En 10 idiomas, las personas responden a una pregunta tras una pausa media de apenas 208 ms, pero el objetivo inicial de Twilio para un agente de voz con IA en cascada es una pausa de turno de 1.115 ms de la boca al oído, aproximadamente 5 veces mayor (1.115 ÷ 208 ≈ 5,4). La referencia humana es rápida porque los oyentes predicen el final de un turno: producir una sola palabra lleva unos 600 ms, así que la respuesta se planifica mientras la otra persona aún habla (Levinson y Torreira, Frontiers in Psychology 2015). Los agentes de voz no pueden predecir de la misma manera, así que esperan, transcriben, razonan y sintetizan en secuencia, y la clasificación independiente más reciente muestra un tiempo medio hasta el primer audio para los modelos de voz a voz de entre 0,44 s y 2,98 s (Artificial Analysis Speech to Speech Index 2026). Para los centros de contacto que despliegan automatización, tema de nuestras estadísticas de automatización de centros de contacto con agentes de voz, la latencia es la parte de la experiencia que los llamantes perciben antes de oír una sola palabra útil. Reunimos datos de los estudios de alternancia de turnos de PNAS, de la norma internacional de retraso en telefonía, de guías de ingeniería de código abierto y de proveedores, de clasificaciones independientes y de bancos de pruebas de investigación publicados en arXiv y en ACM CUI.
TL;DR
- Pausa media antes de una respuesta en 10 idiomas: 208 ms; mediana de 100 ms (Stivers et al., PNAS 2009)
- Entre el 70% y el 82% de las transiciones de turno en una conversación duran menos de 500 ms (Heldner y Edlund 2010, revisado en Frontiers in Psychology 2015)
- La ITU-T G.114 fija 400 ms como techo de retraso unidireccional para la planificación de redes, y menos de 150 ms como esencialmente transparente (ITU-T G.114, 2003)
- Un agente de voz de investigación para telecomunicaciones tardó en promedio 678 ms hasta el primer audio en 500 preguntas grabadas (Ethiraj et al., NetoAI, arXiv 2025)
- Fragmentos de conversación idénticos parecieron más conectados con una pausa media de 55,68 ms que con una de 557,14 ms (Templeton et al., PNAS 2022)
- Deepgram afirma una detección de fin de turno de unos 260 ms para su modelo Flux (documentación de Deepgram Flux 2025, afirmación del proveedor)
- El modelo actualizado de fin de turno de LiveKit redujo las interrupciones falsas del 18,66% al 11,34% en 14 idiomas (LiveKit, 12 de diciembre de 2025)
- ElevenLabs Flash v2.5 se midió con 197 ms de latencia mediana incluida la red, frente a una afirmación de 75 ms de inferencia (Vapi Humanness Index, junio de 2026)
- OpenAI informó de que las respuestas de audio de GPT-4o tardan en promedio 320 ms, frente a 5,4 s de su anterior flujo de voz basado en GPT-4 (OpenAI, Hello GPT-4o 2024, afirmación del proveedor)
- Gemini Live tardó 1,301 s en tomar el turno frente a 0,265 s de Moshi en Full-Duplex-Bench (Lin et al., arXiv 2025)
- Los usuarios eligieron el agente de alta latencia como el que menos les gustó el 61,11% de las veces (Maslych et al., ACM CUI 2025)
1. La Referencia Humana: Con Qué Rapidez se Alternan los Turnos
El parámetro con el que se juzga a todo agente de voz se fijó mucho antes de que existiera el software. En la mayor comparación entre idiomas sobre la sincronización de los turnos, la pausa más habitual entre una pregunta y su respuesta fue de 0 ms, y la mediana entre idiomas fue de 100 ms (Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009). Los hablantes no esperan al silencio para reaccionar después; lanzan la respuesta en el momento en que termina la pregunta.
Esa rapidez es una hazaña de planificación, no un reflejo. Los experimentos de denominación de imágenes sitúan el tiempo de producir una palabra en unos 600 ms y el de una oración corta en unos 1.500 ms, y por eso los investigadores concluyen que los oyentes deben predecir cuándo terminará un turno y preparar la respuesta en paralelo (Levinson y Torreira, Frontiers in Psychology 2015). Un agente de voz en cascada hace lo contrario: espera a que el llamante deje de hablar y solo entonces pone en marcha toda la cadena.
| Métrica | Valor | Fuente |
|---|---|---|
| Pausa media entre pregunta y respuesta, los 10 idiomas combinados | 208 ms | Stivers et al., PNAS 2009 |
| Pausa mediana entre pregunta y respuesta, los 10 idiomas combinados | 100 ms | Stivers et al., PNAS 2009 |
| Medias del idioma más rápido y del más lento (japonés vs danés) | 7 ms vs 469 ms | Stivers et al., PNAS 2009 |
| Proporción de transiciones de turno de menos de 500 ms | 70% a 82% | Heldner y Edlund 2010, revisado en Levinson y Torreira, Frontiers in Psychology 2015 |
| Proporción de transferencias de turno que se solapan con el hablante anterior (corpus telefónico Switchboard, 348 conversaciones) | 30,1% | Levinson y Torreira, Frontiers in Psychology 2015 |
| Tiempo necesario para empezar a decir una sola palabra nombrada (denominación de imágenes) | Alrededor de 600 ms | Indefrey y Levelt 2004, revisado en Levinson y Torreira, Frontiers in Psychology 2015 |
| Tiempo de respuesta humano típico (modal) entre turnos | Alrededor de 200 ms | Templeton et al., PNAS 2022 |
Nota de contexto: la muestra de 10 idiomas abarca 101 conversaciones en 5 continentes. El artículo señala que las medias por idioma quedan a unos 250 ms, por encima o por debajo, de la media entre idiomas, aunque el danés está unos 261 ms por encima de ella (469 menos 208). Datos más recientes disponibles: los estudios de 2009 y 2015 citados arriba. Estas referencias cambian despacio, así que su antigüedad importa menos que en los bancos de pruebas de productos.
2. Límites de Retraso en Redes y Telefonía
Antes de que se ejecute ningún modelo, la red telefónica ya gasta parte del presupuesto. “Retraso unidireccional” significa aquí el tiempo que tarda el sonido en viajar de la boca de quien habla al oído de quien escucha, en un solo sentido, no un viaje de ida y vuelta. La Recomendación ITU-T G.114 dice que no debe superarse un retraso unidireccional de 400 ms en la planificación general de redes, y que los retrasos que se mantienen por debajo de 150 ms son esencialmente transparentes para la mayoría de las aplicaciones (ITU-T G.114, One-way transmission time).
La era de los agentes de voz pone estos límites patas arriba. La norma se escribió para llamadas entre personas, donde el otro extremo responde en unos 200 ms; un agente que necesita un segundo para pensar consume más del doble de toda la holgura de 400 ms de la red antes de decir una palabra. Las propias cifras de Twilio muestran el reparto: su objetivo para la pausa de turno completa, de la boca al oído, es de 1.115 ms y su objetivo dentro de la plataforma del agente es de 885 ms, lo que implica unos 230 ms de tránsito por la red y la línea telefónica (1.115 menos 885).
| Métrica | Valor | Fuente |
|---|---|---|
| Retraso unidireccional máximo recomendado para la planificación general de redes | 400 ms | ITU-T G.114 (05/2003) |
| Retraso unidireccional por debajo del cual la mayoría de las aplicaciones de voz y de no voz resultan esencialmente transparentes | 150 ms | ITU-T G.114 (05/2003) |
| Retraso VoIP esperado de la boca al oído en rutas intrarregionales de 5.000 km o menos | Menos de 150 ms | ITU-T G.114, Apéndice II |
| Retraso VoIP de la boca al oído en rutas terrestres interregionales del peor caso (27.500 km) | Algo más de 300 ms | ITU-T G.114, Apéndice II |
| Ida y vuelta por internet público a un servidor de síntesis de voz, según la distancia | 20 a 200 ms | documentación de latencia de ElevenLabs 2026 (proveedor) |
Nota de contexto: la edición de mayo de 2003 sigue figurando como vigente. Los retrasos inferiores a 400 ms se evalúan con el modelo E de la Recomendación G.107, una fórmula que estima la calidad conversacional a partir del retraso, y la introducción señala que las tareas muy interactivas pueden verse afectadas por retrasos inferiores a 100 ms. Datos más recientes disponibles: la edición de 2003.
3. El Presupuesto de Latencia de un Agente de Voz en Cascada
Un agente en cascada encadena tres modelos: voz a texto (STT), un modelo de lenguaje grande (LLM) y texto a voz (TTS). Los objetivos por componente de Twilio suman 825 ms (350 + 375 + 100), pero sus límites superiores suman 1.500 ms (500 + 750 + 250), lo que significa que una pila que simplemente se mantiene dentro de cada límite aún puede rebasar el techo de 1.400 ms de extremo a extremo (Twilio, A Guide to Core Latency in AI Voice Agents). La guía califica estos valores de “referencias de partida, no las mejores de su clase”.
El desglose de referencia de la guía de Pipecat muestra adónde va realmente el tiempo: la transcripción con detección del fin del habla (endpointing), el tiempo hasta el primer byte del LLM y el tiempo hasta el primer byte del TTS suman juntos 1.070 ms de un total de 1.293 ms, alrededor del 83% (1.070 ÷ 1.293), mientras que toda la infraestructura de audio (micrófono, códecs, búferes de fluctuación, altavoz) se lleva el resto (Voice AI and Voice Agents guide). Un “búfer de fluctuación” (jitter buffer) es una cola de espera corta que suaviza la llegada irregular de paquetes; el desglose gasta 40 ms en uno en cada dirección. Un flujo de investigación creado para preguntas de telecomunicaciones en una sola GPU H100 llegó al mismo rango (Ethiraj et al., arXiv 2508.04721).
| Métrica | Valor | Fuente |
|---|---|---|
| Latencia de voz a texto, objetivo vs límite superior | 350 ms vs 500 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Tiempo hasta el primer token del LLM, objetivo vs límite superior | 375 ms vs 750 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Tiempo hasta el primer byte del texto a voz, objetivo vs límite superior | 100 ms vs 250 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Pausa de turno de la boca al oído tal como la percibe el llamante, objetivo vs límite superior | 1.115 ms vs 1.400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Total de referencia de voz a voz, sumando 16 etapas del micrófono al altavoz | 1.293 ms (el texto de la guía dice alrededor de 1.200 ms) | Voice AI and Voice Agents guide, Pipecat 2026 |
| Latencia de voz a voz que la guía considera un objetivo importante | 1.500 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Tiempo medio hasta el primer audio en un flujo de telecomunicaciones, 500 preguntas grabadas (mínimo a máximo) | 678 ms (412 a 1.482 ms) | Ethiraj et al., NetoAI, arXiv 2025 |
| Tiempo medio de procesamiento de extremo a extremo por enunciado en el mismo flujo de telecomunicaciones | 934 ms | Ethiraj et al., NetoAI, arXiv 2025 |
Nota sobre valores atípicos: un equipo de investigación de Sprinklr informó de un primer fragmento de audio “de solo 640,9 ms” en una GPU NVIDIA L4, pero de 1.748,6 ms con la misma configuración en una CPU, un recordatorio de que el hardware por sí solo puede más que duplicar el tiempo hasta el primer audio (Choudhary y Purwar, arXiv 2509.20971).
4. Detección del Fin del Habla y del Fin de Turno
El “endpointing” (detección del fin del habla) es la decisión del agente de que el llamante ha terminado de hablar. Es la etapa que más se ajusta a mano, porque cambia velocidad por descortesía: si espera poco, el agente corta a la gente a media frase; si espera demasiado, el llamante oye silencio. El modelo actualizado de fin de turno de LiveKit redujo la tasa de interrupciones falsas en 14 idiomas del 18,66% al 11,34%, una reducción relativa del 39,23%, sin aumentar la latencia de respuesta (LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%).
Las cifras de los proveedores muestran cuánto del presupuesto controla esta única decisión. Deepgram afirma que su modelo Flux puede reducir la latencia de respuesta del agente en 200 a 600 ms frente a los enfoques en flujo, y que una señal temprana (“eager”) llega entre 150 y 250 ms antes a costa de entre un 50% y un 70% más de llamadas al LLM (Deepgram, Introducing Flux). Esas llamadas adicionales son el precio oculto de la velocidad: el agente empieza a redactar respuestas a frases que el llamante quizá no haya terminado. El ruido de fondo también altera estas decisiones, un tema que seguimos en las estadísticas de latencia de la supresión neuronal de ruido.
| Métrica | Valor | Fuente |
|---|---|---|
| Latencia de detección de fin de turno afirmada para Flux | Alrededor de 260 ms | documentación de Deepgram Flux 2025 (afirmación del proveedor) |
| Latencia de fin de turno de Flux en los percentiles 90 y 95 | 1 s y 1,5 s | Deepgram, Introducing Flux, 1 de octubre de 2025 (afirmación del proveedor) |
| Reducción de interrupciones falsas afirmada para Flux | Alrededor del 30% | Deepgram, Introducing Flux 2025 (afirmación del proveedor) |
| Tasa de interrupciones falsas, los 14 idiomas, modelo antiguo vs nuevo de LiveKit (con una tasa de verdaderos positivos fija del 99,3%) | 18,66% vs 11,34% | LiveKit, 12 de diciembre de 2025 |
| Tasa de interrupciones falsas, inglés, modelo antiguo vs nuevo de LiveKit | 16,6% vs 13,0% | LiveKit, 12 de diciembre de 2025 |
| Silencio que espera la configuración de VAD del servidor de ejemplo antes de cerrar un turno | 500 ms | guía de VAD de OpenAI Realtime 2026 |
Nota de contexto: VAD (detección de actividad de voz) es el detector sencillo que oye si alguien está hablando; el valor de 500 ms es la configuración de ejemplo de la guía de VAD de Realtime de OpenAI, no un valor predeterminado declarado. Una regla fija de 500 ms de silencio ya supone, por sí sola, más del doble de la pausa media humana de 208 ms de la sección 1.
5. Tiempo hasta el Primer Token del LLM y Tiempo hasta el Primer Audio del TTS
Cuando termina el turno, el modelo tiene que empezar a hablar. La regla práctica de la guía de Pipecat es que un tiempo hasta el primer token del LLM de 600 ms o menos es suficientemente rápido para la mayoría de los usos de voz, y solo dos de los cuatro modelos alojados que enumera cumplen ese listón en la mediana, mientras que ninguno lo cumple en el percentil 95 (Voice AI and Voice Agents guide). El tiempo hasta el primer token (TTFT) es lo que tarda el modelo de lenguaje en emitir el primer fragmento de su respuesta. En una línea telefónica la cola importa más que la mediana, porque el llamante recuerda el único silencio de 1,7 s, no el promedio.
La síntesis de voz es ahora la porción más pequeña, pero las cifras de los proveedores y las medidas divergen. ElevenLabs dice que sus modelos Flash alcanzan unos 75 ms de inferencia del modelo, excluyendo explícitamente la red y la sobrecarga de la aplicación (documentación de latencia de ElevenLabs), mientras que una ejecución de terceros con 50 pruebas de streaming en vivo desde una máquina de pruebas midió una mediana de 197 ms (Vapi Humanness Index). Los equipos que comparan motores de síntesis, incluso para un generador de voz con IA, deberían preguntar cuál de los dos números cita la ficha técnica.
| Métrica | Valor | Fuente |
|---|---|---|
| Tiempo hasta el primer token de GPT-4.1, mediana vs percentil 95 | 536 ms vs 1.771 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Tiempo hasta el primer token de Gemini 2.5 Flash, mediana vs percentil 95 | 597 ms vs 1.137 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Tiempo hasta el primer token de Claude 4.5 Haiku, mediana vs percentil 95 | 637 ms vs 1.615 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Tiempo hasta el primer token de GPT-5.1, mediana vs percentil 95 | 739 ms vs 1.492 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| ElevenLabs Flash v2.5, afirmación de inferencia vs latencia de streaming medida incluida la red | 75 ms vs 197 ms | documentación de ElevenLabs 2026 (afirmación del proveedor); Vapi Humanness Index, 10 de junio de 2026 |
| Cartesia Sonic 3.5, latencia de streaming medida | 128 ms | Vapi Humanness Index 2026 |
| ElevenLabs Multilingual v2, latencia de streaming medida | 1.006 ms | Vapi Humanness Index 2026 |
Nota de contexto: Vapi opera una plataforma de agentes de voz, no un motor de síntesis de voz, pero su índice sigue siendo un banco de pruebas ejecutado por la plataforma. La página indica el método de 50 pruebas solo para Flash v2.5, de modo que los demás valores medidos podrían no ser directamente comparables. ElevenLabs también señala que un búfer de 500 ms en el reproductor de audio “es habitual”, lo que puede borrar en el lado del cliente la mayor parte de la ventaja de un modelo rápido.
6. Latencia Medida de los Modelos de Voz a Voz y Full-Duplex
Los modelos de voz a voz se saltan los traspasos por texto, y los modelos full-duplex escuchan y hablan al mismo tiempo, así que en teoría deberían cerrar la brecha con los tiempos humanos. Moshi, de Kyutai, informa de una latencia teórica de 160 ms y de 200 ms en la práctica (Kyutai, Moshi, arXiv 2410.00037), y un banco de pruebas independiente lo midió tomando el turno a los 0,265 s (Lin et al., Full-Duplex-Bench, arXiv 2503.04721).
Los modelos comerciales están mucho más dispersos. En el índice de Artificial Analysis del 23 de junio de 2026, el tiempo medio hasta el primer audio fue de 0,44 s a 2,98 s; las dos entradas más lentas eran configuraciones de razonamiento “High”, y una de ellas, GPT-Realtime-2 (High), con 2,33 s, obtuvo la mayor puntuación del índice, 77,2% (Artificial Analysis, Speech to Speech Index). La velocidad y la inteligencia siguen tirando en direcciones opuestas. El subtitulado en directo enfrenta un dilema parecido entre velocidad y precisión, que seguimos en las estadísticas de latencia del subtitulado en tiempo real.
| Métrica | Valor | Fuente |
|---|---|---|
| Tiempo de respuesta de GPT-4o a una entrada de audio, más rápido vs promedio | 232 ms vs 320 ms | OpenAI, Hello GPT-4o 2024 (afirmación del proveedor) |
| Latencia media del flujo anterior del Modo de Voz de ChatGPT, GPT-3.5 vs GPT-4 | 2,8 s vs 5,4 s | OpenAI, Hello GPT-4o 2024 (afirmación del proveedor) |
| Latencia de Moshi, teórica vs práctica | 160 ms vs 200 ms | Kyutai, artículo de Moshi, arXiv 2024 |
| Tiempo para tomar el turno después de que el usuario deja de hablar (conjunto de conversaciones CANDOR), Moshi vs Gemini Live | 0,265 s vs 1,301 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Tiempo para responder tras una interrupción del usuario, Moshi vs Gemini Live | 0,257 s vs 1,183 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Tiempo medio hasta el primer audio, modelo más rápido del índice (Deepslate Opal) | 0,44 s | Artificial Analysis Speech to Speech Index, 23 de junio de 2026 |
| Tiempo medio hasta el primer audio, GPT-Realtime-1.5 | 0,82 s | Artificial Analysis Speech to Speech Index, 23 de junio de 2026 |
| Tiempo medio hasta el primer audio, Gemini 3.1 Flash Live Preview (High) | 2,98 s | Artificial Analysis Speech to Speech Index, 23 de junio de 2026 |
Nota sobre valores atípicos: las cifras de OpenAI son una afirmación de lanzamiento, procedente del anuncio del modelo, y no una medición independiente, y usan una métrica distinta de las filas de la clasificación de la misma tabla, por lo que ambos grupos no deben compararse directamente. Moshi es rápido pero no es un modelo para centros de contacto: toma la palabra en el 98,5% de los casos de pausa sintética, es decir, interviene cuando el usuario solo había hecho una pausa (Full-Duplex-Bench).
7. Qué le Hace la Latencia a los Llamantes y a las Conversaciones
La velocidad no es una métrica de vanidad. En un estudio de escucha controlado con 450 oyentes, los fragmentos de conversación idénticos editados para tener una pausa media de 55,68 ms se valoraron como más conectados que los mismos fragmentos con 557,14 ms, con conexión F(2; 2.344,3) = 28,51, P < 0,001 (Templeton et al., PNAS 2022). Los oyentes leen el tiempo como una señal social, y un agente lento envía la señal equivocada.
Para los agentes de IA en concreto, un estudio con 54 personas sobre agentes virtuales halló que todos los niveles de retraso perjudicaron la rapidez percibida, y los autores concluyen que una latencia superior a 4 segundos degrada la calidad de la experiencia; los rellenos hablados naturales mejoraron la rapidez de respuesta percibida a 4,0 s y 6,5 s, mientras que un icono de carga y un sonido artificiales no (Maslych et al., ACM CUI 2025). El silencio también cambia el significado: la investigación sobre conversación vincula pausas de 700 ms o más con respuestas no preferidas (respuestas como rechazar o discrepar), así que un agente con una pausa de 1 segundo corre el riesgo de sonar dubitativo incluso cuando la respuesta es afirmativa. Una comparación de modelos fundacionales de audio halló que el silencio representaba el 32,4% del tiempo de conversación con un sistema en cascada frente al 11,8% con Moshi (Arora et al., Talking Turns, arXiv 2503.01174).
| Métrica | Valor | Fuente |
|---|---|---|
| Usuarios que eligieron al agente de baja latencia (1,5 s) como el que más les gustó | 57,41%, χ²(2, N = 54) = 14,12, p < 0,0001 | Maslych et al., ACM CUI 2025 |
| Usuarios que eligieron al agente de alta latencia (6,5 s) como el que menos les gustó | 61,11%, χ²(2, N = 54) = 19,0, p < 0,0001 | Maslych et al., ACM CUI 2025 |
| Tiempo de respuesta medido del propio agente en cascada del estudio antes del retraso añadido | 1,47 s de media | Maslych et al., ACM CUI 2025 |
| Duración de la pausa asociada a respuestas no preferidas (negativas) en la conversación humana | 700 ms o más | Levinson y Torreira, Frontiers in Psychology 2015 (revisión) |
| Proporción del tiempo de conversación en silencio, sistema en cascada vs Moshi | 32,4% vs 11,8% | Arora et al., Talking Turns, arXiv 2025 |
| Retraso de transmisión añadido a partir del cual se valoró a los interlocutores como menos atentos, amables y autodisciplinados que sin retraso | 1,2 s | Schoenenberg, Raake y Koeppe, International Journal of Human-Computer Studies 2014 |
| Desarrolladores de IA de voz muy satisfechos con la calidad de la conversación (encuesta a 40) | 2% | Deepgram, Introducing Flux 2025 (encuesta del proveedor) |
| Desarrolladores de IA de voz que informan de problemas de fluidez de la conversación perceptibles o graves (encuesta a 40) | 61% | Deepgram, Introducing Flux 2025 (encuesta del proveedor) |
Nota de contexto: el hallazgo del retraso de 1,2 s procede del resumen que hizo el propio autor principal del estudio (phys.org, mayo de 2014); datos más recientes disponibles: Schoenenberg et al., 2014. No encontramos ningún conjunto de datos de 2025 o 2026 revisado por pares que relacione la latencia medida de los agentes con las tasas reales de abandono de llamadas, de modo que la evidencia de satisfacción anterior procede de estudios controlados y no de registros de llamadas en producción.
Resumen: La Latencia de los Agentes de Voz con IA en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Pausa media entre pregunta y respuesta, 10 idiomas | 208 ms | Stivers et al., PNAS 2009 |
| Transiciones de turno de menos de 500 ms | 70% a 82% | Heldner y Edlund 2010, vía Frontiers in Psychology 2015 |
| Tiempo para empezar a decir una sola palabra | Alrededor de 600 ms | Levinson y Torreira, Frontiers in Psychology 2015 |
| Pausa media en fragmentos valorados como más conectados vs los mismos fragmentos valorados como menos conectados | 55,68 ms vs 557,14 ms | Templeton et al., PNAS 2022 |
| Retraso unidireccional máximo para la planificación de redes | 400 ms | ITU-T G.114 (05/2003) |
| Agente en cascada, objetivo de la boca al oído vs límite superior | 1.115 ms vs 1.400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Total del desglose de referencia de voz a voz | 1.293 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Tiempo medio hasta el primer audio del flujo de investigación para telecomunicaciones | 678 ms | Ethiraj et al., NetoAI, arXiv 2025 |
| Afirmación de detección de fin de turno de Flux | Alrededor de 260 ms | documentación de Deepgram Flux 2025 (afirmación del proveedor) |
| Tasa de interrupciones falsas, modelo antiguo vs nuevo de fin de turno, 14 idiomas | 18,66% vs 11,34% | LiveKit, 12 de diciembre de 2025 |
| Latencia de streaming medida de ElevenLabs Flash v2.5 | 197 ms | Vapi Humanness Index, junio de 2026 |
| Tiempo medio de respuesta de audio de GPT-4o | 320 ms | OpenAI, Hello GPT-4o 2024 (afirmación del proveedor) |
| Latencia práctica de Moshi | 200 ms | Kyutai, artículo de Moshi, arXiv 2024 |
| Latencia de alternancia de turnos, Gemini Live | 1,301 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Rango del tiempo medio hasta el primer audio en el índice | 0,44 s a 2,98 s | Artificial Analysis Speech to Speech Index, 23 de junio de 2026 |
| Usuarios a quienes menos gustó el agente de 6,5 s | 61,11% | Maslych et al., ACM CUI 2025 |
| Tiempo de respuesta medido de un agente en cascada de investigación antes del retraso añadido | 1,47 s | Maslych et al., ACM CUI 2025 |
| Proporción de silencio en el tiempo de conversación, sistema en cascada | 32,4% | Arora et al., Talking Turns, arXiv 2025 |
Metodología y Fuentes
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009.
- Levinson y Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015 (también es la fuente de las cifras de Heldner y Edlund 2010 y de Indefrey y Levelt 2004 que revisa).
- Templeton et al., Fast response times signal social connection in conversation, PNAS 2022.
- ITU-T, Recommendation G.114: One-way transmission time, mayo de 2003, en vigor.
- Twilio, A Guide to Core Latency in AI Voice Agents (Cascaded Edition), 17 de noviembre de 2025.
- Pipecat, Voice AI and Voice Agents guide, autor principal Kwindla Hultman Kramer, actualización de junio de 2026.
- Ethiraj et al., NetoAI, Toward Low-Latency End-to-End Voice Agents for Telecommunications, arXiv, 5 de agosto de 2025.
- Choudhary y Purwar, Sprinklr, i-LAVA: Insights on Low Latency Voice-2-Voice Architecture for Agents, arXiv, 25 de septiembre de 2025.
- Deepgram, Introducing Flux: Conversational Speech Recognition, 1 de octubre de 2025, y la documentación de inicio rápido de Flux (afirmaciones del proveedor y una encuesta del proveedor).
- LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%, 12 de diciembre de 2025 (banco de pruebas del proveedor).
- OpenAI, guía de detección de actividad de voz de la Realtime API y Hello GPT-4o, 2024 (afirmaciones del proveedor).
- ElevenLabs, documentación de latencia, 2026 (afirmación del proveedor).
- Vapi, Humanness Index, página de ElevenLabs Flash v2.5, comprobación de latencia el 10 de junio de 2026.
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue, arXiv 2024.
- Lin et al., Full-Duplex-Bench, arXiv 2025 (versión 3, 16 de agosto de 2025).
- Artificial Analysis, Announcing the Speech to Speech Index, 23 de junio de 2026, y la clasificación Speech to Speech actualizada en vivo.
- Maslych et al., Mitigating Response Delays in Free-Form Conversations with LLM-powered Intelligent Virtual Agents, ACM CUI 2025.
- Arora et al., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, arXiv 2025.
- Schoenenberg, Raake y Koeppe, International Journal of Human-Computer Studies 2014, según el resumen del autor principal en phys.org.
- Nota sobre los datos: la clasificación en vivo cambia entre actualizaciones; el 27 de octubre de 2026 mostraba a GPT-Realtime-2 (High) con 1,14 s hasta el primer audio, frente a 2,33 s en el anuncio del 23 de junio de 2026, y su definición (segundos para generar el primer token de audio en el conjunto Big Bench Audio) difiere de la pausa de turno de la boca al oído y de la latencia de alternancia de turnos de Full-Duplex-Bench, por lo que conviene comparar valores dentro de una misma fuente y no entre fuentes. La tabla de la guía de Pipecat suma 1.293 ms, mientras que su texto dice alrededor de 1.200 ms. Los objetivos por componente de la guía de agentes en cascada de la sección 3 (825 ms en total) no se concilian con su objetivo de 885 ms para la plataforma. Las cifras de los proveedores (fabricantes de reconocimiento de voz, detección de turnos, síntesis de voz y modelos en tiempo real) se identifican como afirmaciones del proveedor o bancos de pruebas ejecutados por el proveedor. Los estudios de alternancia de turnos de 2009 y 2015, la edición de 2003 de la G.114 y el estudio de retraso de 2014 tienen más de tres años, pero siguen siendo los datos más recientes disponibles para esas referencias. Ningún conjunto de datos público y revisado por pares vincula todavía la latencia medida de los agentes con el abandono real de llamadas.
- Última actualización: 27 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando Artificial Analysis publique la siguiente actualización de su Speech to Speech Index.