LLM Canlı Ses API’ları ile Uğraşırken Karşıma Çıkan İki Kavram: PCM ve µ-law Nedir?

Geçenlerde LLM’lerin (Büyük Dil Modelleri) live API’ları ve real-time ses entegrasyonları üzerine çalışırken, daha önce web projelerinde pek de boğuşmak zorunda kalmadığım iki temel ses kavramıyla karşı karşıya geldim: PCM ve µ-law.

Yapay zeka ile canlı ses aktarımı yaparken web socket üzerinden akan veriyi anlamlandırmak, gecikmeyi azaltmak ve doğru formatta decode etmek tam bir baş ağrısı olabiliyor. Ben de bu süreçte aldığım notları ve bu iki kavramın mantığını hem kendime bir hatırlatıcı hem de benzer bir işe girişeceklere rehber olması için sade bir dille özetlemek istedim.

PCM (Pulse Code Modulation) Nedir?

PCM, analog bir ses dalgasını dijital dünyaya aktarmanın en ham, en yalın yolu. Bildiğiniz sıkıştırılmamış, yani uncompressed raw veri. Ses kartları, mikrofonlar veya ses arayüzleri sesi ilk yakaladığında temelde bu formata çevirir.

Mantığı oldukça basit bir iki adımdan oluşuyor:

• Sampling (Örnekleme): Sürekli akan analog dalgadan saniyede kaç kez kesit aldığınızı ifade eder. Örneğin, CD kalitesinde bir ses için bu değer 44.1 kHz’dir (yani saniyede 44.100 defa örnek alınır). Telekomünikasyon tarafında ise genelde 8 kHz (saniyede 8.000 örnek) yeterli görülür.
• Quantization (Kuantizasyon): Alınan her bir örneğin yüksekliğini (genliğini) kaç bitlik bir sayıyla ifade ettiğinizdir. Live API’larda ve modern sistemlerde genellikle 16-bit linear PCM ile karşılaşırız.

Kodlarken Karşıma Çıkan Endianness Olayı

İşte yazılımcı olarak beni vuran ilk teknik detay burada çıktı: Endianness.

WAV gibi formatlarda PCM verisi diskte saklanırken genellikle little-endian mimarisinde tutuluyor. Yani en düşük anlamlı bayt (least significant byte) en başta yer alıyor. Ancak network paketlerinde (RTP veya bazı web socket akışlarında) durum tam tersi; bizden big-endian (network byte order) formatı istenebiliyor.

Eğer diskten veya API’dan okuduğunuz PCM baytlarını, sisteminizin işlemci mimarisine uygun şekilde (encoding/binary veya struct paketleriyle) düzgün parse etmezseniz sayılar tamamen çorbaya dönüyor. Sonuç mu? Hoparlörden sadece statik bir hışırtı ve beyaz gürültü duyuyorsunuz.

PCM Nerelerde Kullanılır?

• Stüdyo kayıtlarında ve ham ses işleme yazılımlarında (DAW).
• WAV ve AIFF gibi kayıpsız (lossless) dosya formatlarının temelinde.
• Ses kartlarının donanımsal çıkışlarında.

µ-law (Mu-law / G.711u) Nedir?

Geldik işin optimizasyon ve network tarafına. Ham 16-bit PCM ses kalitesi açısından harika, ona lafımız yok; ancak deli gibi bandwidth (bant genişliği) tüketiyor. Özellikle LLM live API’larında binlerce eşzamanlı kullanıcının sesli veri gönderip aldığını ya da VoIP santrallerini düşünün. Bu ham veriyi aynen taşımaya kalkarsanız network kısa sürede kilitlenir.

İşte burada devreye µ-law (ITU-T G.711 standardı) giriyor. µ-law, 14-bit veya 16-bitlik linear PCM verisini logaritmik olarak sıkıştırıp sabit 8-bit boyutuna düşüren bir companding (sıkıştırma/genleştirme) algoritması. En güzel tarafı da bunu yaparken tamamen insan kulağının biyolojik zaafından faydalanması.

Mantığı Ne?

Bizim kulaklarımız doğrusal (linear) çalışmıyor. Tamamen sessiz bir odadaki en ufak bir çıtırtıyı (düşük ses şiddeti) hemen fark ederiz, yani hassasiyetimiz yüksektir. Ancak gürültülü bir rock konserinde yanımızdaki kişinin ses tonundaki ufak değişimleri (yüksek ses şiddeti) algılayamayız.

µ-law algoritması da tam olarak bu mantıkla çalışıyor:

1. Kısık seslerin döndüğü bit aralıklarındaki detayları (kuantizasyon basamaklarını) sıkı sıkıya koruyor.
2. Yüksek seslerin olduğu bit aralıklarını ise “nasılsa insan kulağı aradaki farkı anlamaz” diyerek logaritmik bir eğriyle tırpanlıyor.

Böylece 14 veya 16-bitlik veri, insan kulağının neredeyse hiç fark edemeyeceği minimal bir kayıpla sabit 8-bitlik paketlere iniyor. Bu da bandwidth ihtiyacını direkt yarı yarıya düşürmek anlamına geliyor.

µ-law Nerelerde Kullanılır?

• VoIP ve Telekomünikasyon: Kuzey Amerika ve Japonya başta olmak üzere dijital telefon şebekelerinde (T1 hatlarında) standarttır. (Avrupa tarafı ise bunun çok benzer bir kardeşi olan A-law formatını kullanır).
• RTP (Real-time Transport Protocol): Network üzerinden canlı ses basarken (payload tipi 0’dır) çok sık tercih edilir.
• PBX ve Santral Sistemleri: Asterisk, FreeSWITCH gibi sistemlerde işlemciyi hiç yormadan, hızlıca encode/decode edilebildiği için vazgeçilmezdir.

Özet Çizelge

Geliştirme yaparken iki format arasında hızlıca karar vermek veya farkı görmek isterseniz şöyle bir tablo çıkarabiliriz:

Kriter	PCM	µ-law
Sıkıştırma	Yok (Raw / Uncompressed)	Var (Logaritmik Companding)
Bit Derinliği	Genelde 16-bit (Linear)	Sabit 8-bit
Bandwidth Tüketimi	Yüksek	Düşük
İşlemci Yükü	Sıfır (Direkt okunur)	Çok az (Bit-shift ve lookup table kullanılır)
Ana Odak	Maksimum Ses Kalitesi	Minimum Bandwidth / Hızlı İletim

Kısacası; PCM sesi bozmadan, en saf haliyle dijitalleştirmek için var. µ-law ise o ses verisini network kablolarından veya API stream hatlarından en az yükle, en hızlı şekilde uçurmak için tasarlanmış. Canlı yapay zeka ses asistanları projelerinde bu iki format arasındaki köprüyü doğru kurmak, hem sunucu maliyetlerini düşürüyor hem de gecikme (latency) sürelerini ciddi anlamda aşağı çekiyor.