عبر 10 لغات، يجيب الناس عن السؤال بعد فجوة متوسطها 208 ms فقط، بينما يبلغ الهدف الأولي لدى Twilio لوكيل صوتي متسلسل بالذكاء الاصطناعي فجوة دور من الفم إلى الأذن قدرها 1,115 ms، أي نحو 5 أضعاف (1,115 ÷ 208 ≈ 5.4). وسرعة الخط الأساسي البشري تعود إلى أن المستمعين يتوقعون نهاية الدور: فإنتاج كلمة واحدة فقط يستغرق نحو 600 ms، لذا يُخطَّط الرد بينما الطرف الآخر لا يزال يتكلم (Levinson وTorreira، Frontiers in Psychology 2015). أما الوكلاء الصوتيون فلا يستطيعون التوقع بالطريقة نفسها، فينتظرون ثم ينسخون ثم يفكرون ثم يركبون الكلام بالتسلسل، ويُظهر أحدث مؤشر مستقل أن متوسط زمن أول صوت لنماذج الكلام إلى الكلام يتراوح من 0.44 s إلى 2.98 s (Artificial Analysis Speech to Speech Index 2026). وبالنسبة لمراكز الاتصال التي تطلق الأتمتة، وهو ما نتناوله في إحصائيات أتمتة مراكز الاتصال بوكلاء الصوت لدينا، فإن زمن الاستجابة هو الجزء من التجربة الذي يشعر به المتصلون قبل أن يسمعوا كلمة مفيدة واحدة. جمعنا بيانات من دراسات PNAS حول تناوب الأدوار في الحديث، ومعيار تأخير الاتصالات الهاتفية الدولي، وأدلة هندسية مفتوحة المصدر ومن الموردين، ومؤشرات مستقلة، ومعايير بحثية منشورة على arXiv وفي ACM CUI.
أبرز النقاط
- متوسط الفجوة قبل الإجابة عبر 10 لغات: 208 ms؛ والوسيط 100 ms (Stivers وآخرون، PNAS 2009)
- من 70% إلى 82% من انتقالات الأدوار في المحادثة أقصر من 500 ms (Heldner وEdlund 2010، استعرضه Frontiers in Psychology 2015)
- تحدد ITU-T G.114 الحد 400 ms سقفا للتأخير في اتجاه واحد لتخطيط الشبكات، وما دون 150 ms شفاف في جوهره (ITU-T G.114, 2003)
- بلغ متوسط زمن أول صوت لوكيل صوتي بحثي للاتصالات 678 ms عبر 500 سؤال مسجل (Ethiraj وآخرون، NetoAI، arXiv 2025)
- بدت مقاطع المحادثة المتطابقة أكثر ترابطا بفجوة متوسطها 55.68 ms مقارنة بـ 557.14 ms (Templeton وآخرون، PNAS 2022)
- تزعم Deepgram أن نموذجها Flux يكتشف نهاية الدور في نحو 260 ms (وثائق Deepgram Flux 2025، ادعاء من المورد)
- خفّض نموذج نهاية الدور المحدَّث من LiveKit المقاطعات الخاطئة من 18.66% إلى 11.34% عبر 14 لغة (LiveKit، 12 ديسمبر 2025)
- قيس ElevenLabs Flash v2.5 عند زمن وسيط 197 ms شاملا الشبكة، مقابل ادعاء استدلال قدره 75 ms (Vapi Humanness Index، يونيو 2026)
- أعلنت OpenAI أن استجابات GPT-4o الصوتية بلغت في المتوسط 320 ms، مقابل 5.4 s لمسار الصوت القديم في GPT-4 (OpenAI, Hello GPT-4o 2024، ادعاء من المورد)
- استغرق Gemini Live مدة 1.301 s لأخذ الدور مقابل 0.265 s لـ Moshi في Full-Duplex-Bench (Lin وآخرون، arXiv 2025)
- اختار المستخدمون الوكيل ذا التأخير العالي على أنه الأقل إعجابا بنسبة 61.11% من الحالات (Maslych وآخرون، ACM CUI 2025)
1. الخط الأساسي البشري: ما سرعة تناوب الناس على الكلام
المعيار الذي يُقاس به كل وكيل صوتي وُضع قبل وجود البرمجيات بوقت طويل. ففي أكبر مقارنة عبر اللغات لتوقيت الأدوار، كانت الفجوة الأكثر شيوعا بين السؤال وجوابه 0 ms، وكان الوسيط عبر اللغات 100 ms (Stivers وآخرون، Universals and cultural variation in turn-taking in conversation، PNAS 2009). فالمتحدثون لا ينتظرون الصمت ثم يتفاعلون؛ بل يطلقون الجواب لحظة انتهاء السؤال.
وهذه السرعة إنجاز تخطيط لا منعكس. فتجارب تسمية الصور تضع الزمن اللازم لإنتاج كلمة واحدة عند نحو 600 ms ولجملة قصيرة عند نحو 1,500 ms، ولهذا يستنتج الباحثون أن المستمعين يجب أن يتوقعوا موعد انتهاء الدور ويجهزوا الرد بالتوازي (Levinson وTorreira، Frontiers in Psychology 2015). أما الوكيل الصوتي المتسلسل فيفعل العكس: ينتظر حتى يتوقف المتصل، ثم يبدأ السلسلة كلها.
| المقياس | القيمة | المصدر |
|---|---|---|
| متوسط الفجوة بين السؤال والجواب، جميع اللغات العشر مجتمعة | 208 ms | Stivers وآخرون، PNAS 2009 |
| وسيط الفجوة بين السؤال والجواب، جميع اللغات العشر مجتمعة | 100 ms | Stivers وآخرون، PNAS 2009 |
| أسرع وأبطأ متوسطات اللغات (اليابانية مقابل الدانماركية) | 7 ms مقابل 469 ms | Stivers وآخرون، PNAS 2009 |
| حصة انتقالات الأدوار الأقصر من 500 ms | من 70% إلى 82% | Heldner وEdlund 2010، استعرضه Levinson وTorreira، Frontiers in Psychology 2015 |
| حصة انتقالات الدور التي تتداخل مع المتحدث السابق (مدونة Switchboard الهاتفية، 348 محادثة) | 30.1% | Levinson وTorreira، Frontiers in Psychology 2015 |
| الزمن اللازم لبدء نطق كلمة مسماة واحدة (تسمية الصور) | نحو 600 ms | Indefrey وLevelt 2004، استعرضه Levinson وTorreira، Frontiers in Psychology 2015 |
| زمن الاستجابة البشري النموذجي (المنوال) بين الأدوار | نحو 200 ms | Templeton وآخرون، PNAS 2022 |
ملاحظة سياقية: تغطي عينة اللغات العشر 101 محادثة في 5 قارات. وتذكر الورقة أن متوسطات اللغات تقع ضمن نحو 250 ms على جانبي المتوسط عبر اللغات، مع أن الدانماركية تقع على بعد نحو 261 ms فوقه (469 ناقص 208). أحدث البيانات المتاحة: دراستا 2009 و2015 أعلاه. وتتغير هذه الخطوط الأساسية ببطء، لذا فإن قدمها أقل أهمية مما هو عليه لمعايير المنتجات.
2. حدود التأخير في الشبكة والاتصالات الهاتفية
قبل أن يعمل أي نموذج، تستهلك شبكة الهاتف جزءا من الميزانية. و”التأخير في اتجاه واحد” هنا يعني الزمن الذي يستغرقه الصوت للانتقال من فم المتحدث إلى أذن المستمع في اتجاه واحد، لا رحلة ذهاب وإياب. تنص التوصية ITU-T G.114 على ألا يتجاوز التأخير في اتجاه واحد 400 ms لتخطيط الشبكات العام، وأن التأخير المحفوظ دون 150 ms شفاف في جوهره لمعظم التطبيقات (ITU-T G.114, One-way transmission time).
وعصر الوكلاء الصوتيين يقلب هذه الحدود رأسا على عقب. فقد كُتب المعيار لمكالمات بين البشر يجيب فيها الطرف البعيد في نحو 200 ms؛ والوكيل الذي يحتاج إلى ثانية للتفكير يستهلك أكثر من ضعف كامل مخصص الشبكة البالغ 400 ms قبل أن ينطق بكلمة. وتوضح أرقام Twilio نفسها هذا التقسيم: فهدفها لفجوة الدور الكاملة من الفم إلى الأذن هو 1,115 ms وهدفها داخل منصة الوكيل هو 885 ms، ما يعني ضمنا نحو 230 ms للشبكة وعبور خط الهاتف (1,115 ناقص 885).
| المقياس | القيمة | المصدر |
|---|---|---|
| الحد الأقصى للتأخير في اتجاه واحد الموصى به لتخطيط الشبكات العام | 400 ms | ITU-T G.114 (05/2003) |
| التأخير في اتجاه واحد الذي دونه تبدو معظم تطبيقات الكلام وغير الكلام شفافة في جوهرها | 150 ms | ITU-T G.114 (05/2003) |
| تأخير VoIP المتوقع من الفم إلى الأذن على المسارات داخل الإقليم بطول 5,000 km أو أقل | أقل من 150 ms | ITU-T G.114، الملحق II |
| تأخير VoIP من الفم إلى الأذن على أسوأ مسارات أرضية بين الأقاليم (27,500 km) | أكثر من 300 ms بقليل | ITU-T G.114، الملحق II |
| الرحلة ذهابا وإيابا عبر الإنترنت العام إلى خادم تركيب الكلام، بحسب المسافة | من 20 إلى 200 ms | وثائق ElevenLabs حول زمن الاستجابة 2026 (المورد) |
ملاحظة سياقية: لا تزال طبعة مايو 2003 مدرجة على أنها سارية. ويُقيَّم التأخير الأقل من 400 ms بنموذج E في التوصية G.107، وهو معادلة تقدّر جودة المحادثة انطلاقا من التأخير، وتشير المقدمة إلى أن المهام شديدة التفاعل قد تتأثر بتأخيرات أقل من 100 ms. أحدث البيانات المتاحة: طبعة 2003.
3. ميزانية زمن الاستجابة لوكيل صوتي متسلسل
يربط الوكيل المتسلسل ثلاثة نماذج: تحويل الكلام إلى نص (STT)، ونموذج لغوي كبير (LLM)، وتحويل النص إلى كلام (TTS). تبلغ أهداف مكونات Twilio في مجموعها 825 ms (350 + 375 + 100)، لكن حدودها العليا تبلغ 1,500 ms (500 + 750 + 250)، ما يعني أن منظومة تبقى ببساطة داخل كل حد قد تتجاوز مع ذلك سقف 1,400 ms من طرف إلى طرف (Twilio, A Guide to Core Latency in AI Voice Agents). ويصف الدليل هذه القيم بأنها “معايير بداية، وليست الأفضل في فئتها”.
ويبين التفصيل المرجعي في دليل Pipecat أين يذهب الوقت فعلا: فالنسخ مع تحديد نهاية الكلام، وزمن أول بايت للنموذج اللغوي الكبير، وزمن أول بايت لتحويل النص إلى كلام تستحوذ مجتمعة على 1,070 ms من إجمالي 1,293 ms، أي نحو 83% (1,070 ÷ 1,293)، بينما تستهلك كل توصيلات الصوت (الميكروفون والمرمّزات ومخازن الارتعاش والسماعة) الباقي (Voice AI and Voice Agents guide). و”مخزن الارتعاش” طابور احتجاز قصير يسوّي وصول الحزم غير المنتظم؛ ويخصص التفصيل 40 ms لواحد منها في كل اتجاه. وقد وصل مسار بحثي بُني لأسئلة الاتصالات على وحدة معالجة رسومات H100 واحدة إلى النطاق نفسه (Ethiraj وآخرون، arXiv 2508.04721).
| المقياس | القيمة | المصدر |
|---|---|---|
| زمن تحويل الكلام إلى نص، الهدف مقابل الحد الأعلى | 350 ms مقابل 500 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| زمن أول رمز للنموذج اللغوي الكبير، الهدف مقابل الحد الأعلى | 375 ms مقابل 750 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| زمن أول بايت لتحويل النص إلى كلام، الهدف مقابل الحد الأعلى | 100 ms مقابل 250 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| فجوة الدور من الفم إلى الأذن كما يدركها المتصل، الهدف مقابل الحد الأعلى | 1,115 ms مقابل 1,400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| إجمالي مرجعي من الصوت إلى الصوت، بجمع 16 مرحلة من الميكروفون إلى السماعة | 1,293 ms (ويذكر نص الدليل نحو 1,200 ms) | Voice AI and Voice Agents guide، Pipecat 2026 |
| زمن الصوت إلى الصوت الذي يعده الدليل هدفا مهما | 1,500 ms | Voice AI and Voice Agents guide، Pipecat 2026 |
| متوسط زمن أول صوت في مسار للاتصالات، 500 سؤال مسجل (من الأدنى إلى الأعلى) | 678 ms (من 412 إلى 1,482 ms) | Ethiraj وآخرون، NetoAI، arXiv 2025 |
| متوسط زمن المعالجة من طرف إلى طرف لكل مقطع كلام في مسار الاتصالات نفسه | 934 ms | Ethiraj وآخرون، NetoAI، arXiv 2025 |
ملاحظة عن القيم الشاذة: أفاد فريق أبحاث في Sprinklr بأول مقطع صوتي “منخفض حتى 640.9 ms” على وحدة معالجة رسومات NVIDIA L4، لكن 1,748.6 ms للإعداد نفسه على وحدة معالجة مركزية، وهو تذكير بأن العتاد وحده قد يضاعف زمن أول صوت أكثر من مرتين (Choudhary وPurwar، arXiv 2509.20971).
4. تحديد نهاية الكلام واكتشاف الدور
“تحديد نهاية الكلام” هو قرار الوكيل بأن المتصل أنهى كلامه. وهي المرحلة الأكثر ضبطا باليد، لأنها توازن بين السرعة والفظاظة: فإن انتظر الوكيل قليلا قطع كلام الناس في منتصف الجملة، وإن انتظر طويلا سمع المتصل صمتا مطبقا. خفّض نموذج نهاية الدور المحدَّث من LiveKit معدل المقاطعات الخاطئة عبر 14 لغة من 18.66% إلى 11.34%، أي انخفاضا نسبيا قدره 39.23%، دون زيادة في زمن الاستجابة (LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%).
وتبين أرقام الموردين مقدار ما يتحكم به هذا القرار الواحد من الميزانية. فتزعم Deepgram أن نموذجها Flux يخفض زمن استجابة الوكيل بما بين 200 و600 ms مقارنة بالأساليب المعتمدة على المسارات، وأن إشارة مبكرة “متلهفة” تصل قبل 150 إلى 250 ms على حساب 50 إلى 70% من استدعاءات النموذج اللغوي الإضافية (Deepgram, Introducing Flux). وهذه الاستدعاءات الإضافية هي الثمن الخفي للسرعة: إذ يبدأ الوكيل بصياغة إجابات لجمل ربما لم يُنهِها المتصل. كما أن ضوضاء الخلفية تغير هذه القرارات، وهو موضوع نتابعه في إحصائيات زمن استجابة كتم الضوضاء العصبي.
| المقياس | القيمة | المصدر |
|---|---|---|
| زمن اكتشاف نهاية الدور الذي تزعمه Deepgram لـ Flux | نحو 260 ms | وثائق Deepgram Flux 2025 (ادعاء من المورد) |
| زمن نهاية الدور في Flux عند المئين 90 والمئين 95 | 1 s و1.5 s | Deepgram, Introducing Flux، 1 أكتوبر 2025 (ادعاء من المورد) |
| الانخفاض في المقاطعات الخاطئة الذي تزعمه Deepgram لـ Flux | نحو 30% | Deepgram, Introducing Flux 2025 (ادعاء من المورد) |
| معدل المقاطعات الخاطئة، جميع اللغات الـ 14، نموذج LiveKit القديم مقابل الجديد (عند معدل إيجابيات صحيحة ثابت 99.3%) | 18.66% مقابل 11.34% | LiveKit، 12 ديسمبر 2025 |
| معدل المقاطعات الخاطئة، الإنجليزية، نموذج LiveKit القديم مقابل الجديد | 16.6% مقابل 13.0% | LiveKit، 12 ديسمبر 2025 |
| الصمت الذي ينتظره إعداد VAD في الخادم النموذجي قبل إنهاء الدور | 500 ms | OpenAI Realtime VAD guide 2026 |
ملاحظة سياقية: VAD (اكتشاف النشاط الصوتي) هو المكتشف البسيط الذي يسمع هل يتكلم أحد؛ وقيمة 500 ms هي الإعداد النموذجي في Realtime VAD guide من OpenAI، وليست قيمة افتراضية منصوصا عليها. وقاعدة الصمت الثابتة البالغة 500 ms وحدها تتجاوز بالفعل ضعف متوسط الفجوة البشرية البالغ 208 ms من القسم 1.
5. زمن أول رمز للنموذج اللغوي وزمن أول صوت لتحويل النص إلى كلام
بعد انتهاء الدور، يجب أن يبدأ النموذج بالكلام. قاعدة الإبهام في دليل Pipecat هي أن زمن أول رمز للنموذج اللغوي قدره 600 ms أو أقل سريع بما يكفي لمعظم حالات الاستخدام الصوتي، ولا يستوفي هذا الشرط عند الوسيط سوى نموذجين من أصل أربعة نماذج مستضافة يسردها، بينما لا يستوفيه أي منها عند المئين 95 (Voice AI and Voice Agents guide). وزمن أول رمز (TTFT) هو المدة التي يستغرقها النموذج اللغوي ليصدر أول جزء من جوابه. والذيل أهم من الوسيط على خط الهاتف، لأن المتصل يتذكر الصمت الواحد البالغ 1.7 s لا المتوسط.
وتحويل النص إلى كلام هو الآن أصغر شريحة، لكن أرقام الموردين والأرقام المقاسة تتباعد. فتقول ElevenLabs إن نماذج Flash لديها تبلغ نحو 75 ms من استدلال النموذج، مستثنية صراحة الشبكة وعبء التطبيق (وثائق ElevenLabs حول زمن الاستجابة)، بينما قاس تشغيل من طرف ثالث لـ 50 تجربة بث حية من جهاز اختبار وسيطا قدره 197 ms (Vapi Humanness Index). وعلى الفرق التي تقارن محركات التركيب، ومنها مولد صوت بالذكاء الاصطناعي، أن تسأل أي الرقمين تذكره ورقة المواصفات.
| المقياس | القيمة | المصدر |
|---|---|---|
| زمن أول رمز لـ GPT-4.1، الوسيط مقابل المئين 95 | 536 ms مقابل 1,771 ms | Voice AI and Voice Agents guide، Pipecat 2026 |
| زمن أول رمز لـ Gemini 2.5 Flash، الوسيط مقابل المئين 95 | 597 ms مقابل 1,137 ms | Voice AI and Voice Agents guide، Pipecat 2026 |
| زمن أول رمز لـ Claude 4.5 Haiku، الوسيط مقابل المئين 95 | 637 ms مقابل 1,615 ms | Voice AI and Voice Agents guide، Pipecat 2026 |
| زمن أول رمز لـ GPT-5.1، الوسيط مقابل المئين 95 | 739 ms مقابل 1,492 ms | Voice AI and Voice Agents guide، Pipecat 2026 |
| ElevenLabs Flash v2.5، ادعاء الاستدلال مقابل زمن البث المقاس شاملا الشبكة | 75 ms مقابل 197 ms | وثائق ElevenLabs 2026 (ادعاء من المورد)؛ Vapi Humanness Index، 10 يونيو 2026 |
| Cartesia Sonic 3.5، زمن البث المقاس | 128 ms | Vapi Humanness Index 2026 |
| ElevenLabs Multilingual v2، زمن البث المقاس | 1,006 ms | Vapi Humanness Index 2026 |
ملاحظة سياقية: تشغّل Vapi منصة وكلاء صوتيين لا محرك تركيب كلام، لكن مؤشرها يظل معيارا تديره المنصة. وتذكر الصفحة منهج الـ 50 تجربة لـ Flash v2.5 فقط، لذا قد لا تكون القيم المقاسة الأخرى قابلة للمقارنة المباشرة. وتشير ElevenLabs أيضا إلى أن مخزنا مؤقتا لمشغل الصوت قدره 500 ms “شائع”، وهو ما قد يمحو معظم ميزة النموذج السريع من جانب العميل.
6. زمن الاستجابة المقاس لنماذج الكلام إلى الكلام والنماذج ثنائية الاتجاه الكاملة
تتجاوز نماذج الكلام إلى الكلام مراحل تسليم النص، وتستمع النماذج ثنائية الاتجاه الكاملة وتتكلم في الوقت نفسه، فمن حيث المبدأ ينبغي أن تسد الفجوة مع التوقيت البشري. يفيد Moshi من Kyutai بزمن استجابة نظري قدره 160 ms وعملي قدره 200 ms (Kyutai, Moshi, arXiv 2410.00037)، وقاس معيار مستقل أنه يأخذ الدور بعد 0.265 s (Lin وآخرون، Full-Duplex-Bench, arXiv 2503.04721).
والنماذج التجارية أكثر تباعدا بكثير. ففي مؤشر Artificial Analysis الصادر في 23 يونيو 2026، تراوح متوسط زمن أول صوت من 0.44 s إلى 2.98 s؛ وكان أبطأ مدخلين بإعدادات استدلال “High”، وأحدهما GPT-Realtime-2 (High) عند 2.33 s، سجل أعلى درجة في المؤشر وهي 77.2% (Artificial Analysis, Speech to Speech Index). ولا يزال السرعة والذكاء يسيران في اتجاهين متعاكسين. ويواجه التعليق الحي مفاضلة مشابهة بين السرعة والدقة، نتابعها في إحصائيات زمن استجابة الترجمة النصية الفورية.
| المقياس | القيمة | المصدر |
|---|---|---|
| زمن استجابة GPT-4o للمدخل الصوتي، الأسرع مقابل المتوسط | 232 ms مقابل 320 ms | OpenAI, Hello GPT-4o 2024 (ادعاء من المورد) |
| متوسط زمن استجابة مسار وضع الصوت السابق في ChatGPT، GPT-3.5 مقابل GPT-4 | 2.8 s مقابل 5.4 s | OpenAI, Hello GPT-4o 2024 (ادعاء من المورد) |
| زمن استجابة Moshi، النظري مقابل العملي | 160 ms مقابل 200 ms | ورقة Kyutai عن Moshi، arXiv 2024 |
| الزمن اللازم لأخذ الدور بعد توقف المستخدم عن الكلام (مجموعة بيانات محادثات CANDOR)، Moshi مقابل Gemini Live | 0.265 s مقابل 1.301 s | Lin وآخرون، Full-Duplex-Bench، arXiv 2025 |
| الزمن اللازم للرد بعد مقاطعة من المستخدم، Moshi مقابل Gemini Live | 0.257 s مقابل 1.183 s | Lin وآخرون، Full-Duplex-Bench، arXiv 2025 |
| متوسط زمن أول صوت، أسرع نموذج في المؤشر (Deepslate Opal) | 0.44 s | Artificial Analysis Speech to Speech Index، 23 يونيو 2026 |
| متوسط زمن أول صوت، GPT-Realtime-1.5 | 0.82 s | Artificial Analysis Speech to Speech Index، 23 يونيو 2026 |
| متوسط زمن أول صوت، Gemini 3.1 Flash Live Preview (High) | 2.98 s | Artificial Analysis Speech to Speech Index، 23 يونيو 2026 |
ملاحظة عن القيم الشاذة: أرقام OpenAI هي ادعاء إطلاق من إعلان النموذج لا قياس مستقل، وتستخدم مقياسا مختلفا عن صفوف المؤشر في الجدول نفسه، فلا ينبغي مقارنتها مباشرة. وMoshi سريع لكنه ليس نموذجا لمراكز الاتصال: فهو يأخذ الدور في 98.5% من حالات التوقف الاصطناعية، أي أنه يتدخل حين يكون المستخدم قد توقف مؤقتا فقط (Full-Duplex-Bench).
7. ما يفعله زمن الاستجابة بالمتصلين والمحادثات
السرعة ليست مقياسا شكليا. ففي دراسة استماع محكمة شملت 450 مستمعا، صُنفت مقاطع المحادثة المتطابقة المعدلة لتكون فجوتها المتوسطة 55.68 ms على أنها أكثر ترابطا من المقاطع نفسها عند 557.14 ms، مع F(2, 2,344.3) = 28.51, P < 0.001 لمقياس الترابط (Templeton وآخرون، PNAS 2022). فالمستمعون يقرؤون التوقيت على أنه إشارة اجتماعية، والوكيل البطيء يرسل الإشارة الخاطئة.
وبالنسبة لوكلاء الذكاء الاصطناعي تحديدا، وجدت دراسة شملت 54 شخصا للوكلاء الافتراضيين أن كل مستوى من التأخير أضر بالسرعة المدركة، ويستنتج المؤلفون أن زمن استجابة يتجاوز 4 ثوان يضعف جودة التجربة؛ وقد حسّنت الحشوات الكلامية الطبيعية السرعة المدركة للاستجابة عند 4.0 s و6.5 s، بينما لم تفعل ذلك أيقونة التحميل والصوت الاصطناعيان (Maslych وآخرون، ACM CUI 2025). والصمت يغير المعنى أيضا: فأبحاث المحادثة تربط الفجوات البالغة 700 ms أو أكثر بالإجابات غير المفضلة (ردود مثل الرفض أو الاختلاف)، لذا يجازف وكيل بتوقف مدته ثانية واحدة بأن يبدو متردد الرد حتى حين تكون الإجابة نعم. ووجدت مقارنة بين نماذج الصوت التأسيسية أن الصمت شكّل 32.4% من وقت المحادثة مع نظام متسلسل مقابل 11.8% مع Moshi (Arora وآخرون، Talking Turns, arXiv 2503.01174).
| المقياس | القيمة | المصدر |
|---|---|---|
| المستخدمون الذين اختاروا الوكيل منخفض التأخير (1.5 s) على أنه الأكثر إعجابا | 57.41%, χ²(2, N = 54) = 14.12, p < 0.0001 | Maslych وآخرون، ACM CUI 2025 |
| المستخدمون الذين اختاروا الوكيل عالي التأخير (6.5 s) على أنه الأقل إعجابا | 61.11%, χ²(2, N = 54) = 19.0, p < 0.0001 | Maslych وآخرون، ACM CUI 2025 |
| زمن الاستجابة المقاس للوكيل المتسلسل الخاص بالدراسة قبل إضافة التأخير | 1.47 s في المتوسط | Maslych وآخرون، ACM CUI 2025 |
| طول الفجوة المرتبط بالإجابات غير المفضلة (السلبية) في المحادثة البشرية | 700 ms أو أكثر | Levinson وTorreira، Frontiers in Psychology 2015 (استعراض) |
| حصة وقت المحادثة المقضي في الصمت، نظام متسلسل مقابل Moshi | 32.4% مقابل 11.8% | Arora وآخرون، Talking Turns، arXiv 2025 |
| تأخير الإرسال المضاف الذي قُيّم عنده شركاء المكالمة على أنهم أقل انتباها ولطفا وانضباطا ذاتيا مقارنة بعدم وجود تأخير | 1.2 s | Schoenenberg وRaake وKoeppe، International Journal of Human-Computer Studies 2014 |
| مطورو الذكاء الاصطناعي الصوتي الراضون جدا عن جودة المحادثة (استطلاع شمل 40) | 2% | Deepgram, Introducing Flux 2025 (استطلاع من المورد) |
| مطورو الذكاء الاصطناعي الصوتي الذين أبلغوا عن مشكلات في انسيابية المحادثة تتراوح من ملحوظة إلى كبيرة (استطلاع شمل 40) | 61% | Deepgram, Introducing Flux 2025 (استطلاع من المورد) |
ملاحظة سياقية: نتيجة التأخير البالغ 1.2 s مستمدة من ملخص المؤلف الرئيسي للدراسة نفسه (phys.org، مايو 2014)؛ أحدث البيانات المتاحة: Schoenenberg وآخرون، 2014. ولم نجد مجموعة بيانات محكَّمة لعامي 2025 أو 2026 تربط زمن استجابة الوكيل المقاس بمعدلات تخلي حقيقية عن المكالمات، لذا فإن أدلة الرضا أعلاه مأخوذة من دراسات محكمة لا من سجلات مكالمات إنتاجية.
الخلاصة: زمن استجابة وكلاء الصوت بالذكاء الاصطناعي بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| متوسط الفجوة بين السؤال والجواب، 10 لغات | 208 ms | Stivers وآخرون، PNAS 2009 |
| انتقالات الأدوار الأقصر من 500 ms | من 70% إلى 82% | Heldner وEdlund 2010، عبر Frontiers in Psychology 2015 |
| الزمن اللازم لبدء نطق كلمة واحدة | نحو 600 ms | Levinson وTorreira، Frontiers in Psychology 2015 |
| متوسط الفجوة في المقاطع المصنفة أكثر ترابطا مقابل المقاطع نفسها المصنفة أقل ترابطا | 55.68 ms مقابل 557.14 ms | Templeton وآخرون، PNAS 2022 |
| الحد الأقصى للتأخير في اتجاه واحد لتخطيط الشبكات | 400 ms | ITU-T G.114 (05/2003) |
| هدف الوكيل المتسلسل من الفم إلى الأذن مقابل الحد الأعلى | 1,115 ms مقابل 1,400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| إجمالي التفصيل المرجعي من الصوت إلى الصوت | 1,293 ms | Voice AI and Voice Agents guide، Pipecat 2026 |
| متوسط زمن أول صوت في المسار البحثي للاتصالات | 678 ms | Ethiraj وآخرون، NetoAI، arXiv 2025 |
| زمن اكتشاف نهاية الدور الذي تزعمه Deepgram لـ Flux | نحو 260 ms | وثائق Deepgram Flux 2025 (ادعاء من المورد) |
| معدل المقاطعات الخاطئة، نموذج نهاية الدور القديم مقابل الجديد، 14 لغة | 18.66% مقابل 11.34% | LiveKit، 12 ديسمبر 2025 |
| زمن البث المقاس لـ ElevenLabs Flash v2.5 | 197 ms | Vapi Humanness Index، يونيو 2026 |
| متوسط زمن استجابة GPT-4o الصوتي | 320 ms | OpenAI, Hello GPT-4o 2024 (ادعاء من المورد) |
| زمن الاستجابة العملي لـ Moshi | 200 ms | ورقة Kyutai عن Moshi، arXiv 2024 |
| زمن تناوب الأدوار، Gemini Live | 1.301 s | Lin وآخرون، Full-Duplex-Bench، arXiv 2025 |
| نطاق متوسط زمن أول صوت عبر المؤشر | من 0.44 s إلى 2.98 s | Artificial Analysis Speech to Speech Index، 23 يونيو 2026 |
| المستخدمون الذين كان الوكيل ذو التأخير 6.5 s الأقل إعجابا لديهم | 61.11% | Maslych وآخرون، ACM CUI 2025 |
| زمن الاستجابة المقاس لوكيل متسلسل بحثي قبل إضافة التأخير | 1.47 s | Maslych وآخرون، ACM CUI 2025 |
| حصة الصمت من وقت المحادثة، نظام متسلسل | 32.4% | Arora وآخرون، Talking Turns، arXiv 2025 |
المنهجية والمصادر
- Stivers وآخرون، Universals and cultural variation in turn-taking in conversation، PNAS 2009.
- Levinson وTorreira، Timing in turn-taking and its implications for processing models of language، Frontiers in Psychology 2015 (وهو أيضا مصدر أرقام Heldner وEdlund 2010 وIndefrey وLevelt 2004 التي يستعرضها).
- Templeton وآخرون، Fast response times signal social connection in conversation، PNAS 2022.
- ITU-T، Recommendation G.114: One-way transmission time، مايو 2003، سارية.
- Twilio، A Guide to Core Latency in AI Voice Agents (Cascaded Edition)، 17 نوفمبر 2025.
- Pipecat، Voice AI and Voice Agents guide، المؤلف الرئيسي Kwindla Hultman Kramer، تحديث يونيو 2026.
- Ethiraj وآخرون، NetoAI، Toward Low-Latency End-to-End Voice Agents for Telecommunications، arXiv، 5 أغسطس 2025.
- Choudhary وPurwar، Sprinklr، i-LAVA: Insights on Low Latency Voice-2-Voice Architecture for Agents، arXiv، 25 سبتمبر 2025.
- Deepgram، Introducing Flux: Conversational Speech Recognition، 1 أكتوبر 2025، ووثائق Flux للبدء السريع (ادعاءات من المورد واستطلاع من المورد).
- LiveKit، Improved end-of-turn model cuts voice AI interruptions 39%، 12 ديسمبر 2025 (معيار من المورد).
- OpenAI، Realtime API voice activity detection guide وHello GPT-4o، 2024 (ادعاءات من المورد).
- ElevenLabs، Latency documentation، 2026 (ادعاء من المورد).
- Vapi، Humanness Index, ElevenLabs Flash v2.5 page، فحص زمن الاستجابة في 10 يونيو 2026.
- Kyutai، Moshi: a speech-text foundation model for real-time dialogue، arXiv 2024.
- Lin وآخرون، Full-Duplex-Bench، arXiv 2025 (الإصدار 3، 16 أغسطس 2025).
- Artificial Analysis، Announcing the Speech to Speech Index، 23 يونيو 2026، ولوحة صدارة Speech to Speech الحية.
- Maslych وآخرون، Mitigating Response Delays in Free-Form Conversations with LLM-powered Intelligent Virtual Agents، ACM CUI 2025.
- Arora وآخرون، Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics، arXiv 2025.
- Schoenenberg وRaake وKoeppe، International Journal of Human-Computer Studies 2014، كما لخصه المؤلف الرئيسي على phys.org.
- ملاحظة حول البيانات: تتحرك لوحة الصدارة الحية بين التحديثات؛ ففي 27 أكتوبر 2026 أدرجت GPT-Realtime-2 (High) بزمن أول صوت قدره 1.14 s، مقابل 2.33 s في إعلان 23 يونيو 2026، ويختلف تعريفها (ثوان لتوليد أول رمز صوتي على مجموعة Big Bench Audio) عن فجوة الدور من الفم إلى الأذن أو عن زمن تناوب الأدوار في Full-Duplex-Bench، لذا قارن القيم داخل مصدر واحد لا عبر المصادر. ويبلغ مجموع جدول دليل Pipecat 1,293 ms بينما يذكر نصه نحو 1,200 ms. وأهداف المكونات في دليل الوكيل المتسلسل من القسم 3 (825 ms في المجموع) لا تتطابق مع هدف المنصة البالغ 885 ms. وأرقام الموردين (صانعو التعرف على الكلام واكتشاف الدور وتركيب الكلام والنماذج الفورية) موسومة على أنها ادعاءات من الموردين أو معايير يديرها الموردون. أما دراستا تناوب الأدوار لعامي 2009 و2015 وطبعة 2003 من G.114 ودراسة التأخير لعام 2014 فأقدم من ثلاث سنوات لكنها تبقى أحدث البيانات المتاحة لهذه الخطوط الأساسية. ولا توجد بعد مجموعة بيانات عامة محكَّمة تربط زمن استجابة الوكيل المقاس بمعدلات حقيقية للتخلي عن المكالمات.
- آخر تحديث: 27 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عندما تنشر Artificial Analysis تحديثها القادم لمؤشر Speech to Speech Index.