10言語を通じて、人間は質問に対して平均わずか208 msのギャップで答える一方、Twilioがカスケード型の音声AIエージェントに示す開始目標は、口から耳までのターン間ギャップで1,115 msであり、およそ5倍の長さになる(1,115 ÷ 208 ≈ 5.4)。 人間の基準が速いのは、聞き手がターンの終わりを予測しているからだ。単語ひとつを発話するだけでも約600 msかかるため、相手がまだ話している間に返答が準備される(LevinsonとTorreira、Frontiers in Psychology 2015)。音声エージェントは同じように予測できないので、待ち、文字起こしし、考え、合成する工程を順に進める。直近の独立したリーダーボードでは、音声から音声へのモデルの最初の音声までの平均時間は0.44 sから2.98 sに及ぶ(Artificial Analysis Speech to Speech Index 2026)。自動化を導入するコンタクトセンターにとって、これは当社の音声エージェントによるコンタクトセンター自動化の統計で取り上げているとおり、通話者が有用な言葉をひとつも聞く前に体感する部分が遅延である。ここでは、PNASのターンテイキング研究、国際的な電話遅延規格、オープンソースおよびベンダーのエンジニアリングガイド、独立したリーダーボード、arXivおよびACM CUIで発表された研究ベンチマークのデータを集約した。
主なポイント
- 10言語における回答前の平均ギャップ:208 ms、中央値100 ms(Stiversら、PNAS 2009)
- 会話におけるターン交替の70%から82%は500 ms未満(HeldnerとEdlund 2010、Frontiers in Psychology 2015でレビュー)
- ITU-T G.114はネットワーク計画の片道遅延の上限を400 msとし、150 ms未満は実質的に透明(ITU-T G.114, 2003)
- 通信分野の研究用音声エージェントは、500件の録音された質問で最初の音声まで平均678 ms(Ethirajら、NetoAI、arXiv 2025)
- 同一の会話クリップは、平均ギャップ557.14 msより55.68 msの方がより一体感があると感じられた(Templetonら、PNAS 2022)
- Deepgramは、Fluxモデルでおよそ260 msのターン終了検出を謳っている(Deepgram Flux documentation 2025、ベンダーの主張)
- LiveKitの更新版ターン終了モデルは、14言語で誤った割り込みを18.66%から11.34%に減らした(LiveKit、2025年12月12日)
- ElevenLabs Flash v2.5は、推論75 msという主張に対し、ネットワークを含む中央値197 msと測定された(Vapi Humanness Index、2026年6月)
- OpenAIは、GPT-4oの音声応答が平均320 msで、従来のGPT-4の音声パイプラインの5.4 sに対して速いと報告した(OpenAI, Hello GPT-4o 2024、ベンダーの主張)
- Full-Duplex-Benchで、ターンを取るまでにGemini Liveは1.301 s、Moshiは0.265 sかかった(Linら、arXiv 2025)
- ユーザーが最も好まなかったエージェントとして高遅延のエージェントを選んだ割合は61.11%(Maslychら、ACM CUI 2025)
1. 人間の基準:人はどれくらい速く発話を交替するか
あらゆる音声エージェントが比較される基準は、ソフトウェアが存在するずっと前に決まっていた。ターンのタイミングに関する言語横断で最大規模の比較では、質問と回答の間で最も多かったギャップは0 msで、言語横断の中央値は100 msだった(Stiversら、Universals and cultural variation in turn-taking in conversation、PNAS 2009)。話し手は沈黙を待ってから反応するのではなく、質問が終わる瞬間に回答を始める。
この速さは反射ではなく、計画の技である。絵の命名実験では、単語ひとつの産出に約600 ms、短い文に約1,500 msかかるとされており、研究者は、聞き手がターンの終わりを予測し、並行して返答を準備しているに違いないと結論づけている(LevinsonとTorreira、Frontiers in Psychology 2015)。カスケード型の音声エージェントはその逆で、通話者が話し終えるのを待ってから、一連の処理全体を開始する。
| 指標 | 値 | 出典 |
|---|---|---|
| 質問と回答の間の平均ギャップ、10言語全体 | 208 ms | Stiversら、PNAS 2009 |
| 質問と回答の間のギャップの中央値、10言語全体 | 100 ms | Stiversら、PNAS 2009 |
| 言語別平均の最速と最遅(日本語対デンマーク語) | 7 ms対469 ms | Stiversら、PNAS 2009 |
| 500 ms未満のターン交替の割合 | 70%から82% | HeldnerとEdlund 2010、LevinsonとTorreira、Frontiers in Psychology 2015でレビュー |
| 直前の話し手と重なる発話権の交替の割合(Switchboard電話コーパス、348会話) | 30.1% | LevinsonとTorreira、Frontiers in Psychology 2015 |
| 名前を言う単語ひとつを話し始めるのに必要な時間(絵の命名) | 約600 ms | IndefreyとLevelt 2004、LevinsonとTorreira、Frontiers in Psychology 2015でレビュー |
| ターン間の典型的な(最頻の)人間の応答時間 | 約200 ms | Templetonら、PNAS 2022 |
補足:10言語のサンプルは5大陸の101会話を対象としている。論文によれば、言語別の平均は言語横断の平均の前後およそ250 ms以内に収まるが、デンマーク語はそれを約261 ms上回っている(469から208を引いた値)。入手可能な最新データ:上記の2009年と2015年の研究。これらの基準はゆっくりとしか変化しないため、製品ベンチマークほど古さは問題にならない。
2. ネットワークと電話の遅延限界
どのモデルが動くよりも前に、電話網が予算の一部を使い切る。ここでいう「片道遅延」とは、話し手の口から聞き手の耳まで一方向に音が伝わるのにかかる時間のことで、往復ではない。ITU-T勧告G.114は、一般的なネットワーク計画では片道遅延400 msを超えるべきではなく、150 ms未満に保たれた遅延はほとんどの用途で実質的に透明であるとしている(ITU-T G.114, One-way transmission time)。
音声エージェントの時代は、これらの限界をひっくり返す。この規格は、相手側が約200 msで答える人間同士の通話を想定して書かれた。考えるのに1秒を要するエージェントは、言葉を発する前に、400 msというネットワーク全体の許容量の2倍以上を使ってしまう。Twilio自身の数値がその内訳を示している。ターン間ギャップ全体(口から耳まで)の目標は1,115 ms、エージェントプラットフォーム内の目標は885 msで、これはネットワークと電話回線の伝送に約230 msがかかることを意味する(1,115から885を引いた値)。
| 指標 | 値 | 出典 |
|---|---|---|
| 一般的なネットワーク計画で推奨される片道遅延の最大値 | 400 ms | ITU-T G.114 (05/2003) |
| これを下回ると、ほとんどの音声およびそれ以外の用途で実質的に透明に感じられる片道遅延 | 150 ms | ITU-T G.114 (05/2003) |
| 5,000 km以下の地域内経路で想定されるVoIPの口から耳までの遅延 | 150 ms未満 | ITU-T G.114 付録II |
| 最悪ケースの地域間の地上経路(27,500 km)でのVoIPの口から耳までの遅延 | 300 msをわずかに上回る | ITU-T G.114 付録II |
| 音声合成サーバーまでの公衆インターネットの往復時間、距離による | 20から200 ms | ElevenLabs latency documentation 2026(ベンダー) |
補足:2003年5月版は現在も有効として掲載されている。400 ms未満の遅延は、遅延から会話品質を推定する式である勧告G.107のEモデルで評価され、序文には、非常に対話性の高いタスクは100 ms未満の遅延でも影響を受ける可能性があると記されている。入手可能な最新データ:2003年版。
3. カスケード型音声エージェントの遅延バジェット
カスケード型エージェントは3つのモデルを連結する。音声からテキストへ(STT)、大規模言語モデル(LLM)、テキストから音声へ(TTS)である。Twilioの構成要素ごとの目標は合計825 ms(350 + 375 + 100)になるが、上限は合計1,500 ms(500 + 750 + 250)になる。つまり、各上限の範囲内に収まっているだけのスタックでも、エンドツーエンドの上限1,400 msを大きく超えうる(Twilio, A Guide to Core Latency in AI Voice Agents)。このガイドは、これらを「最高水準ではなく、開始時のベンチマーク」と位置づけている。
Pipecatのガイドの基準となる内訳は、時間が実際にどこに使われるかを示している。エンドポイント検出を伴う文字起こし、LLMの最初のバイトまでの時間、TTSの最初のバイトまでの時間の合計が、全体の1,293 msのうち1,070 ms、約83%(1,070 ÷ 1,293)を占め、音声まわりの処理(マイク、コーデック、ジッタバッファ、スピーカー)が残りを占める(Voice AI and Voice Agents guide)。「ジッタバッファ」とは、不揃いなパケットの到着をならす短い待機キューのことで、この内訳では各方向に1つずつで40 msを費やしている。H100 GPU 1基で構築された通信分野の質問向け研究用パイプラインも、同じ範囲に収まった(Ethirajら、arXiv 2508.04721)。
| 指標 | 値 | 出典 |
|---|---|---|
| 音声からテキストへの遅延、目標対上限 | 350 ms対500 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| LLMの最初のトークンまでの時間、目標対上限 | 375 ms対750 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| テキストから音声への最初のバイトまでの時間、目標対上限 | 100 ms対250 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| 通話者が体感する口から耳までのターン間ギャップ、目標対上限 | 1,115 ms対1,400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| 基準となる音声から音声までの合計、マイクからスピーカーまでの16段階の合算 | 1,293 ms(ガイド本文では約1,200 ms) | Voice AI and Voice Agents guide、Pipecat 2026 |
| ガイドが重要な目標とする音声から音声までの遅延 | 1,500 ms | Voice AI and Voice Agents guide、Pipecat 2026 |
| 通信分野のパイプラインにおける最初の音声までの平均時間、500件の録音された質問(最小から最大) | 678 ms(412から1,482 ms) | Ethirajら、NetoAI、arXiv 2025 |
| 同じ通信分野のパイプラインにおける1発話あたりのエンドツーエンドの平均処理時間 | 934 ms | Ethirajら、NetoAI、arXiv 2025 |
外れ値に関する補足:Sprinklrの研究チームは、NVIDIA L4 GPUで最初の音声チャンクが「最短640.9 ms」だったと報告したが、同じ設定をCPUで実行すると1,748.6 msだった。ハードウェアだけで最初の音声までの時間が2倍以上になりうることを示している(ChoudharyとPurwar、arXiv 2509.20971)。
4. エンドポインティングとターン検出
「エンドポインティング」とは、通話者が話し終えたとエージェントが判断することである。速さと無作法さの間でトレードオフになるため、人手で最も調整されることの多い段階だ。待つ時間が短すぎればエージェントは人の発話を途中で遮り、長すぎれば通話者は無音の時間を聞くことになる。LiveKitの更新版ターン終了モデルは、14言語における誤った割り込みの割合を18.66%から11.34%へ、相対で39.23%減らし、応答遅延は増えなかった(LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%)。
ベンダーの数値は、この一つの判断が予算のどれほどを左右するかを示している。Deepgramは、Fluxモデルがパイプライン方式と比べてエージェントの応答遅延を200から600 ms短縮でき、「積極的な」早期シグナルが150から250 ms早く届く代わりにLLM呼び出しが50から70%増えると主張している(Deepgram, Introducing Flux)。この追加の呼び出しこそ、速さの隠れた代償である。エージェントは、通話者がまだ言い終えていないかもしれない文に対する回答を書き始めてしまう。背景ノイズもこうした判断を左右する。この話題はニューラルノイズ抑制の遅延統計で追跡している。
| 指標 | 値 | 出典 |
|---|---|---|
| Fluxで謳われているターン終了検出の遅延 | 約260 ms | Deepgram Flux documentation 2025(ベンダーの主張) |
| Fluxのターン終了遅延、90パーセンタイルと95パーセンタイル | 1 sと1.5 s | Deepgram, Introducing Flux、2025年10月1日(ベンダーの主張) |
| Fluxで謳われている誤った割り込みの削減率 | 約30% | Deepgram, Introducing Flux 2025(ベンダーの主張) |
| 誤った割り込みの割合、全14言語、LiveKitの旧モデル対新モデル(真陽性率99.3%で固定) | 18.66%対11.34% | LiveKit、2025年12月12日 |
| 誤った割り込みの割合、英語、LiveKitの旧モデル対新モデル | 16.6%対13.0% | LiveKit、2025年12月12日 |
| サーバーVADの設定例が、ターンを終了する前に待つ無音の長さ | 500 ms | OpenAI Realtime VAD guide 2026 |
補足:VAD(音声区間検出)とは、誰かが話しているかどうかを聞き分ける単純な検出器である。500 msという値は、OpenAIのRealtime VADガイドに載っているサンプル設定であり、規定のデフォルト値ではない。500 msの固定の無音ルールだけでも、セクション1の人間の平均ギャップ208 msの2倍を超えている。
5. LLMの最初のトークンまでの時間とTTSの最初の音声までの時間
ターンが終わると、モデルは話し始めなければならない。Pipecatのガイドの経験則は、LLMの最初のトークンまでの時間が600 ms以下であればほとんどの音声ユースケースに十分速いというもので、同ガイドが挙げるホスト型の4モデルのうち、中央値でこの基準を満たすのは2つだけで、95パーセンタイルで満たすものはない(Voice AI and Voice Agents guide)。最初のトークンまでの時間(TTFT)とは、言語モデルが回答の最初の断片を出力するまでにかかる時間である。電話回線では、中央値よりもテールの方が重要だ。通話者が覚えているのは平均ではなく、1.7 sの沈黙という一度きりの出来事だからだ。
音声合成は今や最小の部分だが、ベンダーの数値と実測値は食い違っている。ElevenLabsは、Flashモデルが約75 msのモデル推論に達するとしており、ネットワークとアプリケーションのオーバーヘッドは明示的に除外している(ElevenLabs latency documentation)。一方、ベンチマーク用マシンから50回のライブストリーミング試行を行った第三者の測定では、中央値は197 msだった(Vapi Humanness Index)。AI音声ジェネレーターを含め、音声合成エンジンを比較するチームは、仕様書がこの2つのどちらの数値を載せているのかを確認すべきだ。
| 指標 | 値 | 出典 |
|---|---|---|
| GPT-4.1の最初のトークンまでの時間、中央値対95パーセンタイル | 536 ms対1,771 ms | Voice AI and Voice Agents guide、Pipecat 2026 |
| Gemini 2.5 Flashの最初のトークンまでの時間、中央値対95パーセンタイル | 597 ms対1,137 ms | Voice AI and Voice Agents guide、Pipecat 2026 |
| Claude 4.5 Haikuの最初のトークンまでの時間、中央値対95パーセンタイル | 637 ms対1,615 ms | Voice AI and Voice Agents guide、Pipecat 2026 |
| GPT-5.1の最初のトークンまでの時間、中央値対95パーセンタイル | 739 ms対1,492 ms | Voice AI and Voice Agents guide、Pipecat 2026 |
| ElevenLabs Flash v2.5、推論の主張対ネットワークを含むストリーミング遅延の実測 | 75 ms対197 ms | ElevenLabs documentation 2026(ベンダーの主張)、Vapi Humanness Index、2026年6月10日 |
| Cartesia Sonic 3.5、ストリーミング遅延の実測 | 128 ms | Vapi Humanness Index 2026 |
| ElevenLabs Multilingual v2、ストリーミング遅延の実測 | 1,006 ms | Vapi Humanness Index 2026 |
補足:Vapiは音声合成エンジンではなく音声エージェントプラットフォームを運営しているが、その指数はやはりプラットフォームが実施するベンチマークである。ページに50回の試行という手法が記されているのはFlash v2.5のみなので、他の実測値は直接比較できない可能性がある。またElevenLabsは、500 msのオーディオプレーヤーバッファが「一般的」であり、クライアント側では高速なモデルの利点の大半を打ち消しうると指摘している。
6. 音声から音声へのモデルと全二重モデルの実測遅延
音声から音声へのモデルはテキストの受け渡しを省き、全二重モデルは聞きながら同時に話すため、理論上は人間のタイミングとの差を縮められるはずだ。KyutaiのMoshiは、理論上の遅延を160 ms、実際には200 msと報告している(Kyutai, Moshi, arXiv 2410.00037)。独立したベンチマークでは、ターンを取るまでに0.265 sかかると測定された(Linら、Full-Duplex-Bench, arXiv 2503.04721)。
商用モデルのばらつきははるかに大きい。2026年6月23日のArtificial Analysisの指数では、最初の音声までの平均時間は0.44 sから2.98 sに及んだ。最も遅い2つのエントリーは「High」の推論設定で、そのうちGPT-Realtime-2 (High)は2.33 sで、指数の最高スコア77.2%を記録した(Artificial Analysis, Speech to Speech Index)。速さと賢さは、依然として逆方向に引き合っている。ライブ字幕も同様の速度と精度のトレードオフに直面しており、これはリアルタイム字幕の遅延統計で追跡している。
| 指標 | 値 | 出典 |
|---|---|---|
| GPT-4oの音声入力に対する応答時間、最速対平均 | 232 ms対320 ms | OpenAI, Hello GPT-4o 2024(ベンダーの主張) |
| 従来のChatGPT音声モードのパイプラインの平均遅延、GPT-3.5対GPT-4 | 2.8 s対5.4 s | OpenAI, Hello GPT-4o 2024(ベンダーの主張) |
| Moshiの遅延、理論値対実測値 | 160 ms対200 ms | Kyutai、Moshi論文、arXiv 2024 |
| ユーザーが話し終えてからターンを取るまでの時間(CANDOR会話データセット)、Moshi対Gemini Live | 0.265 s対1.301 s | Linら、Full-Duplex-Bench、arXiv 2025 |
| ユーザーの割り込み後に応答するまでの時間、Moshi対Gemini Live | 0.257 s対1.183 s | Linら、Full-Duplex-Bench、arXiv 2025 |
| 最初の音声までの平均時間、指数で最速のモデル(Deepslate Opal) | 0.44 s | Artificial Analysis Speech to Speech Index、2026年6月23日 |
| 最初の音声までの平均時間、GPT-Realtime-1.5 | 0.82 s | Artificial Analysis Speech to Speech Index、2026年6月23日 |
| 最初の音声までの平均時間、Gemini 3.1 Flash Live Preview (High) | 2.98 s | Artificial Analysis Speech to Speech Index、2026年6月23日 |
外れ値に関する補足:OpenAIの数値はモデル発表時の公表値であり、独立した測定ではない。また、同じ表のリーダーボードの行とは異なる指標を使っているため、両者を直接比較すべきではない。Moshiは高速だが、コンタクトセンター向けのモデルではない。合成された間(ポーズ)のケースの98.5%でターンを取っており、つまりユーザーがただ間を置いただけの場面で割り込んでしまう(Full-Duplex-Bench)。
7. 遅延が通話者と会話に与える影響
速さは見かけの指標ではない。450人の聞き手による統制されたリスニング研究では、平均ギャップが55.68 msになるよう編集された同一の会話クリップは、同じクリップの557.14 msのものよりも一体感があると評価され、一体感についてF(2, 2,344.3) = 28.51, P < 0.001だった(Templetonら、PNAS 2022)。聞き手はタイミングを社会的なシグナルとして読み取っており、遅いエージェントは誤ったシグナルを送ってしまう。
AIエージェントに限ると、仮想エージェントを対象とした54人の研究では、どの遅延レベルも体感速度を損ない、著者らは4秒を超える遅延が体験の質を下げると結論づけた。自然な話し言葉のつなぎ(フィラー)は4.0 sと6.5 sで体感の応答速度を改善したが、人工的な読み込みアイコンと音は改善しなかった(Maslychら、ACM CUI 2025)。沈黙は意味も変える。会話研究は700 ms以上のギャップを非選好応答(断る、同意しないといった返答)と結びつけているため、1秒の間を置くエージェントは、答えがイエスでも、ためらっているように聞こえるおそれがある。音声基盤モデルの比較では、沈黙が会話時間に占める割合は、カスケード型システムでは32.4%、Moshiでは11.8%だった(Aroraら、Talking Turns, arXiv 2503.01174)。
| 指標 | 値 | 出典 |
|---|---|---|
| 低遅延(1.5 s)のエージェントを最も好んだと選んだユーザー | 57.41%、χ²(2, N = 54) = 14.12, p < 0.0001 | Maslychら、ACM CUI 2025 |
| 高遅延(6.5 s)のエージェントを最も好まなかったと選んだユーザー | 61.11%、χ²(2, N = 54) = 19.0, p < 0.0001 | Maslychら、ACM CUI 2025 |
| 遅延を追加する前の、研究で使われたカスケード型エージェント自身の応答時間の実測 | 平均1.47 s | Maslychら、ACM CUI 2025 |
| 人間の会話で非選好(否定的)の応答と関連するギャップの長さ | 700 ms以上 | LevinsonとTorreira、Frontiers in Psychology 2015(レビュー) |
| 会話時間に占める沈黙の割合、カスケード型システム対Moshi | 32.4%対11.8% | Aroraら、Talking Turns、arXiv 2025 |
| 遅延なしの場合と比べ、通話相手が注意深さ、親しみやすさ、自制心で低く評価された、追加の伝送遅延 | 1.2 s | Schoenenberg、Raake、Koeppe、International Journal of Human-Computer Studies 2014 |
| 会話品質に非常に満足している音声AI開発者(40人への調査) | 2% | Deepgram, Introducing Flux 2025(ベンダーの調査) |
| 会話の流れに目立つものから深刻なものまでの問題があると報告した音声AI開発者(40人への調査) | 61% | Deepgram, Introducing Flux 2025(ベンダーの調査) |
補足:1.2 sの遅延に関する知見は、筆頭著者自身によるこの研究の要約に基づく(phys.org、2014年5月)。入手可能な最新データ:Schoenenbergら、2014年。実測したエージェントの遅延を実際の通話放棄率と結びつける、査読済みの2025年または2026年のデータセットは見つからなかったため、上記の満足度に関する証拠は、本番の通話ログではなく統制された研究から得られたものである。
まとめ:数字で見る音声AIエージェントの遅延
| 指標 | 値 | 出典 |
|---|---|---|
| 質問と回答の間の平均ギャップ、10言語 | 208 ms | Stiversら、PNAS 2009 |
| 500 ms未満のターン交替 | 70%から82% | HeldnerとEdlund 2010、Frontiers in Psychology 2015経由 |
| 単語ひとつを話し始めるまでの時間 | 約600 ms | LevinsonとTorreira、Frontiers in Psychology 2015 |
| より一体感があると評価されたクリップの平均ギャップ対同じクリップで一体感が低いと評価されたもの | 55.68 ms対557.14 ms | Templetonら、PNAS 2022 |
| ネットワーク計画の片道遅延の上限 | 400 ms | ITU-T G.114 (05/2003) |
| カスケード型エージェントの口から耳までの目標対上限 | 1,115 ms対1,400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| 基準となる音声から音声までの内訳の合計 | 1,293 ms | Voice AI and Voice Agents guide、Pipecat 2026 |
| 通信分野の研究用パイプラインの最初の音声までの平均時間 | 678 ms | Ethirajら、NetoAI、arXiv 2025 |
| Fluxのターン終了検出の主張 | 約260 ms | Deepgram Flux documentation 2025(ベンダーの主張) |
| 誤った割り込みの割合、旧対新のターン終了モデル、14言語 | 18.66%対11.34% | LiveKit、2025年12月12日 |
| ElevenLabs Flash v2.5のストリーミング遅延の実測 | 197 ms | Vapi Humanness Index、2026年6月 |
| GPT-4oの音声応答時間の平均 | 320 ms | OpenAI, Hello GPT-4o 2024(ベンダーの主張) |
| Moshiの実際の遅延 | 200 ms | Kyutai、Moshi論文、arXiv 2024 |
| ターンテイキングの遅延、Gemini Live | 1.301 s | Linら、Full-Duplex-Bench、arXiv 2025 |
| 指数全体での最初の音声までの平均時間の範囲 | 0.44 sから2.98 s | Artificial Analysis Speech to Speech Index、2026年6月23日 |
| 6.5 sのエージェントを最も好まなかったユーザー | 61.11% | Maslychら、ACM CUI 2025 |
| 遅延を追加する前の研究用カスケード型エージェントの応答時間の実測 | 1.47 s | Maslychら、ACM CUI 2025 |
| 会話時間に占める沈黙の割合、カスケード型システム | 32.4% | Aroraら、Talking Turns、arXiv 2025 |
方法論と出典
- Stiversら、Universals and cultural variation in turn-taking in conversation、PNAS 2009。
- LevinsonとTorreira、Timing in turn-taking and its implications for processing models of language、Frontiers in Psychology 2015(同論文がレビューしているHeldnerとEdlund 2010およびIndefreyとLevelt 2004の数値の出典でもある)。
- Templetonら、Fast response times signal social connection in conversation、PNAS 2022。
- ITU-T、Recommendation G.114: One-way transmission time、2003年5月、有効。
- Twilio、A Guide to Core Latency in AI Voice Agents (Cascaded Edition)、2025年11月17日。
- Pipecat、Voice AI and Voice Agents guide、筆頭著者Kwindla Hultman Kramer、2026年6月更新。
- Ethirajら、NetoAI、Toward Low-Latency End-to-End Voice Agents for Telecommunications、arXiv、2025年8月5日。
- ChoudharyとPurwar、Sprinklr、i-LAVA: Insights on Low Latency Voice-2-Voice Architecture for Agents、arXiv、2025年9月25日。
- Deepgram、Introducing Flux: Conversational Speech Recognition、2025年10月1日、およびFluxクイックスタートドキュメント(ベンダーの主張とベンダーの調査)。
- LiveKit、Improved end-of-turn model cuts voice AI interruptions 39%、2025年12月12日(ベンダーのベンチマーク)。
- OpenAI、Realtime API voice activity detection guideおよびHello GPT-4o、2024年(ベンダーの主張)。
- ElevenLabs、Latency documentation、2026年(ベンダーの主張)。
- Vapi、Humanness Index, ElevenLabs Flash v2.5 page、遅延の確認は2026年6月10日。
- Kyutai、Moshi: a speech-text foundation model for real-time dialogue、arXiv 2024。
- Linら、Full-Duplex-Bench、arXiv 2025(バージョン3、2025年8月16日)。
- Artificial Analysis、Announcing the Speech to Speech Index、2026年6月23日、およびライブのSpeech to Speechリーダーボード。
- Maslychら、Mitigating Response Delays in Free-Form Conversations with LLM-powered Intelligent Virtual Agents、ACM CUI 2025。
- Aroraら、Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics、arXiv 2025。
- Schoenenberg、Raake、Koeppe、International Journal of Human-Computer Studies 2014、筆頭著者によるphys.orgでの要約に基づく。
- データウォッチ:ライブのリーダーボードは更新のたびに変動する。2026年10月27日時点では、GPT-Realtime-2 (High)の最初の音声までの時間は1.14 sと掲載されており、2026年6月23日の発表時の2.33 sとは異なる。またその定義(Big Bench Audioセットで最初の音声トークンを生成するまでの秒数)は、口から耳までのターン間ギャップやFull-Duplex-Benchのターンテイキング遅延とは異なるため、値は異なる情報源の間ではなく、同一の情報源の中で比較すること。Pipecatのガイドの表は合計1,293 msだが、本文では約1,200 msとされている。セクション3のカスケード型エージェントのガイドにある構成要素ごとの目標(合計825 ms)は、同ガイドの885 msというプラットフォーム目標とは整合していない。ベンダーの数値(音声認識、ターン検出、音声合成、リアルタイムモデルの各メーカー)は、ベンダーの主張またはベンダーが実施したベンチマークと明記している。2009年と2015年のターンテイキング研究、2003年版のG.114、2014年の遅延研究は3年以上前のものだが、これらの基準については依然として入手可能な最新データである。実測したエージェントの遅延を実際の通話放棄と結びつける、査読済みの公開データセットはまだ存在しない。
- 最終更新日:2026年10月27日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、Artificial Analysisが次のSpeech to Speech Indexの更新を公開する時期を予定している。