Sur 10 langues, les gens répondent à une question après un écart moyen de seulement 208 ms, alors que l’objectif de départ de Twilio pour un agent vocal IA en cascade est un écart de tour de parole de 1 115 ms de bouche à oreille, soit environ 5 fois plus long (1 115 ÷ 208 ≈ 5,4). La référence humaine est rapide parce que les auditeurs anticipent la fin d’un tour de parole : produire ne serait-ce qu’un seul mot prend environ 600 ms, la réponse est donc préparée pendant que l’autre personne parle encore (Levinson et Torreira, Frontiers in Psychology 2015). Les agents vocaux ne peuvent pas anticiper de la même façon ; ils attendent, transcrivent, réfléchissent et synthétisent à la suite, et le classement indépendant le plus récent affiche, pour les modèles parole-à-parole, un délai moyen avant le premier son de 0,44 s à 2,98 s (Artificial Analysis Speech to Speech Index 2026). Pour les centres de contact qui déploient l’automatisation, dont nous parlons dans nos statistiques sur l’automatisation des centres de contact par agents vocaux, la latence est la part de l’expérience que les appelants ressentent avant d’entendre le moindre mot utile. Nous avons agrégé des données issues des études PNAS sur l’alternance des tours de parole, de la norme internationale sur les délais téléphoniques, de guides d’ingénierie open source et de fournisseurs, de classements indépendants et de benchmarks de recherche publiés sur arXiv et à l’ACM CUI.
TL;DR
- Écart moyen avant une réponse sur 10 langues : 208 ms ; médiane de 100 ms (Stivers et al., PNAS 2009)
- 70% à 82% des transitions entre tours de parole en conversation durent moins de 500 ms (Heldner et Edlund 2010, passé en revue dans Frontiers in Psychology 2015)
- L’ITU-T G.114 fixe 400 ms comme plafond du délai unidirectionnel pour la planification des réseaux, avec moins de 150 ms essentiellement transparent (ITU-T G.114, 2003)
- Un agent vocal de recherche pour les télécoms a atteint en moyenne 678 ms avant le premier son sur 500 questions enregistrées (Ethiraj et al., NetoAI, arXiv 2025)
- Des extraits de conversation identiques ont paru plus connectés avec un écart moyen de 55,68 ms qu’avec 557,14 ms (Templeton et al., PNAS 2022)
- Deepgram revendique environ 260 ms de détection de fin de tour pour son modèle Flux (documentation Deepgram Flux 2025, affirmation du fournisseur)
- Le modèle de fin de tour mis à jour de LiveKit a fait passer les fausses interruptions de 18,66% à 11,34% sur 14 langues (LiveKit, 12 décembre 2025)
- ElevenLabs Flash v2.5 a été mesuré à 197 ms de latence médiane réseau compris, contre une affirmation de 75 ms d’inférence (Vapi Humanness Index, juin 2026)
- OpenAI a indiqué que les réponses audio de GPT-4o atteignaient en moyenne 320 ms, contre 5,4 s pour son ancien pipeline vocal GPT-4 (OpenAI, Hello GPT-4o 2024, affirmation du fournisseur)
- Gemini Live a mis 1,301 s pour prendre le tour de parole contre 0,265 s pour Moshi sur Full-Duplex-Bench (Lin et al., arXiv 2025)
- Les utilisateurs ont désigné l’agent à forte latence comme celui qu’ils aimaient le moins dans 61,11% des cas (Maslych et al., ACM CUI 2025)
1. La référence humaine : la vitesse d’alternance des tours de parole
La référence à laquelle tout agent vocal est comparé a été établie bien avant l’existence du logiciel. Dans la plus vaste comparaison interlinguistique du rythme de l’alternance des tours de parole, l’écart le plus fréquent entre une question et sa réponse était de 0 ms, et la médiane interlinguistique de 100 ms (Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009). Les locuteurs n’attendent pas le silence pour réagir ; ils lancent leur réponse au moment précis où la question se termine.
Cette vitesse relève de la planification, pas du réflexe. Les expériences de dénomination d’images situent le temps nécessaire pour produire un mot à environ 600 ms et une courte phrase à environ 1 500 ms, ce qui conduit les chercheurs à conclure que les auditeurs doivent prédire la fin d’un tour de parole et préparer la réponse en parallèle (Levinson et Torreira, Frontiers in Psychology 2015). Un agent vocal en cascade fait l’inverse : il attend que l’appelant s’arrête, puis déclenche toute la chaîne.
| Métrique | Valeur | Source |
|---|---|---|
| Écart moyen entre question et réponse, 10 langues combinées | 208 ms | Stivers et al., PNAS 2009 |
| Écart médian entre question et réponse, 10 langues combinées | 100 ms | Stivers et al., PNAS 2009 |
| Moyennes de la langue la plus rapide et de la plus lente (japonais et danois, respectivement) | 7 ms et 469 ms | Stivers et al., PNAS 2009 |
| Part des transitions entre tours de parole de moins de 500 ms | 70% à 82% | Heldner et Edlund 2010, passé en revue dans Levinson et Torreira, Frontiers in Psychology 2015 |
| Part des transferts de la parole qui chevauchent le locuteur précédent (corpus téléphonique Switchboard, 348 conversations) | 30,1% | Levinson et Torreira, Frontiers in Psychology 2015 |
| Temps nécessaire pour commencer à prononcer un seul mot désigné (dénomination d’images) | Environ 600 ms | Indefrey et Levelt 2004, passé en revue dans Levinson et Torreira, Frontiers in Psychology 2015 |
| Temps de réponse humain typique (modal) entre les tours de parole | Environ 200 ms | Templeton et al., PNAS 2022 |
Note de contexte : l’échantillon de 10 langues couvre 101 conversations sur 5 continents. L’article indique que les moyennes par langue se situent à environ 250 ms de part et d’autre de la moyenne interlinguistique, bien que le danois se situe environ 261 ms au-dessus (469 moins 208). Données disponibles les plus récentes : les études de 2009 et 2015 ci-dessus. Ces références évoluent lentement, leur ancienneté compte donc moins que pour les benchmarks de produits.
2. Limites de délai du réseau et de la téléphonie
Avant même qu’un modèle ne s’exécute, le réseau téléphonique consomme une partie du budget. Le « délai unidirectionnel » désigne ici le temps que met le son pour aller de la bouche du locuteur à l’oreille de l’auditeur dans un sens, et non un aller-retour. La Recommandation ITU-T G.114 indique qu’un délai unidirectionnel de 400 ms ne doit pas être dépassé pour la planification générale des réseaux, et que des délais maintenus sous 150 ms sont essentiellement transparents pour la plupart des applications (ITU-T G.114, One-way transmission time).
L’ère des agents vocaux renverse ces limites. La norme a été rédigée pour des appels entre humains où l’interlocuteur répond en environ 200 ms ; un agent qui a besoin d’une seconde pour réfléchir consomme plus du double de toute l’enveloppe réseau de 400 ms avant de dire un mot. Les chiffres de Twilio montrent la répartition : son objectif pour l’écart de tour de parole complet de bouche à oreille est de 1 115 ms et son objectif à l’intérieur de la plateforme d’agent est de 885 ms, ce qui suppose environ 230 ms de transit réseau et ligne téléphonique (1 115 moins 885).
| Métrique | Valeur | Source |
|---|---|---|
| Délai unidirectionnel maximal recommandé pour la planification générale des réseaux | 400 ms | ITU-T G.114 (05/2003) |
| Délai unidirectionnel en dessous duquel la plupart des applications vocales et non vocales sont perçues comme essentiellement transparentes | 150 ms | ITU-T G.114 (05/2003) |
| Délai VoIP de bouche à oreille attendu sur des routes intrarégionales de 5 000 km ou moins | Moins de 150 ms | ITU-T G.114 Annexe II |
| Délai VoIP de bouche à oreille sur les routes terrestres interrégionales du pire cas (27 500 km) | Un peu plus de 300 ms | ITU-T G.114 Annexe II |
| Aller-retour sur l’internet public vers un serveur de synthèse vocale, selon la distance | 20 à 200 ms | Documentation ElevenLabs sur la latence 2026 (fournisseur) |
Note de contexte : l’édition de mai 2003 est toujours indiquée comme en vigueur. Les délais inférieurs à 400 ms sont évalués avec le modèle E de la Recommandation G.107, une formule qui estime la qualité conversationnelle à partir du délai, et l’introduction note que les tâches très interactives peuvent être affectées par des délais inférieurs à 100 ms. Données disponibles les plus récentes : l’édition de 2003.
3. Le budget de latence d’un agent vocal en cascade
Un agent en cascade enchaîne trois modèles : la reconnaissance vocale (STT), un grand modèle de langage (LLM) et la synthèse vocale (TTS). Les objectifs par composant de Twilio totalisent 825 ms (350 + 375 + 100), mais leurs limites hautes totalisent 1 500 ms (500 + 750 + 250), ce qui signifie qu’une pile qui respecte simplement chaque limite peut tout de même dépasser le plafond de bout en bout de 1 400 ms (Twilio, A Guide to Core Latency in AI Voice Agents). Le guide les qualifie de « repères de départ, pas les meilleurs du secteur ».
La décomposition de référence du guide Pipecat montre où le temps passe réellement : la transcription avec détection de fin de parole, le délai du LLM avant le premier octet et le délai du TTS avant le premier octet représentent ensemble 1 070 ms sur un total de 1 293 ms, soit environ 83% (1 070 ÷ 1 293), tandis que toute la plomberie audio (microphone, codecs, tampons de gigue, haut-parleur) occupe le reste (Voice AI and Voice Agents guide). Un « tampon de gigue » est une courte file d’attente qui lisse l’arrivée irrégulière des paquets ; la décomposition y consacre 40 ms dans chaque sens. Un pipeline de recherche conçu pour des questions de télécommunications sur un seul GPU H100 a abouti dans la même fourchette (Ethiraj et al., arXiv 2508.04721).
| Métrique | Valeur | Source |
|---|---|---|
| Latence de la reconnaissance vocale, objectif contre limite haute | 350 ms contre 500 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Délai du LLM avant le premier jeton, objectif contre limite haute | 375 ms contre 750 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Délai de la synthèse vocale avant le premier octet, objectif contre limite haute | 100 ms contre 250 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Écart de tour de parole de bouche à oreille tel que perçu par l’appelant, objectif contre limite haute | 1 115 ms contre 1 400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Total voix-à-voix de référence, somme de 16 étapes du microphone au haut-parleur | 1 293 ms (le texte du guide indique environ 1 200 ms) | Guide Voice AI and Voice Agents, Pipecat 2026 |
| Latence voix-à-voix que le guide qualifie de cible importante | 1 500 ms | Guide Voice AI and Voice Agents, Pipecat 2026 |
| Délai moyen avant le premier son dans un pipeline télécoms, 500 questions enregistrées (min à max) | 678 ms (412 à 1 482 ms) | Ethiraj et al., NetoAI, arXiv 2025 |
| Temps de traitement moyen de bout en bout par énoncé dans le même pipeline télécoms | 934 ms | Ethiraj et al., NetoAI, arXiv 2025 |
Note sur les valeurs aberrantes : une équipe de recherche de Sprinklr a rapporté un premier segment audio « aussi bas que 640,9 ms » sur un GPU NVIDIA L4, mais 1 748,6 ms pour la même configuration sur un CPU, ce qui rappelle que le matériel seul peut plus que doubler le délai avant le premier son (Choudhary et Purwar, arXiv 2509.20971).
4. Détection de fin de parole et détection des tours de parole
La « détection de fin de parole » (endpointing) est la décision de l’agent selon laquelle l’appelant a fini de parler. C’est l’étape la plus souvent réglée à la main, car elle arbitre entre vitesse et impolitesse : si l’agent attend trop peu, il coupe la parole en pleine phrase ; s’il attend trop, l’appelant entend un silence mort. Le modèle de fin de tour mis à jour de LiveKit a fait passer le taux de fausses interruptions sur 14 langues de 18,66% à 11,34%, soit une réduction relative de 39,23%, sans augmentation de la latence de réponse (LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%).
Les chiffres des fournisseurs montrent quelle part du budget cette seule décision contrôle. Deepgram affirme que son modèle Flux peut réduire la latence de réponse de l’agent de 200 à 600 ms par rapport aux approches par pipeline, et qu’un signal précoce « eager » arrive 150 à 250 ms plus tôt au prix de 50% à 70% d’appels LLM supplémentaires (Deepgram, Introducing Flux). Ces appels supplémentaires sont le prix caché de la vitesse : l’agent commence à rédiger des réponses à des phrases que l’appelant n’a peut-être pas terminées. Le bruit de fond modifie aussi ces décisions, un sujet que nous suivons dans nos statistiques sur la latence de la suppression neuronale du bruit.
| Métrique | Valeur | Source |
|---|---|---|
| Latence de détection de fin de tour revendiquée pour Flux | Environ 260 ms | Documentation Deepgram Flux 2025 (affirmation du fournisseur) |
| Latence de fin de tour de Flux aux 90e et 95e centiles | 1 s et 1,5 s | Deepgram, Introducing Flux, 1er octobre 2025 (affirmation du fournisseur) |
| Réduction des fausses interruptions revendiquée pour Flux | Environ 30% | Deepgram, Introducing Flux 2025 (affirmation du fournisseur) |
| Taux de fausses interruptions, 14 langues, ancien contre nouveau modèle LiveKit (à un taux de vrais positifs fixe de 99,3%) | 18,66% contre 11,34% | LiveKit, 12 décembre 2025 |
| Taux de fausses interruptions, anglais, ancien contre nouveau modèle LiveKit | 16,6% contre 13,0% | LiveKit, 12 décembre 2025 |
| Silence que la configuration VAD du serveur d’exemple attend avant de mettre fin à un tour | 500 ms | Guide OpenAI Realtime VAD 2026 |
Note de contexte : le VAD (détection d’activité vocale) est le détecteur simple qui entend si quelqu’un parle ; la valeur de 500 ms est la configuration d’exemple du guide Realtime VAD d’OpenAI, et non une valeur par défaut déclarée. Une simple règle de silence fixe de 500 ms représente déjà plus du double de l’écart moyen humain de 208 ms de la section 1.
5. Délai du LLM avant le premier jeton et délai du TTS avant le premier son
Une fois le tour terminé, le modèle doit commencer à parler. La règle empirique du guide Pipecat est qu’un délai du LLM avant le premier jeton de 600 ms ou moins est suffisamment rapide pour la plupart des usages vocaux, et seuls deux des quatre modèles hébergés qu’il liste atteignent ce seuil à la médiane, alors qu’aucun ne l’atteint au 95e centile (Voice AI and Voice Agents guide). Le délai avant le premier jeton (TTFT) est le temps que met le modèle de langage à émettre le premier morceau de sa réponse. La queue de distribution compte plus que la médiane sur une ligne téléphonique, car un appelant se souvient de l’unique silence de 1,7 s, pas de la moyenne.
La synthèse vocale est désormais la plus petite tranche, mais les chiffres des fournisseurs et les chiffres mesurés divergent. ElevenLabs indique que ses modèles Flash atteignent environ 75 ms d’inférence du modèle, en excluant explicitement le réseau et la charge applicative (documentation ElevenLabs sur la latence), tandis qu’une exécution tierce de 50 essais de streaming en direct depuis une machine de benchmark a mesuré une médiane de 197 ms (Vapi Humanness Index). Les équipes qui comparent des moteurs de synthèse, y compris pour un générateur de voix IA, devraient demander lequel de ces deux chiffres figure sur une fiche technique.
| Métrique | Valeur | Source |
|---|---|---|
| GPT-4.1, délai avant le premier jeton, médiane contre 95e centile | 536 ms contre 1 771 ms | Guide Voice AI and Voice Agents, Pipecat 2026 |
| Gemini 2.5 Flash, délai avant le premier jeton, médiane contre 95e centile | 597 ms contre 1 137 ms | Guide Voice AI and Voice Agents, Pipecat 2026 |
| Claude 4.5 Haiku, délai avant le premier jeton, médiane contre 95e centile | 637 ms contre 1 615 ms | Guide Voice AI and Voice Agents, Pipecat 2026 |
| GPT-5.1, délai avant le premier jeton, médiane contre 95e centile | 739 ms contre 1 492 ms | Guide Voice AI and Voice Agents, Pipecat 2026 |
| ElevenLabs Flash v2.5, affirmation d’inférence contre latence de streaming mesurée réseau compris | 75 ms contre 197 ms | Documentation ElevenLabs 2026 (affirmation du fournisseur) ; Vapi Humanness Index, 10 juin 2026 |
| Cartesia Sonic 3.5, latence de streaming mesurée | 128 ms | Vapi Humanness Index 2026 |
| ElevenLabs Multilingual v2, latence de streaming mesurée | 1 006 ms | Vapi Humanness Index 2026 |
Note de contexte : Vapi exploite une plateforme d’agents vocaux, pas un moteur de synthèse vocale, mais son indice reste un benchmark mené par la plateforme. La page ne donne la méthode des 50 essais que pour Flash v2.5, les autres valeurs mesurées peuvent donc ne pas être directement comparables. ElevenLabs note aussi qu’un tampon de lecteur audio de 500 ms est « courant », ce qui peut annuler l’essentiel de l’avantage d’un modèle rapide côté client.
6. Latence mesurée des modèles parole-à-parole et full-duplex
Les modèles parole-à-parole évitent les transferts par le texte, et les modèles full-duplex écoutent et parlent en même temps ; en théorie, ils devraient donc combler l’écart avec le rythme humain. Moshi, de Kyutai, annonce une latence théorique de 160 ms et de 200 ms en pratique (Kyutai, Moshi, arXiv 2410.00037), et un benchmark indépendant l’a mesuré prenant le tour de parole après 0,265 s (Lin et al., Full-Duplex-Bench, arXiv 2503.04721).
Les modèles commerciaux sont beaucoup plus dispersés. Dans l’indice d’Artificial Analysis du 23 juin 2026, le délai moyen avant le premier son allait de 0,44 s à 2,98 s ; les deux entrées les plus lentes étaient des réglages de raisonnement « High », et l’une d’elles, GPT-Realtime-2 (High) à 2,33 s, affichait le meilleur score de l’indice, 77,2% (Artificial Analysis, Speech to Speech Index). La vitesse et l’intelligence tirent encore dans des directions opposées. Le sous-titrage en direct se heurte à un compromis similaire entre vitesse et précision, que nous suivons dans nos statistiques sur la latence du sous-titrage en temps réel.
| Métrique | Valeur | Source |
|---|---|---|
| Temps de réponse de GPT-4o à une entrée audio, le plus rapide contre la moyenne | 232 ms contre 320 ms | OpenAI, Hello GPT-4o 2024 (affirmation du fournisseur) |
| Latence moyenne du pipeline précédent de ChatGPT Voice Mode, GPT-3.5 contre GPT-4 | 2,8 s contre 5,4 s | OpenAI, Hello GPT-4o 2024 (affirmation du fournisseur) |
| Latence de Moshi, théorique contre pratique | 160 ms contre 200 ms | Kyutai, article sur Moshi, arXiv 2024 |
| Temps pour prendre le tour de parole après que l’utilisateur a cessé de parler (jeu de données de conversations CANDOR), Moshi contre Gemini Live | 0,265 s contre 1,301 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Temps pour répondre après une interruption de l’utilisateur, Moshi contre Gemini Live | 0,257 s contre 1,183 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Délai moyen avant le premier son, modèle le plus rapide de l’indice (Deepslate Opal) | 0,44 s | Artificial Analysis Speech to Speech Index, 23 juin 2026 |
| Délai moyen avant le premier son, GPT-Realtime-1.5 | 0,82 s | Artificial Analysis Speech to Speech Index, 23 juin 2026 |
| Délai moyen avant le premier son, Gemini 3.1 Flash Live Preview (High) | 2,98 s | Artificial Analysis Speech to Speech Index, 23 juin 2026 |
Note sur les valeurs aberrantes : les chiffres d’OpenAI sont une affirmation de lancement issue de l’annonce du modèle, et non une mesure indépendante, et ils utilisent une métrique différente de celle des lignes du classement du même tableau ; les deux ne doivent donc pas être comparés directement. Moshi est rapide mais n’est pas un modèle de centre de contact : il prend la parole dans 98,5% des cas de pause synthétique, c’est-à-dire qu’il s’immisce quand l’utilisateur n’a fait que marquer une pause (Full-Duplex-Bench).
7. Ce que la latence fait aux appelants et aux conversations
La vitesse n’est pas une métrique de vanité. Dans une étude d’écoute contrôlée avec 450 auditeurs, des extraits de conversation identiques, montés pour avoir un écart moyen de 55,68 ms, ont été jugés plus connectés que les mêmes extraits à 557,14 ms, avec une connexion F(2, 2,344.3) = 28.51, P < 0.001 (Templeton et al., PNAS 2022). Les auditeurs lisent le rythme comme un signal social, et un agent lent envoie le mauvais.
Pour les agents IA en particulier, une étude de 54 personnes sur des agents virtuels a constaté que chaque niveau de délai nuisait à la vitesse perçue, et les auteurs concluent qu’une latence supérieure à 4 secondes dégrade la qualité de l’expérience ; des interjections orales naturelles ont amélioré la vitesse de réponse perçue à 4,0 s et 6,5 s, tandis qu’une icône de chargement et un son artificiels ne l’ont pas fait (Maslych et al., ACM CUI 2025). Le silence change aussi le sens : les recherches sur la conversation associent les écarts de 700 ms ou plus à des réponses dispréférées (des réponses comme un refus ou un désaccord), si bien qu’un agent avec une pause d’une seconde risque de paraître hésitant même quand la réponse est oui. Une comparaison de modèles de fondation audio a constaté que le silence représentait 32,4% du temps de conversation avec un système en cascade contre 11,8% avec Moshi (Arora et al., Talking Turns, arXiv 2503.01174).
| Métrique | Valeur | Source |
|---|---|---|
| Utilisateurs ayant choisi l’agent à faible latence (1,5 s) comme celui qu’ils aimaient le plus | 57,41%, χ²(2, N = 54) = 14.12, p < 0.0001 | Maslych et al., ACM CUI 2025 |
| Utilisateurs ayant choisi l’agent à forte latence (6,5 s) comme celui qu’ils aimaient le moins | 61,11%, χ²(2, N = 54) = 19.0, p < 0.0001 | Maslych et al., ACM CUI 2025 |
| Temps de réponse mesuré de l’agent en cascade propre à l’étude avant le délai ajouté | 1,47 s en moyenne | Maslych et al., ACM CUI 2025 |
| Durée d’écart associée aux réponses dispréférées (négatives) dans la conversation humaine | 700 ms ou plus | Levinson et Torreira, Frontiers in Psychology 2015 (revue de littérature) |
| Part du temps de conversation passée en silence, système en cascade contre Moshi | 32,4% contre 11,8% | Arora et al., Talking Turns, arXiv 2025 |
| Délai de transmission ajouté à partir duquel les interlocuteurs étaient jugés moins attentifs, moins amicaux et moins autodisciplinés que sans délai | 1,2 s | Schoenenberg, Raake et Koeppe, International Journal of Human-Computer Studies 2014 |
| Développeurs d’IA vocale très satisfaits de la qualité de la conversation (enquête auprès de 40) | 2% | Deepgram, Introducing Flux 2025 (enquête du fournisseur) |
| Développeurs d’IA vocale signalant des problèmes de fluidité de la conversation allant de perceptibles à majeurs (enquête auprès de 40) | 61% | Deepgram, Introducing Flux 2025 (enquête du fournisseur) |
Note de contexte : le résultat sur le délai de 1,2 s provient du résumé de l’étude fait par son auteur principal (phys.org, mai 2014) ; données disponibles les plus récentes : Schoenenberg et al., 2014. Nous n’avons trouvé aucun jeu de données 2025 ou 2026 évalué par des pairs qui relie la latence mesurée d’un agent à des taux réels d’abandon d’appels, de sorte que les éléments de satisfaction ci-dessus proviennent d’études contrôlées et non de journaux d’appels en production.
Résumé : la latence des agents vocaux IA en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Écart moyen entre question et réponse, 10 langues | 208 ms | Stivers et al., PNAS 2009 |
| Transitions entre tours de parole de moins de 500 ms | 70% à 82% | Heldner et Edlund 2010, via Frontiers in Psychology 2015 |
| Temps pour commencer à prononcer un seul mot | Environ 600 ms | Levinson et Torreira, Frontiers in Psychology 2015 |
| Écart moyen dans les extraits jugés plus connectés contre les mêmes extraits jugés moins connectés | 55,68 ms contre 557,14 ms | Templeton et al., PNAS 2022 |
| Délai unidirectionnel maximal pour la planification des réseaux | 400 ms | ITU-T G.114 (05/2003) |
| Agent en cascade, objectif de bouche à oreille contre limite haute | 1 115 ms contre 1 400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Total de la décomposition voix-à-voix de référence | 1 293 ms | Guide Voice AI and Voice Agents, Pipecat 2026 |
| Délai moyen avant le premier son du pipeline de recherche télécoms | 678 ms | Ethiraj et al., NetoAI, arXiv 2025 |
| Détection de fin de tour revendiquée pour Flux | Environ 260 ms | Documentation Deepgram Flux 2025 (affirmation du fournisseur) |
| Taux de fausses interruptions, ancien contre nouveau modèle de fin de tour, 14 langues | 18,66% contre 11,34% | LiveKit, 12 décembre 2025 |
| Latence de streaming mesurée d’ElevenLabs Flash v2.5 | 197 ms | Vapi Humanness Index, juin 2026 |
| Temps de réponse audio moyen de GPT-4o | 320 ms | OpenAI, Hello GPT-4o 2024 (affirmation du fournisseur) |
| Latence pratique de Moshi | 200 ms | Kyutai, article sur Moshi, arXiv 2024 |
| Latence de prise de tour de parole, Gemini Live | 1,301 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Plage du délai moyen avant le premier son dans l’indice | 0,44 s à 2,98 s | Artificial Analysis Speech to Speech Index, 23 juin 2026 |
| Utilisateurs ayant le moins aimé l’agent à 6,5 s | 61,11% | Maslych et al., ACM CUI 2025 |
| Temps de réponse mesuré d’un agent en cascade de recherche avant le délai ajouté | 1,47 s | Maslych et al., ACM CUI 2025 |
| Part de silence dans le temps de conversation, système en cascade | 32,4% | Arora et al., Talking Turns, arXiv 2025 |
Méthodologie et sources
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009.
- Levinson et Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015 (également la source des chiffres de Heldner et Edlund 2010 et d’Indefrey et Levelt 2004 qu’il passe en revue).
- Templeton et al., Fast response times signal social connection in conversation, PNAS 2022.
- ITU-T, Recommendation G.114: One-way transmission time, mai 2003, en vigueur.
- Twilio, A Guide to Core Latency in AI Voice Agents (Cascaded Edition), 17 novembre 2025.
- Pipecat, Voice AI and Voice Agents guide, auteur principal Kwindla Hultman Kramer, mise à jour de juin 2026.
- Ethiraj et al., NetoAI, Toward Low-Latency End-to-End Voice Agents for Telecommunications, arXiv, 5 août 2025.
- Choudhary et Purwar, Sprinklr, i-LAVA: Insights on Low Latency Voice-2-Voice Architecture for Agents, arXiv, 25 septembre 2025.
- Deepgram, Introducing Flux: Conversational Speech Recognition, 1er octobre 2025, et documentation de démarrage rapide de Flux (affirmations du fournisseur et enquête du fournisseur).
- LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%, 12 décembre 2025 (benchmark du fournisseur).
- OpenAI, Realtime API voice activity detection guide et Hello GPT-4o, 2024 (affirmations du fournisseur).
- ElevenLabs, Latency documentation, 2026 (affirmation du fournisseur).
- Vapi, Humanness Index, page ElevenLabs Flash v2.5, vérification de la latence le 10 juin 2026.
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue, arXiv 2024.
- Lin et al., Full-Duplex-Bench, arXiv 2025 (version 3, 16 août 2025).
- Artificial Analysis, Announcing the Speech to Speech Index, 23 juin 2026, et le classement Speech to Speech en direct.
- 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 et Koeppe, International Journal of Human-Computer Studies 2014, tel que résumé par l’auteur principal sur phys.org.
- Note sur les données : le classement en direct évolue entre les mises à jour ; le 27 octobre 2026, il affichait GPT-Realtime-2 (High) à 1,14 s de délai avant le premier son, contre 2,33 s dans l’annonce du 23 juin 2026, et sa définition (secondes pour générer le premier jeton audio sur le jeu Big Bench Audio) diffère d’un écart de tour de parole de bouche à oreille ou de la latence de prise de tour de parole de Full-Duplex-Bench, il faut donc comparer les valeurs au sein d’une même source, pas entre sources. Le tableau du guide Pipecat totalise 1 293 ms alors que son texte indique environ 1 200 ms. Les objectifs par composant du guide d’agent en cascade de la section 3 (825 ms au total) ne sont pas réconciliés avec son objectif de plateforme de 885 ms. Les chiffres des fournisseurs (reconnaissance vocale, détection de tours de parole, synthèse vocale et éditeurs de modèles en temps réel) sont signalés comme des affirmations du fournisseur ou des benchmarks menés par le fournisseur. Les études de 2009 et 2015 sur l’alternance des tours de parole, l’édition 2003 de la G.114 et l’étude de 2014 sur les délais ont plus de trois ans mais restent les données disponibles les plus récentes pour ces références. Aucun jeu de données public évalué par des pairs ne relie encore la latence mesurée des agents à des taux réels d’abandon d’appels.
- Dernière mise à jour : 27 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsqu’Artificial Analysis publiera la prochaine mise à jour de son Speech to Speech Index.