AI ajanı inşa etmek, öncelikle metin ve jeton tabanlı bir disiplindir — ses katmanını sunmanız, göstermeniz, kaydetmeniz veya test etmeniz gerekene kadar. JSON günlüğünden konuşan bir ajan konuşmasına geçtiğiniz an, varsayılan TTS sesi bir sürtünme noktası haline gelir: her ajan aynı görünür, Whisper doğruluğu ses özellikleri genelinde değişir ve gösteriniz bir robotun transkripti okuması gibi sesler.
Bu kılavuz, test, gösteride iyileştirme veya üretim etkileşimli ardışık düzenleri fark etmeksizin, CrewAI, AutoGen, LangGraph, OpenAI Swarm veya herhangi bir düzenleme çerçevesi ile çalışan ve ajan iş akışlarına gerçek, farklılaştırılmış bir ses katmanı eklemek isteyen geliştiriciler içindir.
TL;DR
- Varsayılan TTS, çok ajanı konuşmaları ayırt edilemez hale getirir — özel ses profilleri bunu düzeltir
- Düşük gecikmeli ses yakalama sanal mikrofonu, AI ajanlarının kod değişiklikleri olmadan işlenmiş sesi tüketmesine izin verir
- 300ms altında gerçek zamanlı AI klonlaması, etkileşimli ajan gösterileri ve insanın döngüde olduğu iş akışları için yeterince hızlıdır
- Whisper entegrasyonu, ses değiştiricinin çıkışını sanal mikrofon üzerinden yönlendirdiğinizde plug-and-play’dir
- Çekirdek sürücü gerekli değil — Secure Boot veya Defender etkin olan geliştirici makinelerde güvenlidir
- Her ajan rolü için benzersiz bir ses klonlayın, test günlüklerini ve gösterileri izlemeyi çok daha kolay hale getirin
Varsayılan TTS Neden Çok Ajanı Sistemler için Sorun?
Dört ajanı — bir araştırmacı, bir planlayıcı, bir eleştirmen ve bir yürütücü — olan bir CrewAI ekibi çalıştırdığınızda, metin çıkışları doğal olarak ajan adı veya rol etiketi ile ayırt edilebilir. Bu iş akışına TTS anlatımı eklediğiniz an, her ajan aynı sesle seslendirir. İnsanların konuşma dönüşlerini izlemek için kullandığı en doğal bilişsel ipuçlarından birini kaybedersiniz: ses kimliği.
Bu kozmetik bir sorun değildir. Geliştirici testinde, ayırt edilemez ajan sesleri ses günlüklerini dönüş alma mantığını hata ayıklamak için işe yaramaz hale getirir. Paydaş gösterilerde, tek sesli çok ajanı oturum, temel teknolojinin hak ettiğinden daha az etkileyici görünür. İnsanın bir orkestratöre konuştuğu ve ajanların yanıt verdiği etkileşimli insanın döngüde olduğu iş akışlarında, ses kimliği doğrudan kullanılabilirliği etkiler.
Çözüm kavramsal olarak açıktır: her ajanına kendi sesini verin. Bununla birlikte, uygulama, ses dönüşümünün tipik bir ajan ardışık düzenine nereye uyduğunu anlamayı gerektirir.
Ses İşlemesi Ajan Ardışık Düzenine Nereye Uyar
Çerçeveden bağımsız olarak tipik bir ajan ardışık düzeni şöyle bir yapıya sahiptir:
[Input] → [Orchestrator] → [Agent(s)] → [Output]
↕ ↕
[Human voice / TTS] [Memory / Tools / APIs]Ses dönüşümü iki noktada giriş yapabilir:
Giriş tarafı: Bir insan sisteme konuşur. Onların sesi sanal bir mikrofon aracılığıyla geçer (isteğe bağlı olarak bir ses değiştirici tarafından işlenmiş) ASR katmanına (tipik olarak Whisper), orkestratör için metin olmadan önce. Bu, ASR katmanının farklı ses özellikleri, aksanlar veya ses efektleri ile nasıl başa çıktığını test etmek istediğinizde yararlıdır.
Çıkış tarafı: Ajanın metin yanıtı konuşmaya sentezlenir (TTS) ve oynatılır. Özel ses kişiliklerinin yaşadığı yerdir — her ajanına farklı bir ses profili atarsınız, böylece dinleyiciler kimin konuştuğunu izleyebilir.
Çoğu geliştirici kullanım örneği her ikisini de içerir: ASR ardışık düzeni test etmek için işlenmiş bir sesle sisteme konuşur ve her ajan klonlanmış ses kişiliğinde yanıt verir.
Ajan Ardışık Düzenleri için Düşük Gecikmeli Ses Yakalama Sanal Mikrofon Ayarı
Düşük gecikmeli ses yakalama (Windows Audio Session API), uygulamalar ve donanım arasında oturan Windows 10/11’deki düşük gecikmeli ses katmanıdır. Düşük gecikmeli ses yakalama sanal mikrofonu, herhangi bir uygulamanın — AutoGen, pyaudio kullanan Python betiği veya Electron üzerinden Web Audio API’si kullanan Node.js uygulaması dahil — standart mikrofon girişi olarak okuyabileceği bir yazılım ses cihazı oluşturur.
Geliştiriciler için kritik avantaj: ajan kodunda değişiklik yok. openai.audio.transcriptions.create() veya whisper.transcribe(audio_file) çağıran orkestratör kodu, sesin fiziksel bir mikrofona veya sanal bir mikrofona mı geldiğini bilmez veya umursamaz. Ses kaynağını işletim sistemi düzeyinde yapılandırır ve ajan ardışık düzeni otomatik olarak bunu seçer.
VoxBooster, herhangi bir Windows uygulamasının varsayılan ses giriş cihazı olarak gördüğü düşük gecikmeli ses yakalama sanal mikrofon’u ortaya çıkarır. Ses değiştirici, gerçek mikrofonu gerçek zamanlı olarak işler ve dönüştürülmüş sesi o sanal cihaza çıkarır. Bir terminalde çalışan CrewAI veya AutoGen oturumları için, bu, özel bir sesle konuşabileceğiniz, ses efektleri ekleyebileceğiniz veya tamamen farklı bir sesi klonlayabileceğiniz anlamına gelir — ve ajanın Whisper transkripsiyonu katmanı çıkışı temiz konuşma olarak görür.
Üç adımda kurulum:
- VoxBooster’ı yükleyin ve bir ses profili seçin (efekt, klon veya özel eğitilmiş model)
- İşletim sisteminizde “VoxBooster Virtual Mic“‘i giriş cihazı olarak ayarlayın veya doğrudan Python ses kütüphanenizde (
sounddevice,pyaudioveya benzer) seçin - Ajanın ASR işlevini o cihaza işaret edin — başka kod değişiklikleri gerekmez
CrewAI Ses Kişilikleri: Sese Göre Ajanları Ayırt Etme
CrewAI’ın ajan-görev mimarisi, ajan tanımı katmanında ses kişilikleri atamayı doğal hale getirir. İşte minimal bir desen:
from crewai import Agent, Task, Crew
researcher = Agent(
role="Research Analyst",
goal="Find and summarize relevant information",
backstory="...",
# custom voice profile assigned at TTS layer
metadata={"voice_profile": "voice_clone_analyst.pth"}
)
critic = Agent(
role="Critical Reviewer",
goal="Find weaknesses in arguments",
backstory="...",
metadata={"voice_profile": "voice_clone_critic.pth"}
)voice_profile anahtarı özel bir meta veri alanıdır — CrewAI’ın kendisi bunu işlemez. Bunu görev sonrası geri araması veya çıkış işleyicisinde tüketebilirsiniz:
def speak_agent_output(agent: Agent, output: str):
profile = agent.metadata.get("voice_profile")
# load profile into your TTS+voice-clone pipeline
# route output audio to virtual mic or speaker
tts_and_clone(output, profile)Bu size temiz bir ayrım sağlar: ajan mantığı CrewAI’da kalır, ses işleme kontrol ettiğiniz bir katmandır. Her ajan farklı bir klonlanmış sesle konuşur, konuşma günlüklerini anında işitilebilir ve ayırt edilebilir hale getirir.
CrewAI ajanları yapılandırma hakkında daha derin bir bakış için, crewai.com’deki CrewAI belgeleri ajan rollerini, görev delegasyonunu ve ekip bileşimini ayrıntılı olarak kapsar.
AutoGen Çok Ajanı Ses Rol Yapması
Microsoft’un AutoGen çerçevesi, ses tarafından yönlendirilen senaryolar için özellikle uygun çünkü ConversableAgent sınıfı açık konuşma turlarını modeller. İki AutoGen ajanı mesaj alışverişi yaptığında, net bir gönderici ve alıcı vardır — bu doğrudan “kimin konuştuğu” ile eşlenir.
import autogen
config_list = [{"model": "gpt-4o", "api_key": "..."}]
orchestrator = autogen.AssistantAgent(
name="Orchestrator",
llm_config={"config_list": config_list},
)
critic = autogen.AssistantAgent(
name="Critic",
llm_config={"config_list": config_list},
)
user_proxy = autogen.UserProxyAgent(
name="Human",
human_input_mode="ALWAYS", # voice input goes here
)human_input_mode="ALWAYS" veya "SOMETIMES" içinde, AutoGen insan girişini kabul etmek için duraklatır. Sanal bir mikrofonda o girişi yönlendirin (ses değiştiricisi tarafından işlenmiş) ve özel bir sesle çok ajanı sistemle konuşursunuz. Ajan tepkileri ayrı TTS+klon ardışık düzenleri aracılığıyla yönlendirilebilir.
Microsoft AutoGen belgeleri insanın döngüde olduğu desenleri ve bu entegrasyonu anlaşılır kılan özel ajan yanıt işlevlerini kapsar.
LangGraph ve LangChain: Durum Graflarında Ses Düğümleri
LangGraph, ajan davranışını düğümlerin işlev ve kenarların geçiş olduğu bir durum grafiği olarak modeller. LangGraph iş akışına ses eklemek, ses kaynaklı düğümler oluşturmak anlamına gelir:
from langgraph.graph import StateGraph
from typing import TypedDict
class AgentState(TypedDict):
messages: list
current_speaker: str
audio_output: bytes | None
def narrator_node(state: AgentState) -> AgentState:
# generate TTS + apply voice profile for narrator agent
audio = synthesize_with_voice_profile(
state["messages"][-1]["content"],
profile="narrator_deep"
)
return {**state, "audio_output": audio, "current_speaker": "narrator"}
def analyst_node(state: AgentState) -> AgentState:
audio = synthesize_with_voice_profile(
state["messages"][-1]["content"],
profile="analyst_precise"
)
return {**state, "audio_output": audio, "current_speaker": "analyst"}Her düğüm farklı bir ses profili uygular. Graf, yanıt veren ajanı temel alarak iletileri uygun düğümden yönlendirir. langchain.com’deki LangChain belgeleri ve LangGraph kılavuzu durum yönetimini ve koşullu yönlendirmeyi ayrıntılı olarak kapsar.
Whisper Entegrasyonu ASR Testi İçin
Whisper, geliştirici ajan ardışık düzenlerindeki en yaygın ASR katmanıdır ve ses değiştirici çıkışı giriş tarafı testi için önemlidir. Temel fikir: Whisper, sesin bir ses değiştiriciden işlendiğini bilmez veya umursamaz. Aldığı herhangi bir ses akışını transkripsiyon yapar.
Bu, ses değiştiricileri ASR sağlamlık testi için yararlı hale getirir:
Aksan ve ses özelliği testi: Farklı ses profillerini uygulayarak ASR katmanının kullanıcı tabanınızın sahip olduğu aksanlar, konuşma hızları veya ton özellikleri ile nasıl başa çıktığını simüle edin. Whisper belirli bir ses modeliyle mücadele ediyorsa, dağıtımdan önce testlerde tanımlayabilirsiniz.
Efekt testi: Whisper transkripsiyon doğruluğunun nerede kötüleştiğini görmek için gürültü, yankı veya frekans efektleri uygulayın. Bu, arka plan gürültüsü veya akustik zorlukları olan ortamlara dağıtılan sesle etkinleştirilen ajanlar için geçerlidir.
Ajan ses döngüsü testi: İnsanın döngüde olduğu iş akışında insan konuşur → Whisper transkripsiyon → ajan TTS üzerinden yanıt → Whisper yeniden transkripsiyon (sistem kesintileri dinliyorsa). Bu döngüyü standart olmayan seslerle test etmek, standart bir mikrofon asla yakalamayacağı kenar durumlarını yakalar.
import whisper
import sounddevice as sd
import numpy as np
model = whisper.load_model("base")
def transcribe_from_virtual_mic(device_name="VoxBooster Virtual Mic", duration=5):
device_index = find_device_index(device_name)
audio = sd.rec(
int(duration * 16000),
samplerate=16000,
channels=1,
dtype=np.float32,
device=device_index
)
sd.wait()
result = model.transcribe(audio.flatten())
return result["text"]device_name düşük gecikmeli ses yakalama sanal mikrofona işaret edin ve Whisper ses değiştiriciden işlenmiş sesi doğrudan transkripsiyon yap. Geçici dosya yok, yeniden kodlama adımı yok.
Karşılaştırma: Ajan Ses Ayırımı Yaklaşımları
| Yaklaşım | Ses Ayırımı | Gecikme | Kod Değişiklikleri | Notlar |
|---|---|---|---|---|
| Yalnızca varsayılan TTS | Yok — tüm ajanlar aynı ses | Düşük | Yok | Ses gösterileri için kullanılamaz |
| Birden fazla TTS sağlayıcı | Kısmi — farklı aksanlar | Orta | Yüksek | Karmaşık, kırılgan, pahalı |
| Ajan başına perdeyi kaydırma | Zayıf — aynı ses, farklı perde | Çok düşük | Orta | Doğal olmayan sesler |
| Ajan başına AI klonu | Mükemmel — farklı kimlikler | <300ms | Minimal | Gösterileme ve testleme için en iyi |
| Önceden kaydedilmiş ses oyuncuları | Mükemmel | Sıfır (oynatma) | Yüksek | Dinamik değil, yeni satırları oluşturamaz |
Ajan başına AI klonlaması en iyi dengeyi vurur: düşük gecikme, minimal entegrasyon çalışması ve keyfi olarak oluşturulan metinde karşı durması gereken gerçekten ayırt edilmiş ses kimlikleri.
Ajan Ses Oyuncusu Olarak: Çok Ajanı Rol Yapması için Sesleri Klonlama
En ileri geliştirici kullanım örneği, her ajanın sadece farklı talimatlar değil, aynı zamanda farklı bir ses kimliğine sahip olduğu çok ajanı rol yapması — gerçek bir sesden klonlanmış veya özel kaydedilmiş bir kişilikten.
Bu özellikle yararlıdır:
- Sentetik veri seti oluşturma: Çok ajanı tartışmayı çalıştırın ve kaydedin. Aşağı akış ASR veya speaker-diarization modellerini eğitmek için çok sesli diyalog veri seti alırsınız.
- Etkileşimli kurgu ve oyun geliştirme: NPC rollerini oynayan ajanlar farklı seslere ihtiyaç duyar. Ses kişilikleri kümesi klonlayın ve dinamik olarak NPC diyalogu oluşturan ajanları atayın.
- Erişilebilirlik testi: Farklı kullanıcı ses profillerini simüle edin — yaşlı konuşmacılar, ana dili olmayan konuşmacılar, değişen mikrofon kalitesi — ajan sağlamlığınızı test edin.
- Podcast tarzı içerik oluşturma: İki ajan farklı klonlanmış seslerle bir konuyu tartışır. İnsan ses oyuncusu olmadan kaydedin ve yayınlayın.
VoxBooster, 300ms altında klon gecikmesi ile oturum başına ses profili geçişini destekler ve bu, canlı çok ajanı oturumlarını önceden kaydedilen yerine pratik hale getirir. Sistem, sesin harici sunuculara gönderilmediği Windows 10/11’de tamamen cihazda çalışır — gelişmiş ortamlarda hassas veriler veya API anahtarları için önemlidir.
Pratik Kurulum Kılavuzu: Tam Geliştirici İş Akışı
İşte Windows’ta CrewAI veya AutoGen iş akışında özel sesler isteyen bir geliştirici için tam uçtan uca kurulum:
1. VoxBooster Yükleyin voxbooster.com/download adresinden indirin. Windows 10/11 gereklidir. Çekirdek sürücü kurulumu yok, başlangıç kurulumunun ötesinde UAC yükseltmesi yok.
2. Her ajan rolü için ses profilleri oluşturun VoxBooster ses klonu sihirbazında, her ses kişiliği için 3–5 dakika kaydedin (veya mevcut kayıtları içe aktarın). Eğitim GPU’nuzda yerel olarak çalışır. Her profili ajan rolleriyle eşleşen açıklayıcı bir adla kaydedin.
3. Sanal mikrofonu yapılandırın Windows ses ayarlarında “VoxBooster Virtual Mic“‘i varsayılan kayıt cihazı olarak ayarlayın veya Python ses kütüphanenizde açıkça seçin. Tüm uygulamalar artık işlenmiş sanal mikrofon’dan okur.
4. Ses profillerini koddaki ajanlarla eşleyin Meta veri alanları (CrewAI), özel yanıt işlevleri (AutoGen) veya düğüm parametreleri (LangGraph) kullanarak ajan tanımlayıcılarını ses profili yollarına eşleyin. Çıkış işleyicilerinde ses işleme işlevini çağırın.
5. Whisper transkripsiyon döngüsünü test edin
VoxBooster etkin durumdayken fiziksel mikrofona konuşurken transcribe_from_virtual_mic() çalıştırın. İşlenmiş çıkışta Whisper doğruluğunu onaylayın. Gerekirse gürültü bastırma ayarlarını ayarlayın.
6. Kaydedin veya akışı yapın Gösterileme için: sanal mikrofon çıkışını OBS’ye veya ekran kaydedici’ye yönlendirin. Canlı oturumlar için: doğrudan ardışık düzene konuşun. Sentetik veri seti oluşturma için: her ajan düğümünden tüm ses çıkışını ayrı dosyalara yakalayın.
Yumuşak Sınırlamalar ve Dürüst Uzlaşmalar
Ses klonlaması 3–5 dakika temiz, tutarlı konuşma ile en iyi çalışır. Gürültülü veya çok değişken kayıtlarla eğitim daha az tutarlı çıkış üretir. Dört veya beş farklı ses gereken çok ajanı iş akışları için, tüm kişilikler arasında 20–30 dakika toplam kayıt süresi planlayın.
GPU gereksinimi: 300ms altında gecikme orta seviyede bir GPU (NVIDIA GTX 1660 veya daha iyi) gerektirir. Yalnızca CPU makinelerinde 400–700ms bekleyin, bu dönüş tabanlı ajan değişimleri için işlenebilir ancak etkileşimli konuşmada belirgindir.
VoxBooster’ın AI ses klonu özelliği sayfası eğitim ardışık düzenini daha ayrıntılı olarak kapsar. Fiyatlandırma için Pro katmanı $6.99/ay’dan başlar ve tam çok ses klonu ve düşük gecikmeli ses yakalama sanal mikrofon desteğini içerir.
OpenAI Swarm ile Entegrasyon
OpenAI Swarm (deneysel çok ajanı devir çerçevesi) AutoGen ile aynı deseni izler: ajanlar devirler aracılığıyla birbirlerine kontrol geçirirler ve her ajanın farklı bir rolü ve talimat seti vardır. Swarm’a ses ekleme:
from swarm import Swarm, Agent
def transfer_to_critic():
return critic_agent
researcher_agent = Agent(
name="Researcher",
instructions="Find relevant facts and summarize them.",
functions=[transfer_to_critic],
)
critic_agent = Agent(
name="Critic",
instructions="Challenge assumptions in the research.",
)
client = Swarm()
# wrap client.run() to capture agent name in response
# and route TTS output through appropriate voice profile
response = client.run(
agent=researcher_agent,
messages=[{"role": "user", "content": user_input_from_virtual_mic}]
)Swarm yanıtı agent ve messages içerir — ilgili ses profilini aramak ve buna göre yanıtı sentezlemek için ajan adını kullanın.
Bunun Ajan Arabirimlerin Geleceği İçin Neden Önemli Olduğu
AI ajan arayüzlerinin mevcut nesli neredeyse tamamen metin ve JSON’dur. Bu API-önce geliştirme için uygun ancak ajanların ne yapabileceği ile teknik olmayan paydaşların nasıl deneyim ettikleri arasında bir boşluk yaratır.
Ses, ekipleri, tartışmaları veya işbirliğine dayalı iş akışlarını simüle eden çok ajanı sistemler için doğal bir arayüzüdür. Her ajanın farklı bir sesi, tutarlı bir kişiliği ve açık bir rolü olan bir üç ajanı planlama oturumu, bir terminal günlüğünün asla yapamayacağı şekilde teknik olmayan bir gözlemci tarafından anında anlaşılır.
Ajan çerçeveleri olgunlaştıkça ve üretim dağıtımına doğru ilerleme — müşteri hizmetleri, etkileşimli eğitim, oyun NPC’leri, erişilebilirlik araçları — ses ayırımı geliştirici rahatlığından temel UX gereksinenine geçer. Bunun altyapısı şimdi var ve bulut bağımlılığı olmadan Windows geliştirici makinesinde çalışır.
Sıkça Sorulan Sorular
CrewAI ardışık düzenindeki her AI ajanına farklı bir ses verebilir miyim? Evet. Her ajanın TTS çıkışını sanal mikrofon yazılımındaki ayrı bir ses profili üzerinden yönlendirin ve ardından işlenmiş sesi sonraki aşamaya besleyin. 300ms altında gerçek zamanlı AI klonlaması ile canlı gösterilerde, test oturumlarında veya çok ajanı rol yapma senaryolarında ajanları ayırt edebilir ve herhangi bir son işleme adımına ihtiyaç duymadan bunu yapabilirsiniz.
Düşük gecikmeli ses yakalama sanal mikrofonu AI ajanı ardışık düzenleri ile nasıl çalışır? Düşük gecikmeli ses yakalama sanal mikrofonu, herhangi bir uygulamanın standart mikrofon girişi olarak okuyabileceği bir Windows ses cihazı oluşturur. Mikrofon veya ses akışı girişini kabul eden AI ajanları — örneğin sesle etkinleştirilen bir AutoGen oturumu — bunu normal bir mikrofon olarak görür ve ajan mantığı kodunda sıfır değişiklik gerektirir.
Ses değiştiricili Whisper entegrasyonu özel kurulum gerektirir mi? Özel kurulum gerekmez. Ses değiştiricinin çıkışını sanal bir mikrofona yönlendirin ve ardından Whisper’ın girişini aynı cihaza işaret edin. Whisper, işlenmiş sesi ham mikrofon beslemesi kadar doğru bir şekilde metne dönüştürür ve bu da konuşma tanıma ardışık düzeni testiniz için standart olmayan ses özelliklerini ne kadar iyi işlediğini test etmek için idealdir.
Bir geliştirici iş akışında gerçek zamanlı ses klonlaması için ne kadar gecikme beklemem gerekir? Cihazda AI klonlaması ile, uçtan uca gecikme tipik olarak orta seviyede bir GPU’da konuşulan sözcükten işlenmiş çıktıya kadar 300ms altındadır. Bu, etkileşimli test, canlı ajan gösterileri ve bir insanın bir ajanla konuştuğu ve ardından ajanın yanıt verdiği iş akışları için yeterince hızlıdır.
AutoGen veya LangGraph ile sanal mikrofon kullanmak için çekirdek sürücüsüne ihtiyacım var mı? Hayır. Düşük gecikmeli ses yakalama katmanını kullanan modern sanal mikrofon çözümleri çekirdek sürücüler gerektirmez, bu da UAC yükseltilmesi yok, sistem istikrarsızlığı riski yok ve Secure Boot veya Windows Defender ile uyumluluk sorunları yoktur. Bu, geliştirici makineleri temiz ve tekrarlanabilir tutar.
Sınama sırasında farklı ajan kişiliklerini simüle etmek için ses klonlamayı kullanabilir miyim? Kesinlikle. Her ajan rolü (orkestratör, araştırmacı, eleştirmen, yürütücü) için ayrı bir ses profili klonlayın ve sınama sırasında sanal mikrofon aracılığıyla oynatın. Bu, çok ajanı konuşma günlüklerini gözden geçirmeyi çok daha kolay hale getirir ve yalnızca metin günlüklerinin kaçırabileceği dönüş alma ve kesme hatalarını ortaya çıkarabilir.
AI ajanı ses değiştiricisi test dışında da yararlı mı? Evet. Üretim kullanım örnekleri, paydaşlar için etkileşimli ses gösterileri, ajanların tutarlı bir marka sesi ile konuştuğu erişilebilirlik katmanları, podcast stilinde çok ajanı tartışma kayıtları ve farklı seslerin farklı belge bölümlerini veya ajan rollerini belirttiği otomatik anlatım ardışık düzenlerini içerir.