiği atlamış oldu.

Modelin teknoloji dünyasında bu kadar heyecan yaratmasının en büyük nedeni, devasa bir donanım gücüne ihtiyaç duymadan sıradan cihazlarda bile olağanüstü bir performans gösterebilmesi. Tam 183.2 milyon parametreye sahip olan FreyaTTS, pahalı ve güçlü ekran kartlarına gerek kalmadan standart bir dizüstü bilgisayarın işlemcisinde (CPU) gerçek zamanlı veya gerçek zamandan bile daha hızlı çalışabiliyor. Geleneksel dil modellerinin aksine yazılı Türkçeyi ses birimlerine (fonem) ayırma gibi zaman alan bir adımı tamamen atlayan sistem, 92 karakterlik Türkçe karakter setini doğrudan işleyerek sese dönüştürüyor. Model, gücünü aldığı Diffusion Transformer tabanlı yenilikçi mimarisi sayesinde karmaşık bir cümleyi baştan sona yalnızca 32 adımda sentezleyebiliyor.

Performans testleri ve kıyaslamalar, bu yerli modelin küresel çaptaki dev rakiplerine karşı ne kadar iddialı olduğunu açıkça ortaya koyuyor. Açık kaynak olarak yayımlanan 495 cümlelik özel bir test setinde yalnızca yüzde 8 oranında kelime hatası (WER) yapan FreyaTTS, kendi klasmanındaki rakiplerini açık ara geride bıraktı. Paylaşılan laboratuvar verilerine göre, 470 milyon parametreli XTTS-v2 modeli aynı testte yüzde 11.1, 336 milyon parametreli F5-TTS ise yüzde 24.3 hata oranıyla sınıfta kaldı. Hız konusunda da sınırları zorlayan FreyaTTS, tek bir RTX 4090 ekran kartında saniyede tam 65.2 saniyelik ses üreterek işlemi gerçek zamandan yaklaşık 65 kat daha hızlı gerçekleştirdi. Üstelik bu olağanüstü performansı, 2 milyar parametreli devasa rakibi VoxCPM2’den 2.6 kat daha hızlı ve belleğin yalnızca üçte birini kullanarak sağladı. Anadili Türkçe olan 7 bağımsız test kullanıcısının katıldığı dinleme deneylerinde ise, doğallık ve akıcılık açısından kendi boyutundaki tüm açık kaynaklı modelleri geride bıraktığı tescillendi.

Bu büyük teknolojik atılımın arkasında; Ahmet Erdem Pamuk, Ömer Yentür, Tunga Bayrak, Yavuz Alp Sencer Öztürk ve Mustafa Yavuz’dan oluşan oldukça uzman bir araştırma geliştirme ekibi yatıyor. Şirket, aylarca süren yoğun bir mesainin ürünü olan bu modelin hiçbir dış sistemden ağırlık (weight) aktarılmadan geliştirildiğini vurguladı. FreyaTTS’in, piyasadaki birçok muadilinin aksine Çin veya ABD kaynaklı mevcut sistemler üzerine ince ayar (fine-tuning) yapılmadan, Türkiye’deki veri merkezlerinde tamamen “sıfırdan” eğitilmiş olması, veri güvenliği ve yerli teknoloji egemenliği açısından da büyük bir önem taşıyor.

Geliştirici ekosistemini desteklemeyi ve bilimsel şeffaflığı vizyon edinen Freya, bu çığır açıcı çalışmanın tüm detaylarını arXiv platformunda yayımladığı bir teknik raporla teknoloji dünyasına sundu. Ayrıca FreyaTTS’in eğitim kodları, çıkarım araçları ve kıyaslama seti Apache-2.0 lisansıyla tamamen açık kaynak olarak paylaşıldı. Süreci resmi LinkedIn hesabı üzerinden duyuran Freya Kurucu Ortağı ve CEO’su Tunga Bayrak, dünyada sıfırdan temel ses modeli üretebilen ülke sayısının Türkiye ile birlikte 11’e çıktığını gururla ifade etti. Bayrak, ülkenin yapay zekada dünyaya yön veren ilk 5 ülkeden biri olmasını hedeflediklerini belirterek, tamamen sıfırdan “pre-train” edilmiş bu yerli ve açık kaynaklı modelin daha büyük devrimlerin habercisi olduğunun altını çizdi.