Sesli asistanlar için n8n: aracın sınırlarına dayandığı noktalar

İşletmedeki süreçler zaten uzun süredir n8n üzerinden yürütülüyor ve bir sonraki adım kendiliğinden akla geliyor: telefon asistanını da neden doğrudan orada kurmayalım? Bir n8n sesli asistan arayan kişi, tam olarak bunu vaat eden rehberleri hızla buluyor. NordFlux'ta hem n8n otomasyonları hem de yapay zeka (YZ) tabanlı telefon hizmetlerini birlikte kuruyoruz, bu yüzden açıkça söylüyoruz: n8n mükemmel bir iş akışı orkestratörüdür, gerçek zamanlı bir ses altyapısı değildir. Bu, araca yönelik bir eleştiri değil, tasarımıyla ilgili bir meseledir.

n8n ile bir sesli asistan oluşturulabilir mi?

n8n, süreç kontrolü için tasarlanmıştır, gerçek zamanlı konuşma yürütme için değil. Proje kendi belgelerinde kendini "fair-code licensed workflow automation tool" olarak tanımlıyor; bu da yapay zeka (YZ) yeteneklerini iş süreci otomasyonuyla birleştiriyor. Ancak telefondaki bir konuşma, A'dan B'ye giden bir süreç değil, milisaniye düzeyinde dinleme, sözü kesme ve yanıt vermenin karşılıklı etkileşimidir. Tam olarak bu kısım, n8n'in tasarlanma amacı değildir.

Teknik olarak n8n ile telefona ses ulaştırmak elbette mümkündür: bir çağrı karşılanır, bir kayıt metne dökülür, bir dil modeli yanıt verir, bir ses sentezi metni okur. Bir demo olarak bu işe yarar. Gerçek bir müşteri görüşmesinde ise dördü de aynı nedene dayanan noktalarda çöker. Sesli diyalog, tamamlanmış bir iş adımına değil, sürekli akan bir ses akışına tepki veren bir altyapı gerektirir.

n8n bir ses motoru olarak nerede sınırlarına dayanıyor?

Kırılma noktaları iş akışının mantığında değil, konuşmanın zaman akışında bulunur:

• Söz sırası (turn-taking): İnsanlar birbirlerine neredeyse hiç boşluk bırakmadan yanıt verir. On dil üzerinde yapılan bir araştırma, yanıtların zirvesinin sorunun bitiminden sonraki 200 milisaniye içinde gerçekleştiğini, diller arası medyanın ise +100 milisaniye olduğunu ortaya koydu (Stivers et al., PNAS 2009). Ses platformları tam da bu noktada devreye giriyor: LiveKit, konuşmacı değişimini algılamak için asgari 500 milisaniyelik bir varsayılan gecikmeyi belgeliyor, Vapi ise konuşmaya başlamadan önce 0,4 saniyelik bir bekleme süresi öngörüyor. Bir konuşmanın doğal hissettirip hissettirmediği tam da bu ölçekte belirlenir. Bir iş akışı çalıştırması bunun için yanlış birimdir.
• Sözü kesme (barge-in): Arayan kişi asistanın sözünü keserse, ses çıkışı derhal durmalıdır. Tüm büyük sağlayıcılar bunu kendi ayarlanabilir özellikleri olarak sunar: OpenAI, yanıtı kesmek için bir anahtarla birlikte Ses Etkinliği Algılamayı (Voice Activity Detection) belgeliyor, Vapi bir Stop Speaking Plan sunuyor, Retell ise ayarlanabilir bir kesinti hassasiyeti sunuyor. Burada zor olan kesme işleminin kendisi değil, gerçek bir kesintiyi rastgele bir «hı hı» sesinden ayırt etmektir. n8n node belgelerinde bunun için bir karşılık bulunmuyor.
• Telefon bağlantısı: n8n node dizininde herhangi bir SIP veya gerçek zamanlı ses node'u belgelenmemiştir. Mevcut telefon node'ları komşu görevleri kapsar: Twilio node'u SMS gönderir ve seslendirilmiş bir metinle bir çağrı başlatabilir. Twilio tetikleyicisi tamamlanmış çağrılara tepki verir ve belgeler, Twilio'nun tamamlanmış bir görüşmeyi özetlemesinin otuz dakikaya kadar sürebileceğini belirtir. Bu, sonradan işleme sürecidir, bir konuşma kanalı değildir.
• Yürütme modeli: n8n, temiz ve izlenebilir tekil çalıştırmalar için tasarlanmıştır ve sesli diyalogda tam da bu durum bir dezavantaja dönüşür. Kuyruk modunda ana örnek çağrıyı karşılar, çalıştırmayı oluşturur ve kimliği Redis üzerinden iletir; bir worker daha sonra iş akışı verilerini veritabanından alır (n8n belgeleri, kuyruk modu). Bu yol, daha ilk node'dan önce tamamlanmış olmalıdır. Buna maliyet tarafı da eklenir: sohbet tetikleyicisinde, belgelere göre her bir mesaj kendi çalıştırmasını tetikler, yani bir konuşmadaki on mesaj on çalıştırma anlamına gelir. Bir telefon görüşmesi ise bundan çok daha fazla karşılıklı konuşmadan oluşur.

Burada bilinçli olarak bir rakamı dışarıda bırakıyoruz: milisaniye cinsinden uçtan uca bir hedef değer. OpenAI, LiveKit, Vapi, Retell ve Twilio'nun resmi belgelerinde bunun için herhangi bir kanıt yoktur, yalnızca pazarlama değerleri dolaşımdadır. Belgelenen rakamlar tek tek bileşenlerle ilgilidir ve ElevenLabs'ın kendisi, ilk sese kadar geçen sürenin her zaman salt model çalışma süresinden daha uzun olduğunu yazar. Bu tür değerleri konuşma gecikmesi olarak sunan kişi, durumu olduğundan iyi göstermiş olur.

Bunun yerine ne işe yarar? n8n, sesli asistanın önünde değil arkasında yer almalıdır

Sürdürülebilir ayrım, ses kanalını iş mantığından ayırır: bir ses platformu konuşmayı yürütür, n8n ise ardından işletmede gerçekleşmesi gereken her şeyi halleder. Bunun için sesli asistan bir araç çağrısı üzerinden bir webhook çağırır ve arkasında n8n iş akışınız yer alır. Vapi bunu şu şekilde belgeliyor: bir sunucu URL'si içeren Custom Tools, Retell ise bir Custom Function için kayıtlı URL'ye bir POST gönderir. Hiçbir sağlayıcı n8n'i özellikle adıyla anmaz, buna da gerek yoktur: platformların hitap ettiği şey sıradan bir webhook'tur ve n8n bunu zaten doğal olarak yönetir.

Bu rolde n8n güçlü yönlerini ortaya koyar: CRM'de müşteri arama, randevuları kontrol etme ve girme, geri arama oluşturma, görüşme notunu ilgili sisteme yazma. Net bir başlangıcı ve sonu olan görevler, yani aracın tam olarak yapıldığı biçim.

Yine de dikkat edilmesi gereken bir nokta kalıyor ve bu genellikle gözden kaçıyor: arayan kişi bu sırada hatta beklemektedir. Sağlayıcılar araç çağrılarına cömert süreler tanır, Vapi varsayılan olarak en fazla 300 saniye içinde 20 saniye tanır, Retell en fazla iki tekrarla iki dakika tanır. Bu sınırlar hedef değerler değil, güvenlik kesme noktalarıdır. Konuşmanın tam ortasında çağrılan bir n8n iş akışı, kısa bir saniye içinde tamamlanmış olmalıdır. Bundan daha uzun süren her şeyin yeri çağrının içinde değil, arkasındadır: asistan alındığını onaylar, kapatır ve uzun iş akışı asenkron olarak çalışmaya devam eder.

Bir projede bu ayrım nasıl görünür?

Bu nedenle telefon projelerini her zaman aynı çizgide bölüyoruz. Ses platformu dar bir görev alır: açmak, dinlemek, sözün kesilmesine izin vermek, konuşmak, işler tıkandığında bir insana devretmek. İşletme hakkında bilgi gerektiren her şey, her biri tam olarak tek bir soruyu yanıtlayan iki ila üç sade n8n webhook'u üzerinden yürütülür; örneğin bu telefon numarası için açık bir siparişin olup olmadığı gibi. Ağır iş yükü olan süreçler, görüşmenin bitiminden sonra yer alır. Mevcut iş akışları çoğu zaman yeniden kullanılabilir, bazen hiç değişiklik yapılmadan, çünkü bir webhook çağrısı onları zaten başlatır. İş akışlarını topluca yapay zeka (YZ) ajanlarına açmak isteyen kişi, bunun yolunu şu konudaki yazımızda bulabilir: MCP sunucusu olarak n8n.

Bir sesli asistanın günlük işleyişte neleri üstlendiğini ve içerik açısından sınırlarının nerede olduğunu şu yazımızda anlattık: KOBİ'ler için yapay zeka (YZ) tabanlı telefon hizmeti. Giden aramalar yapmak istiyorsanız, önce giden sesli kampanyalar için hukuki olarak neyin geçerli olduğunu okuyun. Bu ayrımı kendi sürecinize göre görüşmek isterseniz, yapay zeka (YZ) tabanlı telefon hizmeti çözümümüz doğru başlangıç noktasıdır.

Sık sorulan sorular

n8n bir çağrıyı karşılayıp bir konuşma yürütebilir mi?

Bir ses kanalı olarak değil. n8n node dizininde herhangi bir SIP veya gerçek zamanlı ses node'u belgelenmemiştir. Twilio node'u seslendirilmiş bir metinle bir çağrı başlatabilir, Twilio tetikleyicisi ise zaten tamamlanmış çağrılara tepki verir. Devam eden konuşma için bir ses platformu gereklidir, n8n ise arkasındaki adımları üstlenir.

n8n'de transkripsiyon, dil modeli ve ses sentezi neden yeterli değildir?

Çünkü bir konuşma, arka arkaya gelen bu üç adımdan daha fazlasıdır. Konuşmacı değişiminin algılanması, bir kesinti durumunda ses çıkışının derhal durdurulması ve gerçek bir kesintiyle rastgele bir ara sesin ayırt edilmesi eksiktir. Ses platformları bu işlevleri kendi ayarlanabilir yapı taşları olarak belgeler.

n8n, bir sesli asistanla birlikte kullanıldığında ne için faydalıdır?

Konuşmanın arkasındaki iş mantığı için. Sesli asistan bir araç çağrısı üzerinden bir n8n webhook'unu çağırır; bu webhook müşteriyi CRM'de arar, bir randevuyu kontrol eder veya görüşme notunu ilgili sisteme yazar. n8n tam olarak bu tür görevler için tasarlanmıştır ve mevcut iş akışları çoğunlukla doğrudan yeniden kullanılabilir.

Bir çağrı sırasında çağrılan bir n8n iş akışı ne kadar hızlı yanıt vermelidir?

Mümkün olduğunca hızlı, çünkü arayan kişi hatta beklemektedir. Sağlayıcıların belgelediği zaman sınırları cömerttir, Vapi varsayılan olarak 20 saniye belirler, Retell iki dakika belirler. Bunlar hedef değerler değil, güvenlik kesme noktalarıdır. Yaklaşık bir saniyeden uzun süren her şey, konuşmadan sonra asenkron olarak çalıştırılmalıdır.