Bir Kitabın Sesini Kim Korur? Edebî Çeviri ve Yapay Zekânın Sınırları

Monika Kim'in The Eyes Are the Best Part romanı "Umma tells me that the eyes are the best part." cümlesiyle açılıyor. Romanı Türkçeye çevirirken bu cümleyi "Umma, bana gözlerinin en güzel yeri olduğunu söyler" diye çevirdim. İlk bakışta "Umma"yı "annem" diye çevirmek en doğal seçenek gibi görünebilirdi; kelime Korecede anne anlamına geliyordu ve Türkçe okur açısından karşılığı açıktı. Fakat aynı sayfada, birkaç cümle arayla, aynı kadın başka bir kelimeyle anılıyordu. Anlatıcı, annesini balık ayıklarken izlerken  "The flesh is still steaming hot, but my mother doesn't seem to feel anything at all” diyordu. Hemen ardından metin yeniden "Umma"ya dönüyordu.

Çeviri sırasında insanı en çok düşündüren yerler çoğu zaman sözlükte karşılığı bulunmayan kelimeler değildir. Bazen karşılık son derece açıktır. Asıl güçlük, yazarın aynı kişiden söz ederken neden bir yerde o kelimeyi, başka bir yerde ise farklı bir kelimeyi seçtiğini fark etmekle başlar.

Aynı sayfada aynı kadın için neden iki farklı kelime kullanılıyordu? Benim için asıl çeviri sorusu buydu. “Umma" yalnızca "anne" kelimesinin Korece karşılığı değildi. Ji-won'un evinin içinde konuşulan dili, ailesinin göçmenlik deneyimini, kültürel aidiyetini ve annesiyle arasındaki mahrem bağı taşıyordu. "My mother" ise anlatıcının annesini gözlemlediği, davranışlarını tarif ettiği, ona belli bir mesafeden baktığı anlarda devreye giriyordu. Bu nedenle daha ilk sayfada bir ilke belirledim: Yazar "Umma" dediğinde bu kelimeyi koruyacak, "my mother" dediğinde "annem" diyecektim. İkisini Türkçede tek bir kelimede birleştirmek cümlelerin temel anlamını bozmayacaktı; roman yine anlaşılır olacaktı. Fakat Ji-won'un annesine bazen aile dilinin içinden yaklaşmasını, bazen de dışarıdan bakmasını sağlayan o küçük ama önemli hareket kaybolacaktı.

İlk sayfada verdiğim bu karar, yaklaşık 270 sayfa sonra, romanın son hükmünde yeniden karşıma çıktı. Ji-won önce annesinin hayatındaki erkekleri değerlendiriyordu: "Umma allowed the men in her life to control her..." Burada "Umma"yı korudum. Hemen ardından şu cümle geliyordu: "My mother may be too weak to protect herself, and my sister too young. But I'm neither of those things." Burada ise "annem" dedim. Çünkü bu son kullanımda kelime seçimi özellikle anlamlıydı: Ji-won artık yalnızca annesine seslenen bir kız çocuğu değildi. Annesini değerlendiriyor, onun güçsüzlüğünü adlandırıyor ve kendisini ondan ayırıyordu. Aradaki psikolojik mesafe kullanılan kelimenin içine yerleşmişti. Romanın ilk sayfasında verdiğim karar, son sayfasında anlamını buluyordu.

Bir kitabı çevirmek, yüzlerce bağımsız cümleyi art arda çevirmek değildir. İlk sayfada verilen küçük bir karar, son sayfaya kadar taşınması gereken bir söz hâline gelebilir. Çevirmen yalnızca önündeki cümleyi değil, kitabın daha önce söylediklerini ve henüz söylemediği şeyleri de aklında tutar.

Bu örneği anlatmamın nedeni, çeviride "doğru karşılığın" neden her zaman yeterli olmadığını göstermesi. "Umma" da "my mother" da aynı kişiye işaret ediyor. Bir çeviri sistemi ikisini de "annem" diye çevirdiğinde, sözlük anlamı bakımından hata yapmış sayılmaz ama metnin ne yaptığını kaçırır çünkü edebî bir metinde kelimeler yalnızca kimi veya neyi gösterdikleriyle değil, karakterin oraya nereden baktığını da anlatır.

İşte yapay zekânın çevirideki en şaşırtıcı sınırı burada ortaya çıkıyor. Sistem yanlış bir kelime seçmek zorunda değil. Bütün kelimeleri doğru çevirebilir ve yine de cümledeki asıl hareketi gözden kaçırabilir. Ortaya dilbilgisi bakımından kusursuz, rahat okunan ve ilk bakışta hiçbir sorunu olmayan bir metin çıkar. Kaybedilen şey ise hatalı bir kelime kadar kolay gösterilemez.

Makine çevirisi tartışması uzun süre "makineler yanlış çeviriyor" ekseninde yürüdü. Douglas Hofstadter 2018'de The Atlantic'te yayımlanan ünlü yazısında Google Translate'in gösterişli akıcılığının altında anlamanın olmadığını, sistemin kelimelerin bir şeylerin yerine durduğunu bile bilmediğini yazmıştı. O günden bu yana sistemler o kadar gelişti ki bu eleştirinin ilk hali artık geçerli değil. Bugünkü büyük dil modelleri deyimleri tanıyor, bağlamı izliyor, üslup taklit ediyor. Hatta Hong Kong ve Swinburne üniversitelerinden araştırmacıların stilometri çalışması, GPT-4 çevirilerinin sözcük seçimi ve sözdizimi düzeyinde insan çevirilerini istatistiksel olarak yakından taklit edebildiğini gösteriyor. Yüzeye bakarak ikisini ayırt etmek gitgide zorlaşıyor.

Makine doğru çevirirken ne kaçırıyor?

Bu soruyu önemli kılan şey, yapay zekânın kötü metinler üretmesi değil. Kötü bir çeviriyi fark etmek kolaydır: yanlış kelime, bozuk cümle veya anlamsız ifade hemen göze çarpar. Asıl güçlük, sorununu belli etmeyen metinlerdir. Akıcı bir cümle doğru görünür. Doğal bir ifade yerinde bir tercih izlenimi verir. Oysa akıcılık yalnızca metnin rahat okunduğunu gösterir; sesin, kültürel bağlamın ve yazarın kurduğu anlam ilişkilerinin korunduğunu kanıtlamaz.

Bu sorunun bugüne kadarki en dikkat çekici cevabı, Haziran 2026'da yayımlanan bir okur çalışmasından geldi. Simon Fraser Üniversitesi, UQAM ve Microsoft'tan araştırmacılar, Fransızca, Lehçe ve Japoncadan İngilizceye çevrilmiş 15 güncel romanın insan çevirilerini, gelişmiş bir yapay zekâ hattının ürettiği çevirilerle karşılaştırmaları için okurlara verdi. Sonuçlar ilk bakışta makine lehine görünüyor: Okurlar makine çevirilerini "idare eder" buldu ve hangisinin insan, hangisinin makine işi olduğunu güvenilir biçimde ayırt edemedi — 30 tahminin yalnızca 17'si doğruydu, yani yazı tura seviyesinin ancak biraz üstü. Fakat aynı okurlar, iki çeviriyi yakından karşılaştırdıklarında insan çevirisini açık farkla tercih etti: 772 karşılaştırmanın 522'sinde. Üstelik araştırmanın belki en önemli bulgusu şuydu: Makine çevirisinin kalitesi, tek bir kitabın içinde, insan çevirisinin kalitesinden çok daha fazla dalgalanıyordu.

Okurlar her zaman sorunun adını koyamasa da metindeki bir şeyin değiştiğini hissedebiliyor. Bir karakterin sesi bazı sayfalarda güçlü, bazı sayfalarda silikleşebiliyor. Daha önce belli bir karşılıkla çevrilen kelime ileride başka bir karşılık kazanabiliyor. Tek tek bakıldığında kabul edilebilir görünen cümleler yan yana geldiğinde aynı kişiye, aynı anlatıcıya veya aynı kitaba ait değilmiş gibi duyulabiliyor.

Bu bulgu üzerine düşünmeye değer. Okur cümle düzeyinde farkı göremiyor, ama bütünde hissediyor. Demek ki kayıp, tek tek cümlelerde oturmuyor; kararların tutarlılığında, ya da tutarsızlığında, birikiyor. Benim "Umma" kararım tek bir cümlenin kararı değildi; 270 sayfa boyunca her sayfada yeniden verilen, romanın sonunda anlamını bulan bir karardı. Bir kelimenin ilk geçtiği yerde seçtiğim karşılık, onun yüzlerce sayfa sonra taşıyacağı anlamı da belirliyordu. Makine ise her cümleyi yeniden, kendi başına çözüyor. Her çözüm makul olabilir; fakat makul çözümlerin toplamı bir sesin bütünlüğünü vermez.

Edebî çeviride kayıp bu nedenle her zaman tek bir cümlenin içinde bulunmaz. Bazen sesin yavaş yavaş değişmesinde, bir tekrarın ortadan kalkmasında veya ilk sayfada açılan bir anlamın son sayfaya ulaşamamasında birikir. Çevirinin bütünü okunmadan fark edilemeyen bu küçük kaymalar, kitabın hafızasını oluşturur ya da zayıflatır.

Araştırmalar bu tabloyu başka açılardan da doğruluyor. ACL 2026'da yayımlanan kapsamlı bir çalışmada 23 büyük dil modeli, kaynak metni anlama ve yaratıcı çeviri kararları verme becerileri açısından test edildi. Modeller metni anlamakta başarılı olsa da bu anlayışı mecazı koruma, kelime oyununu yeniden kurma ve anlatıcının sesini sürdürme gibi yaratıcı kararlara dönüştürmekte zorlandı. İnsan çevirmenlerin yaratıcılık puanı 0.246 iken modellerin büyük çoğunluğu 0.1'in altında kaldı. Bu sonuç, asıl sorunun makinenin metni anlayıp anlamamasından çok, anladığı metinde neyin korunmaya değer olduğuna karar verememesi olduğunu gösteriyor. Üstelik makinenin sunduğu ilk çeviri, insanın tercihlerini de etkileyebiliyor. Gent Üniversitesi'nde yapılan bir araştırmaya göre makine çevirisini düzelterek çalışan çevirmenler daha birebir ve daha az yaratıcı çözümler üretiyor. Başka bir deyişle yapay zekâ yalnızca bir öneri sunmuyor; çevirmenin görebileceği diğer ihtimalleri de fark edilmeden daraltabiliyor.

Bunu daha basit bir biçimde şöyle düşünebiliriz: Aynı İngilizce cümle Türkçede birkaç farklı şekilde doğru kurulabilir. Seçeneklerin hepsi temel anlamı aktarabilir. Yalnızca bazıları karakterin sesini, sahnenin duygusunu ve kitabın genel atmosferini birlikte taşıyabilir. Çevirmenin asıl işi, sözlük anlamının bittiği ve bu seçenekler arasından karar vermek gerektiği yerde başlar.

Makinenin ilk önerisi de düşündüğümüz kadar tarafsız değildir. Karşımızda hazır ve düzgün bir cümle gördüğümüzde, başka ihtimalleri arama eğilimimiz azalabilir. Böylece yapay zekâ yalnızca kendi seçimini sunmakla kalmaz aynı zamanda insanın görebileceği diğer seçeneklerin alanını da daraltabilir. Bu nedenle yapay zekâyı çeviride kullanmak, çevirmenin değerlendirme sorumluluğunu azaltmaz. Aksine, ilk önerinin etkisine kapılmadan yeniden düşünebilen daha dikkatli bir okura ihtiyaç yaratır.

Burada işin benim açımdan en düşündürücü kısmına geliyoruz: Bu kaybı ölçemiyoruz. Çeviri kalitesini değerlendirmek için kullanılan otomatik metrikler ve giderek yaygınlaşan "yapay zekâya değerlendirtme" yaklaşımları, NAACL 2025'te yayımlanan bir araştırmaya göre deneyimli edebiyat çevirmenlerinin işini makine çevirisinden düşük puanlayabiliyor. Okur çalışmasında da aynı desen ortaya çıktı: Otomatik metrikler okur tercihlerini yakalayamadı ve makine çevirilerini kayırdı. Bunun nedeni bir kusur değil, bir tasarım tercihi. Metrikler cümleyi ölçüyor; cümle düzeyinde makine çevirisi gerçekten de pürüzsüz. Fakat anlam cümlede değil, bütünde yaşıyorsa, cümleyi ölçen hiçbir araç kaybı göremez. Yapay zekâ değerlendirme süreçlerinde çalışırken bu gerilimi her gün gözlemliyorum: Ölçebildiğimiz şeyle önemli olan şey aynı şey değil. Ölçüm parçaya, anlam bütüne ait olduğunda, aradaki boşluğu ancak insan yargısı dolduruyor.

Bu yalnızca çeviride karşılaştığımız bir sorun değil. Yapay zekâ çıktılarının tamamında kolayca ölçebildiğimiz özelliklere gereğinden fazla önem verme eğilimindeyiz. Bir metnin dilbilgisi doğru mu, gerekli bilgileri içeriyor mu, talimatı izliyor mu? Bunlar önemli sorular. Yine de metnin gerçekten ne söylediği, bağlama uyup uymadığı, kimi dışarıda bıraktığı veya nerede erken bir varsayımda bulunduğu aynı kolaylıkla ölçülemiyor. Bir çıktının iyi görünmesiyle gerçekten iyi olması arasındaki mesafe tam da burada açılıyor.

Yapay zekâ çağında uzmanlığın önemi de bu noktada daha görünür hâle geliyor. Uzman kişi yalnızca doğru cevabı bilen değil, doğru görünen bir cevapta neyin eksik olduğunu fark edebilen kişidir. Çevirmenin bilgisi çoğu zaman son cümlede değil, o cümleye ulaşırken elediği seçeneklerde saklıdır. Okur yalnızca seçilen karşılığı görür; çevirmen ise kullanılabilecek diğer kelimeleri, değiştirildiğinde kaybolacak çağrışımları ve birkaç bölüm sonra sorun çıkaracak tercihi de görür.

Bu boşluğun ekonomik sonuçları da artık görünür durumda. Harlequin France geçtiğimiz ocak ayında çevirmenlerinin sözleşmelerini sonlandırıp makine çevirisine dayalı bir modele geçti. Türkiye'de de benzer bir tartışma yaşandı: Bir yayınevinin bazı kitapları DeepL ile çevirip müstear çevirmen adlarıyla yayımladığı ortaya çıktığında mesele bir anda şeffaflık tartışmasına dönüştü. Bu tartışmalarda genellikle iki taraf var: çevirinin otomatikleşmesini kaçınılmaz bir verimlilik meselesi olarak görenler ve buna ilkesel olarak karşı çıkanlar. Fakat okur araştırmasının bulguları ışığında asıl mesele bence başka bir yerde duruyor. Okur kitabı cümle cümle denetlemez; kitaba güvenir. “İdare eder” bir çeviri ile bir sesi 300 sayfa boyunca taşıyan bir çeviri arasındaki fark, hiçbir cümlede tek başına yakalanamayacak fakat okumanın tamamına sinecek bir farktır. O farkı fiyatlandırmak zordur; yokluğunu kanıtlamak ise neredeyse imkânsızdır.

Bu nedenle tartışmayı yalnızca “Yapay zekâ insan çevirmenin yerini alabilir mi?” sorusuna sıkıştırmak yeterli değil. Daha önemli soru, okur olarak nasıl bir metne razı olduğumuz. Anlamı temel düzeyde aktaran ve rahat okunan bir çeviriyi yeterli mi bulacağız? Yoksa bir yazarın sesini, karakterlerin birbirleriyle kurduğu mesafeyi ve kitabın sayfalar boyunca biriktirdiği hafızayı da çevirinin parçası olarak görmeye devam mı edeceğiz?

Romanın başlığı üzerinde çalışırken de benzer bir bütünlük sorusuyla uğraşmıştım. İngilizcede "the best part" hem "en iyi kısım" hem de yemek bağlamında "en lezzetli parça" çağrışımı taşıyor. Romanın açılışında annenin balığın gözünü yemesiyle ortaya çıkan ifade, ilerleyen sayfalarda güzellik, arzu, beden ve tüketme imgelerini birbirine bağlıyor. Başlık yalnızca yenilecek bir parçadan söz etmiyor; gözlerin güzel bulunmasıyla onları ele geçirme ve tüketme arzusu arasındaki rahatsız edici sınırı da taşıyor. Türkçe başlık — Gözleri En Güzel Yeri — bu ikiliği mümkün olduğunca bir arada tutmaya çalışıyordu. Tek bir cümleyi çevirmiyordum; kitabın kendi içinde kuracağı bir imge ağının ilk düğümünü atıyordum.

Bir cümleyi daha akıcı hâle getirmek her zaman onu daha iyi yapmaz. Bazen kaynak metindeki sertliği korumak gerekir. Tekrarı ortadan kaldırmak her zaman metni güçlendirmez; tekrar, karakterin zihninde büyüyen bir düşüncenin ritmi olabilir. Belirsiz bir ifadeyi açıklamak okurun işini kolaylaştırabilir. Yazarın amacı okuru tam da o belirsizliğin içinde bırakmaksa açıklık, metinden bir şey eksiltir. Çevirmen bu noktada yalnızca iki dil arasında çalışan biri değildir. Metnin neyi korumaya çalıştığını okuyan kişidir.

Çeviri üzerine düşünmek, bu yüzden, yapay zekâ üzerine düşünmenin en somut yollarından biri. Çeviride sorulması gereken asıl soru yalnızca "Bu cümle doğru mu?" değil; "Bu cümle, ait olduğu kitabın hafızasına sadık mı?" Ve bu soru, çevirinin çok ötesine uzanıyor. Bugün yapay zekâ sistemlerini değerlendirirken kullandığımız araçların neredeyse tamamı ilk soruyu soruyor: Bu çıktı doğru mu, akıcı mı, kabul edilebilir mi? İkinci soruyu — bu çıktı, ait olduğu bütünün hafızasına sadık mı sorusunu — henüz ne sorabiliyoruz ne de ölçebiliyoruz. Kelimenin ilk geçtiği yerde verilen bir kararın iki yüz yetmiş sayfa sonra anlamını bulması; işte makinelerin henüz yapamadığı ve bizim henüz ölçmeyi bilmediğimiz şey, tek tek cümlelerin hiçbirinde değil, tam olarak orada duruyor.

Bu, yapay zekânın çeviride hiçbir işe yaramadığı anlamına gelmiyor. Yapay zekâ kısa sürede farklı karşılıklar önerebilir, cümleyi çeşitli tonlarda yeniden kurabilir ve çevirmenin gözden kaçırdığı bir ihtimali görünür hâle getirebilir. Değeri, kararın tamamını üstlenmesinde değil, düşünme alanını genişletebilmesinde yatıyor. Hangi karşılığın kitaba ait olduğuna, neyin korunması gerektiğine ve cümlenin ne zaman gerçekten tamamlandığına ise hâlâ insan karar veriyor.

Makineler giderek daha iyi cümleler kuruyor. Bu gelişme insanın dil karşısındaki sorumluluğunu ortadan kaldırmıyor, aksine onu başka bir yere taşıyor. Artık yalnızca cümleyi üretmek değil, ona dikkatle bakmak, görünmeyen kayıpları fark etmek ve neyin yeterince iyi olduğuna karar vermek gerekiyor. Çünkü bazı cümlelerde asıl anlam, kelimelerde değil, kelimelerin kitap boyunca taşıdığı hafızada yaşıyor.

Kaynakça

• Hofstadter, D. (2018). "The Shallowness of Google Translate". The Atlantic.

• Yao, X., Kang, Y.-B. & McCosker, A. (2025). "Missing the human touch? A computational stylometry analysis of GPT-4 translations of online Chinese literature". arXiv.

• "AI translation of literary texts is 'fine', but readers still prefer human translations" (2026). Simon Fraser University, UQAM & Microsoft. arXiv.

• Zhang, R., Eger, S., Tezcan, A., Zhao, W., Ponzetto, S. P. & Macken, L. (2026). "Beyond Reproduction: A Paired-Task Framework for Assessing LLM Comprehension and Creativity in Literary Translation". Findings of ACL 2026.

• Macken, L., Ruffo, P. & Daems, J. (2025). "The Role of Translation Workflows in Overcoming Translation Difficulties". Proceedings of the Workshop on Creative-text Translation and Technology.

• Budimir, B. (2025). "The Challenge of Translating Culture-Specific Items: Evaluating MT and LLMs Compared to Human Translators". MT Summit 2025.

• Zhang, R., Zhao, W. & Eger, S. (2025). "How Good Are LLMs for Literary Translation, Really? Literary Translation Evaluation with Humans and LLMs". NAACL 2025.

• Wang, Y. (2023). "The Role of Emotion in the Translation Process from the Perspective of Embodied Cognition". Psychology.

• "Embodiment in Translation Studies: Different Perspectives". inTRAlinea, "Embodied Translating" özel sayısı.

• "Harlequin is firing its human translators..." (2026). Literary Hub.

• "'Yapay zekâyla çeviri' tartışması". Milliyet.