In 10 Sprachen auf fünf Kontinenten beginnt die durchschnittliche Antwort auf eine Frage nur 208 Millisekunden nach dem Ende der Frage (Stivers et al., PNAS 2009). Das ist weit weniger als die rund 600 ms, die ein Mensch braucht, um ein einzelnes Bild zu benennen (Levinson und Torreira, Frontiers in Psychology 2015), die Sprechenden müssen ihre Antwort also planen, während die andere Person noch spricht. Videoanrufe stören diesen Rhythmus: Paare, die von Angesicht zu Angesicht in 135 ms den Sprecher wechselten, brauchten über Zoom 487 ms (Boland et al., Journal of Experimental Psychology: General 2022). Diese Zusammenstellung behandelt menschliche Gespräche; wie Software erkennt, dass ein Sprecher fertig ist, zeigen unsere Statistiken zur Erkennung des Äußerungsendes und zum Unterbrechen (Barge-in). Wir haben Daten aus PNAS, dem Max Planck Institute for Psycholinguistics, dem Journal of Pragmatics, Interspeech, Child Development, der ITU und mehr als einem Dutzend weiterer begutachteter Quellen zusammengetragen.
TL;DR
- Die mittlere Antwort auf eine Frage beginnt +208 ms nach deren Ende, von +7 ms im Japanischen bis +469 ms im Dänischen (Stivers et al., PNAS 2009).
- Etwa 40% aller Intervalle zwischen Sprechern in drei Gesprächskorpora sind Überlappungen (Heldner und Edlund, Journal of Phonetics 2010).
- 10.950 US-englische Telefongespräche zeigen eine durchschnittliche Pause von 0,300 s zwischen Redebeiträgen (Cavalcanti und Skantze, Interspeech 2025).
- Das Benennen eines einzelnen Bildes beginnt nach etwa 600 ms (Levinson und Torreira, Frontiers in Psychology 2015, unter Verweis auf Indefrey und Levelt 2004).
- Hörende beginnen innerhalb einer halben Sekunde, nachdem die Antwort abrufbar ist, mit der Planung, manchmal etwa 2,4 s vor dem Ende der Frage (Bögels, Magyari und Levinson, Scientific Reports 2015).
- Nicht präferierte Reaktionen überwiegen die präferierten erst nach Pausen von 700 ms oder mehr deutlich (Kendrick und Torreira, Discourse Processes 2015).
- Schnellere durchschnittliche Antwortzeiten sagen ein stärkeres Verbundenheitsgefühl voraus, b = −0,28, P < 0,001 (Templeton et al., PNAS 2022).
- Säuglinge überlappen im Alter von 3 bis 5 Monaten knapp über ein Drittel ihrer Lautäußerungen mit denen ihrer Mütter, mit 18 Monaten rund 20% (Hilbrink, Gattis und Levinson, Frontiers in Psychology 2015).
- Über 26 Studien hinweg brauchen Säuglinge im Durchschnitt etwa 1 s zum Antworten (Nguyen et al., Child Development 2022).
- Die Übergänge zwischen Redebeiträgen stiegen für dieselben Paare von 135 ms von Angesicht zu Angesicht auf 487 ms über Zoom (Boland et al., Journal of Experimental Psychology: General 2022).
- Eine einseitige Verzögerung unter 150 ms bietet im Wesentlichen transparente Interaktivität; 400 ms ist die Obergrenze der Planung (ITU-T-Empfehlung G.114, 2003).
1. Durchschnittliche Pause zwischen Redebeiträgen über Sprachen hinweg
Das Hauptergebnis des größten sprachübergreifenden Vergleichs ist nicht, dass sich Kulturen unterscheiden, sondern wie wenig. In der Studie von Stivers und Kollegen zu 10 Sprachen lag der häufigste Antwort-Offset genau bei 0 ms, und der Mittelwert jeder Sprache lag etwa 250 ms nach oben oder unten vom gepoolten Mittelwert entfernt. Das Dänische, die langsamste Sprache der Stichprobe, antwortete im Durchschnitt dennoch in weniger als einer halben Sekunde (+469 ms). Die Autoren vermuten, dass ethnografische Beschreibungen auffallend “langsamer” oder “schneller” Gesprächskulturen eine Empfindlichkeit für Tempounterschiede von nur wenigen Hundert Millisekunden widerspiegeln.
Das hier verwendete Maß ist der Offset der Sprecherübergabe (FTO, englisch floor transfer offset): die Zeit vom Ende des Redebeitrags eines Sprechers bis zum Beginn des Redebeitrags des nächsten Sprechers, wobei ein negativer Wert bedeutet, dass der nächste Sprecher früher begann, also in Überlappung. Die Mittelwerte pro Sprache, wie sie Levinson und Torreira (Tabelle 1) tabelliert haben, lauteten: Tzeltal 67 ms, Yélî Dnye 71 ms, Niederländisch 108 ms, Koreanisch 182 ms, Englisch 236 ms, Italienisch 309 ms, Lao 419 ms und ‡Ākhoe Hai‖om 423 ms. Große englische Telefonkorpora liegen im selben Bereich: ein Mittelwert von 187 ms bei Switchboard und 0,300 s bei Fisher.
| Metrik | Wert | Quelle |
|---|---|---|
| Umfang des Vergleichs von 10 Sprachen | 350 aufeinanderfolgende Fragen pro Sprache, insgesamt 101 Gespräche | Stivers et al., PNAS 2009 |
| Mittlere Zeit vom Ende der Frage bis zum Beginn der Antwort, 10 Sprachen gepoolt | +208 ms | Stivers et al., PNAS 2009 |
| Häufigster (Modus) und mittlerer (Median) Antwort-Offset, 10 Sprachen gepoolt | Modus 0 ms, Median +100 ms | Stivers et al., PNAS 2009 |
| Schnellste versus langsamste Sprache, nach mittlerem Antwort-Offset | Japanisch +7 ms versus Dänisch +469 ms | Stivers et al., PNAS 2009 |
| Mittelwert und Median des Offsets der Sprecherübergabe, englisches Telefonkorpus Switchboard (19.754 Sprecherwechsel, 348 Gespräche) | Mittelwert 187 ms, Median 168 ms | Roberts, Torreira und Levinson, Frontiers in Psychology 2015 |
| Durchschnittlicher Offset beim Sprecherwechsel, US-englisches Telefonkorpus Fisher (10.950 Gespräche, 11.684 Sprecher) | 0,300 s (SD = 0,228) | Cavalcanti und Skantze, Interspeech 2025 |
| Mittlere Pause in den dyadischen Gesprächen, anhand derer lange Pausen definiert wurden | 248 ms (Standardabweichung = 598 ms) | Templeton et al., Philosophical Transactions B 2023 |
Kontexthinweis: Die Zahlen für die 10 Sprachen betreffen nur Antworten auf Fragen, nicht jeden Sprecherwechsel, und die neuesten verfügbaren Daten für diesen Vergleich stammen aus dem Jahr 2009. Die Fisher-Studie von 2025 bringt eine Wendung: Die Demografie spielt kaum eine Rolle (das Geschlecht erklärte etwa 3,2% der Variation und das Alter 1,3%), während das konkrete Sprecherpaar am meisten zählte, was die Autoren “Dyadosynkrasie” nennen (Cavalcanti und Skantze, Interspeech 2025).
2. Überlappungsraten und die Form der Pausenverteilung
Ein Durchschnitt von rund 200 ms verbirgt eine große Streuung. An jedem Sprecherwechsel gemessen, ist Überlappung keine seltene Störung, sondern ein routinemäßiger Teil des Sprechens: In den von Heldner und Edlund analysierten Korpora waren etwa 40% aller Intervalle zwischen Sprechern Überlappungen. Ein Intervall zwischen Sprechern ist die Stille oder die Überlappung in dem Moment, in dem ein Sprecher aufhört und der andere beginnt.
Dennoch füllt die Überlappung nur sehr wenig der tatsächlichen Aufnahme aus. Im Telefonkorpus Switchboard sprechen nur in 3,8% des Audios beide Personen gleichzeitig, weil die meisten Überlappungen kurz sind. Heldner und Edlund stellten außerdem fest, dass nur 14 bis 19% der Pausen kürzer als 200 ms waren, sodass Übergänge “ohne Pause und ohne Überlappung” weit seltener sind, als Lehrbuchbeschreibungen nahelegen.
| Metrik | Wert | Quelle |
|---|---|---|
| Anteil der Intervalle zwischen Sprechern, die Überlappungen sind (Spoken Dutch Corpus / HCRC Map Task Corpus / Swedish Map Task Corpus) | 40,0% / 41,7% / 40,0% | Heldner und Edlund, Journal of Phonetics 2010 |
| Anteil der Intervalle zwischen Sprechern (Pausen und Überlappungen), die kürzer als 500 ms sind | 70-82% | Heldner und Edlund, Journal of Phonetics 2010 |
| Anteil der Intervalle zwischen Sprechern, die entweder Überlappungen oder zu kurze Pausen sind, um bemerkt zu werden | 55-59% | Heldner und Edlund, Journal of Phonetics 2010 |
| Anteil des Switchboard-Telefonaudios, in dem beide Sprecher gleichzeitig sprechen | 3,8% (77% nur ein Sprecher, 19,2% Stille) | Levinson und Torreira, Frontiers in Psychology 2015 |
| Anteil der Sprecherübergaben bei Switchboard, die in Überlappung beginnen | 30,1% | Levinson und Torreira, Frontiers in Psychology 2015 |
| Rückmeldesignale (Backchannels), die vom nächsten Redebeitrag überlappt werden, versus andere überlappte Redebeiträge (Switchboard) | 35% versus 28% | Roberts, Torreira und Levinson, Frontiers in Psychology 2015 |
| Überlappende Sprache als Anteil an der gesamten Sprache, 6 Sprachen, je etwa eine Stunde | 10,5% (Spanisch) bis 20,8% (Koreanisch); Englisch 12,6% | Liesenfeld, Lopez und Dingemanse 2023 |
| Mittlere Dauer der Redebeiträge in derselben Stichprobe aus 6 Sprachen | 2.538 ms (Mandarin) bis 4.620 ms (Spanisch) | Liesenfeld, Lopez und Dingemanse 2023 |
Die Definitionen unterscheiden sich, was erklärt, warum die Überlappungsanteile zwischen den Zeilen nicht übereinstimmen: Heldner und Edlund zählen Überlappungen unter allen Intervallen zwischen Sprechern, die 30,1% bei Switchboard zählen Sprecherübergaben, und die Stichprobe aus 6 Sprachen von Liesenfeld, Lopez und Dingemanse misst Überlappung als Anteil der Sprechzeit. Ein Rückmeldesignal (Backchannel) ist eine kurze Reaktion der zuhörenden Person, etwa “mhm” oder “ja”, die das Rederecht nicht beansprucht. Die neuesten verfügbaren Daten für die niederländischen, englischen und schwedischen Korpora stammen aus dem Jahr 2010.
3. Wie lange es dauert, eine Antwort zu planen
Das ist das zentrale Rätsel der Forschung zum Sprecherwechsel. Schon ein einzelnes Wort zu produzieren dauert vom Sehen eines Bildes bis zum Sprechbeginn etwa 600 ms, ein einfacher Satz etwa 1.500 ms, und doch beträgt die mittlere Pause von 208 ms aus Abschnitt 1 nur rund ein Drittel des Werts für ein einzelnes Wort (208 / 600 = 0,35). Die Zahlen gehen nur auf, wenn Hörende mit der Planung ihrer Antwort beginnen, während sie noch zuhören.
Die EEG-Belege stützen das. Im Experiment von Bögels, Magyari und Levinson zeigten sich Hirnsignaturen der Antwortplanung innerhalb einer halben Sekunde, nachdem die Antwort auf eine Frage abrufbar wurde, bei einigen Fragen etwa 2,4 Sekunden vor dem Ende der Frage. Antworten, die früh geplant werden konnten, kamen schneller: 950 ms minus 640 ms ergibt einen Unterschied von rund 310 ms zwischen den beiden Bedingungen (unsere Rechnung aus den berichteten Mittelwerten). Dasselbe Zeitbudgetproblem bestimmt heute den Entwurf von Sprachsoftware, wie unsere Benchmarks zur Zeit bis zum ersten Audio bei Sprach-Agenten zeigen.
| Metrik | Wert | Quelle |
|---|---|---|
| Zeit vom Sehen eines Bildes bis zum Beginn des Benennens (Schätzung) | etwa 600 ms | Levinson und Torreira, Frontiers in Psychology 2015, unter Verweis auf Indefrey und Levelt 2004 |
| Zeit bis zum Sprechbeginn bei der Beschreibung einer einfachen Szene (z. B. ein Junge tritt einen Ball) in einem Satz | etwa 1.500 ms | Levinson und Torreira, Frontiers in Psychology 2015 |
| Zeitpunkt einer frühen EEG-Signatur der Antwortvorbereitung, bezogen auf das Ende des eingehenden Redebeitrags | ca. 1.200 ms vor dem Ende, etwa in der Mitte des Redebeitrags | Levinson und Torreira, Frontiers in Psychology 2015, unter Verweis auf Magyari et al. 2014 |
| Teilnehmende und Stimuli im EEG-Experiment mit Frage und Antwort | 24 Teilnehmende (Hauptexperiment), 94 niederländische Fragenpaare | Bögels, Magyari und Levinson, Scientific Reports 2015 |
| Mittlere Antwortzeit, wenn die Antwort früh in der Frage verfügbar war, versus erst am Ende | M = 640 ms (Modus bei etwa 400 ms) versus M = 950 ms (Modus bei etwa 750 ms) | Bögels, Magyari und Levinson, Scientific Reports 2015 |
| Wie früh die Antwort bei den Fragen mit früher Antwort abrufbar war | im Durchschnitt etwa 2,4 Sekunden vor dem Ende der Frage | Bögels, Magyari und Levinson, Scientific Reports 2015 |
| Hörende in einem schwedischen Experiment zu Hinweisen auf das Ende eines Redebeitrags, und die störendste Veränderung der letzten 500 ms eines Redebeitrags | N = 32; Erhöhung der Sprechgeschwindigkeit (p < 0,005) | Feindt et al., Interspeech 2023 |
Kontexthinweis: In der schwedischen Interspeech-Studie von 2023 verlängerte das Beschleunigen des Endes eines Redebeitrags die Reaktionszeiten, wenn der Sprecher das Wort behielt, verkürzte sie aber, wenn der Sprecher es abgab, ein Zeichen dafür, dass Hörende die Sprechgeschwindigkeit als Hinweis auf das Redeende lesen. Die neuesten verfügbaren Daten zu den Benennlatenzen stammen aus dem Jahr 2004 und früher.
4. Was eine Pause signalisiert: Präferenz, Zustimmung und Verbundenheit
Weil die Standardpause so kurz ist, hat eine etwas längere Bedeutung. Zustimmung kommt schneller als ihr Gegenteil: Bestätigende Antworten waren im Durchschnitt 100 bis 500 ms schneller als nicht bestätigende in allen 10 Sprachen des Vergleichs aus Abschnitt 1. In Telefonkorpora stellten Kendrick und Torreira fest, dass Absagen und andere nicht präferierte Reaktionen die präferierten erst deutlich überwogen, sobald die Pause 700 ms oder mehr erreichte.
Schnelligkeit wird auch als Verbundenheit gelesen. In der PNAS-Studie von Templeton und Kollegen aus dem Jahr 2022 sagten kürzere Antwortzeiten ein stärkeres Verbundenheitsgefühl voraus, und außenstehende Hörende bewerteten bearbeitete schnelle Fassungen von Gesprächen als unterhaltsamer als langsame. Doch unter Freunden kehrt sich die Regel um: In einer Folgestudie von 2023 hatten Freunde mehr lange Pausen als Fremde, und diese Pausen waren für sie nicht unangenehm.
| Metrik | Wert | Quelle |
|---|---|---|
| Geschwindigkeit bestätigender versus nicht bestätigender Antworten auf Fragen | im Durchschnitt 100 bis 500 ms schneller, in allen 10 Sprachen | Stivers et al., PNAS 2009 |
| Pausenlänge, ab der nicht präferierte Reaktionen die präferierten deutlich überwiegen (195 Reaktionen in Telefonkorpora) | 700 ms oder mehr | Kendrick und Torreira, Discourse Processes 2015 |
| Mittlere Pause nach einem Redebeitrag mit einer Antworthandlung versus nach anderen Redebeiträgen (Switchboard) | 150 ms versus 202 ms | Roberts, Torreira und Levinson, Frontiers in Psychology 2015 |
| Wirkung der durchschnittlichen Antwortzeit einer Person auf das Verbundenheitsgefühl (66 Teilnehmende, jeweils in 10 zehnminütigen Gesprächen) | b = −0,28, SE = 0,05, P < 0,001 | Templeton et al., PNAS 2022 |
| Mittlere Pause in schnellen, originalen und langsamen bearbeiteten Fassungen derselben Gespräche, bewertet von 450 Online-Hörenden | 55,68 ms / 278,55 ms / 557,14 ms; die Antwortzeit sagte das wahrgenommene Vergnügen umgekehrt voraus, F(2; 2.351,9) = 49,44, P < 0,001 | Templeton et al., PNAS 2022 |
| Schwelle zur Definition einer langen Pause im Gespräch | über 2 s, etwa 3 Standardabweichungen vom Mittelwert | Templeton et al., Philosophical Transactions B 2023 |
| Analysierte Gespräche und welche Gruppe mehr lange Pausen hatte | 261 Paare fremder Personen und 65 Gespräche unter Freunden; Freunde hatten mehr lange Pausen als Fremde | Templeton et al., Philosophical Transactions B 2023 |
Kontexthinweis: Die Ergebnisse von Templeton stammen aus Stichproben einer einzigen Forschungsgruppe (66 Teilnehmende in der Studie von 2022, 261 Fremdenpaare in der von 2023); sie sind daher als Beleg für diese Teilnehmenden zu verstehen und nicht für alle Sprechenden. Eine “nicht präferierte” Reaktion ist eine, zu der die Frage nicht eingeladen hat, etwa das Ablehnen einer Einladung oder ein Widerspruch.
5. Wie Kinder das Timing von Redebeiträgen entwickeln
Der Sprecherwechsel beginnt vor den Wörtern, und der Weg verläuft nicht geradlinig. Babys im Alter von 3 bis 5 Monaten sind schnell, aber unordentlich: In der Längsschnittstudie von Hilbrink, Gattis und Levinson mit 12 Mutter-Kind-Paaren (8.555 Sprecherwechsel) produzierten die Säuglinge knapp über ein Drittel ihrer Lautäußerungen in Überlappung mit ihren Müttern. Mit etwa 9 und 12 Monaten wurden ihre Pausen deutlich länger, während das Timing der Mütter stabil blieb.
Ein früherer Bericht mit teils denselben Autoren beschrieb dieselbe Verlangsamung: Die Kinder begannen auf Augenhöhe mit ihren Müttern, zeigten in der Stichprobe mit 12 Monaten aber deutlich längere Pausen (Casillas et al., SemDial 2013). Über 26 Studien hinweg beziffert die gepoolte Evidenz die Antwortlatenz von Säuglingen auf etwa eine Sekunde, ein Mehrfaches der Erwachsenendurchschnitte aus Abschnitt 1.
| Metrik | Wert | Quelle |
|---|---|---|
| Durchschnittlicher Sprecherwechsel in der Mutter-Kind-Protokonversation mit etwa 3 Monaten | etwa 1,5 s | Levinson und Torreira, Frontiers in Psychology 2015, unter Verweis auf Bateson 1975 |
| Lautäußerungen des Säuglings in Überlappung mit der Mutter im Alter von 3, 4 und 5 Monaten | knapp über ein Drittel | Hilbrink, Gattis und Levinson, Frontiers in Psychology 2015 |
| Redebeiträge der Mutter in Überlappung mit dem Säugling im Alter von 3, 4 und 5 Monaten | zwischen 14 und 21% | Hilbrink, Gattis und Levinson, Frontiers in Psychology 2015 |
| Redebeiträge des Säuglings in Überlappung mit 18 Monaten | rund 20%, ähnlich wie bei den Müttern | Hilbrink, Gattis und Levinson, Frontiers in Psychology 2015 |
| Kinder, die das Ende des Redebeitrags der Mutter überlappen, vor 5 Monaten versus mit 1 Jahr und 8 Monaten | fast 40% der Fälle versus etwa 4% | Casillas et al., SemDial 2013 |
| Antwortlatenz von Säuglingen, gepoolt über 26 Studien (78 Schätzungen, 429 Säuglinge) | im Durchschnitt etwa 1 s | Nguyen et al., Child Development 2022 |
| Veränderung der Antwortlatenz des Säuglings, wenn die Latenz des Erwachsenen um 1 s steigt (z. B. von 400 auf 1.400 ms) | ein Anstieg um über 1 s | Nguyen et al., Child Development 2022 |
Die letzte Zeile ist die praktischste: Die Metaanalyse von 2022 ergab, dass Säuglinge das Tempo ihres Gegenübers spiegeln, sodass langsamere Erwachsene von langsameren Babys beantwortet werden. Die neuesten verfügbaren Daten für die Längsschnittstichproben mit Säuglingen stammen aus den Jahren 2013 bis 2015.
6. Videoanruf-Latenz und Sprecherwechsel
Videoanrufe fügen nur Dutzende Millisekunden Audioverzögerung hinzu, doch die Wirkung auf den Sprecherwechsel steht in keinem Verhältnis dazu. In den Experimenten von Boland und Kollegen brauchten dieselben Paare, die von Angesicht zu Angesicht in 135 ms den Sprecher wechselten, über Zoom 487 ms, ein Anstieg um 352 ms (487 minus 135) bei einer geschätzten Übertragungsverzögerung von nur 30-70 ms. In einer Aufgabe mit Ja/Nein-Fragen betrug der Unterschied zwischen lokalen und entfernten Antworten 679 ms (976 minus 297). Die Autoren argumentieren, dass die Verzögerung die Timing-Mechanismen stört, mit denen Menschen einen Redebeitrag starten, und nicht nur das Signal.
Felddaten aus klinischen Videoanrufen erzählen dieselbe Geschichte. Seuren und Kollegen stellten fest, dass etwa 100 ms Latenz den Sprecherwechsel kaum beeinträchtigten, während die Teilnehmenden bei 700 ms routinemäßig Schwierigkeiten hatten, mit unbeabsichtigten Pausen und gleichzeitigem Sprechen. Netzwerkingenieure planen seit Langem um ähnliche Grenzen herum, wie wir in unseren Statistiken zu VoIP-Jitter-Buffer und Sprachqualität behandelt haben.
| Metrik | Wert | Quelle |
|---|---|---|
| Ja/Nein-Antworten auf aufgezeichnete polare Fragen: durchschnittliche Latenz lokaler versus entfernter (Zoom-)Antworten | 297 ms versus 976 ms | Boland et al., Journal of Experimental Psychology: General 2022 |
| Dauer des Sprecherwechsels für dieselben Paare, von Angesicht zu Angesicht versus über Zoom | 135 ms versus 487 ms | Boland et al., Journal of Experimental Psychology: General 2022 |
| Geschätzte Audio-Übertragungsverzögerung in den Zoom-Experimenten | 30-70 ms | Boland et al., Journal of Experimental Psychology: General 2022 |
| Analysierte Videosprechstunden und gefundene Probleme beim Sprecherwechsel | 25 Sprechstunden (7 h 57 min); 130 auffällige Pausen und 172 Überlappungen | Seuren et al., Journal of Pragmatics 2021 |
| Latenz, bei der der Sprecherwechsel kaum beeinträchtigt versus routinemäßig gestört wird | etwa 100 ms versus 700 ms | Seuren et al., Journal of Pragmatics 2021 |
| Einseitige Verzögerung, unterhalb derer die meisten Anwendungen eine im Wesentlichen transparente Interaktivität haben | unter 150 ms | ITU-T-Empfehlung G.114, 2003 |
| Einseitige Verzögerung, die bei der allgemeinen Netzplanung nicht überschritten werden sollte | 400 ms | ITU-T-Empfehlung G.114, 2003 |
| Einseitige Verzögerung ohne signifikante Auswirkung auf die wahrgenommene Gesamtsprachqualität in einem hochinteraktiven Gespräch (getestete Verzögerungen bis 1.600 ms) | bis zu 400 ms | Egger, Schatz und Scherer, Interspeech 2010 |
Hinweis zu Ausreißern: Die ITU-T G.114 selbst warnt, dass hochinteraktive Aufgaben, darunter einige Sprach- und Videokonferenzen, schon von Verzögerungen unter 100 ms beeinträchtigt werden können, und der Interspeech-Test von 2010 ergab, dass die Verzögerungsempfindlichkeit mit der Interaktivität des Gesprächs steigt. Qualitätsbewertungen und das Timing der Redebeiträge sind unterschiedliche Maße, weshalb eine Verzögerung von 400 ms als akzeptabel bewertet werden kann und dennoch gleichzeitiges Sprechen verursacht. Mehrstufige Pipelines wie Live-Dolmetschen fügen ihre eigene Verzögerung obendrauf, wie unsere Statistiken zur Latenz der Sprach-zu-Sprache-Übersetzung zeigen. Die neuesten verfügbaren Daten für G.114 stammen aus der Ausgabe von 2003, die weiterhin gültig ist.
Zusammenfassung: Dauer von Pausen beim Sprecherwechsel in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Mittlerer Antwort-Offset nach Fragen, 10 Sprachen gepoolt | +208 ms | Stivers et al., PNAS 2009 |
| Anteil der Intervalle zwischen Sprechern, die Überlappungen sind | etwa 40% | Heldner und Edlund, Journal of Phonetics 2010 |
| Anteil der Intervalle zwischen Sprechern, die kürzer als 500 ms sind | 70-82% | Heldner und Edlund, Journal of Phonetics 2010 |
| Mittelwert und Median des Offsets der Sprecherübergabe, Switchboard | 187 ms und 168 ms | Roberts, Torreira und Levinson, Frontiers in Psychology 2015 |
| Durchschnittliche Pause, Fisher-Korpus (10.950 US-englische Telefongespräche) | 0,300 s | Cavalcanti und Skantze, Interspeech 2025 |
| Zeit vom Sehen eines Bildes bis zum Beginn des Benennens | etwa 600 ms | Levinson und Torreira, Frontiers in Psychology 2015 |
| Überlappende Sprache als Anteil an der gesamten Sprache, 6 Sprachen | 10,5% bis 20,8% | Liesenfeld, Lopez und Dingemanse 2023 |
| Antwortzeit, Antwort früh versus spät in der Frage verfügbar | 640 ms versus 950 ms | Bögels, Magyari und Levinson, Scientific Reports 2015 |
| Wie früh die Antwort bei den Fragen mit früher Antwort abrufbar war | etwa 2,4 s vor dem Ende der Frage | Bögels, Magyari und Levinson, Scientific Reports 2015 |
| Pausenlänge, ab der nicht präferierte Reaktionen deutlich überwiegen | 700 ms oder mehr | Kendrick und Torreira, Discourse Processes 2015 |
| Wirkung der durchschnittlichen Antwortzeit auf das Verbundenheitsgefühl | b = −0,28, P < 0,001 | Templeton et al., PNAS 2022 |
| Gruppe mit mehr langen Pausen (über 2 s) | Freunde, nicht Fremde | Templeton et al., Philosophical Transactions B 2023 |
| Lautäußerungen des Säuglings in Überlappung, 3 bis 5 Monate versus 18 Monate | knapp über ein Drittel versus rund 20% | Hilbrink, Gattis und Levinson, Frontiers in Psychology 2015 |
| Kinder, die das Ende des Redebeitrags der Mutter überlappen, vor 5 Monaten versus mit 1 Jahr 8 Monaten | fast 40% versus etwa 4% | Casillas et al., SemDial 2013 |
| Antwortlatenz von Säuglingen über 26 Studien | etwa 1 s | Nguyen et al., Child Development 2022 |
| Dauer des Sprecherwechsels, von Angesicht zu Angesicht versus Zoom | 135 ms versus 487 ms | Boland et al., Journal of Experimental Psychology: General 2022 |
| Latenz der Ja/Nein-Antwort, lokal versus entfernt über Zoom | 297 ms versus 976 ms | Boland et al., Journal of Experimental Psychology: General 2022 |
| Latenz bei Videoanrufen: kaum beeinträchtigt versus routinemäßig gestört | etwa 100 ms versus 700 ms | Seuren et al., Journal of Pragmatics 2021 |
| Einseitige Verzögerung: transparente Interaktivität versus Planungsobergrenze | unter 150 ms versus 400 ms | ITU-T-Empfehlung G.114, 2003 |
Methodik und Quellen
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009
- Levinson and Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015
- Roberts, Torreira and Levinson, The effects of processing and sequence organization on the timing of turn taking: a corpus study, Frontiers in Psychology 2015
- Heldner and Edlund, Pauses, gaps and overlaps in conversations, Journal of Phonetics 2010
- Cavalcanti and Skantze, Dyadosyncrasy, Idiosyncrasy and Demographic Factors in Turn-Taking, Interspeech 2025
- Liesenfeld, Lopez and Dingemanse, The timing bottleneck, arXiv 2307.15493, 2023
- Bögels, Magyari and Levinson, Neural signatures of response planning occur midway through an incoming question in conversation, Scientific Reports 2015
- Feindt et al., Cues to next-speaker projection in conversational Swedish, Interspeech 2023
- Kendrick and Torreira, The timing and construction of preference: a quantitative study, Discourse Processes 2015
- Templeton et al., Fast response times signal social connection in conversation, PNAS 2022
- Templeton et al., Long gaps between turns are awkward for strangers but not for friends, Philosophical Transactions of the Royal Society B 2023
- Hilbrink, Gattis and Levinson, Early developmental changes in the timing of turn-taking, Frontiers in Psychology 2015
- Casillas et al., Turn-timing in naturalistic mother-child interactions: a longitudinal perspective, SemDial 2013
- Nguyen, Versyp, Cox and Fusaroli, A systematic review and Bayesian meta-analysis of the development of turn taking in adult-child vocal interactions, Child Development 2022
- Boland, Fonseca, Mermelstein and Williamson, Zoom disrupts the rhythm of conversation, Journal of Experimental Psychology: General 2022
- Seuren, Wherton, Greenhalgh and Shaw, Whose turn is it anyway? Latency and the organization of turn-taking in video-mediated interaction, Journal of Pragmatics 2021
- ITU-T Recommendation G.114, One-way transmission time, 2003
- Egger, Schatz and Scherer, It takes two to tango: assessing the impact of delay on conversational interactivity on perceived speech quality, Interspeech 2010
- Daten-Hinweis: Das Originalpapier zu den 10 Sprachen nennt im Text das Dänische mit +469 ms und das Italienische mit +310 ms, während die Tabelle der Übersichtsarbeit von 2015, die es wiedergibt, 468 ms und 309 ms aufführt; wo wir das Originalpapier direkt zitieren, verwenden wir dessen Zahlen. Der Vergleich der 10 Sprachen misst nur Antworten auf Fragen, sodass seine Mittelwerte nicht direkt mit den Durchschnitten ganzer Korpora von Switchboard (187 ms) oder Fisher (0,300 s) vergleichbar sind. Die Überlappungsanteile unterscheiden sich per Definition (40% der Intervalle zwischen Sprechern, 30,1% der Sprecherübergaben bei Switchboard, 10,5-20,8% der Sprechzeit) und sollten nicht so verglichen werden, als würden sie dasselbe messen. Die Überlappungsstichprobe aus 6 Sprachen umfasst nur etwa eine Stunde Sprache pro Sprache. Die meisten sprachübergreifenden Daten sowie die Daten zur kindlichen Entwicklung und zur Planung sind älter als drei Jahre; die neuesten Ergänzungen sind die Fisher-Analyse von Interspeech 2025 und die Studien von 2022-2023 zu Zoom, Antwortgeschwindigkeit und langen Pausen. Die Zoom-Ergebnisse stammen aus kontrollierten Experimenten mit einer geschätzten, nicht pro Anruf gemessenen Übertragungsverzögerung.
Zuletzt aktualisiert: 8. November 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, sobald die Tagungsbände von Interspeech 2026 im ISCA Archive indexiert sind.