W 10 językach ludzie odpowiadają na pytanie po średniej przerwie wynoszącej zaledwie 208 ms, a jednak wstępny cel Twilio dla kaskadowego agenta głosowego AI to przerwa między turami od ust do ucha wynosząca 1.115 ms, czyli mniej więcej 5 razy dłużej (1.115 ÷ 208 ≈ 5,4). Ludzki punkt odniesienia jest szybki, ponieważ słuchacze przewidują koniec tury: wypowiedzenie nawet jednego słowa zajmuje około 600 ms, więc odpowiedź jest planowana, gdy druga osoba jeszcze mówi (Levinson i Torreira, Frontiers in Psychology 2015). Agenci głosowi nie potrafią przewidywać w ten sam sposób, więc czekają, transkrybują, myślą i syntezują po kolei, a najnowszy niezależny ranking pokazuje średni czas do pierwszego dźwięku dla modeli mowa-do-mowy od 0,44 s do 2,98 s (Artificial Analysis Speech to Speech Index 2026). Dla centrów kontaktu wdrażających automatyzację, o czym piszemy w naszych statystykach automatyzacji centrów kontaktu przez agentów głosowych, opóźnienie to ta część doświadczenia, którą dzwoniący odczuwają, zanim usłyszą choćby jedno użyteczne słowo. Zebraliśmy dane z badań PNAS nad zmianą mówcy w rozmowie, z międzynarodowej normy opóźnień telefonicznych, z otwartoźródłowych i dostawczych przewodników inżynierskich, z niezależnych rankingów oraz z testów badawczych opublikowanych na arXiv i na ACM CUI.
TL;DR
- Średnia przerwa przed odpowiedzią w 10 językach: 208 ms; mediana 100 ms (Stivers i in., PNAS 2009)
- Od 70% do 82% przejść między turami w rozmowie trwa krócej niż 500 ms (Heldner i Edlund 2010, omówione w Frontiers in Psychology 2015)
- ITU-T G.114 ustala 400 ms jako pułap opóźnienia jednokierunkowego w planowaniu sieci, przy czym poniżej 150 ms jest ono w zasadzie przezroczyste (ITU-T G.114, 2003)
- Telekomunikacyjny agent głosowy z badań osiągał średnio 678 ms do pierwszego dźwięku na 500 nagranych pytaniach (Ethiraj i in., NetoAI, arXiv 2025)
- Identyczne fragmenty rozmów wydawały się bardziej połączone przy średniej przerwie 55,68 ms niż przy 557,14 ms (Templeton i in., PNAS 2022)
- Deepgram deklaruje około 260 ms wykrywania końca tury w swoim modelu Flux (dokumentacja Deepgram Flux 2025, deklaracja dostawcy)
- Zaktualizowany model końca tury LiveKit obniżył odsetek fałszywych przerwań z 18,66% do 11,34% w 14 językach (LiveKit, 12 grudnia 2025)
- ElevenLabs Flash v2.5 zmierzono na poziomie 197 ms mediany wraz z siecią, wobec deklarowanych 75 ms samej inferencji (Vapi Humanness Index, czerwiec 2026)
- OpenAI podało, że odpowiedzi audio GPT-4o trwają średnio 320 ms, wobec 5,4 s w starszym potoku głosowym GPT-4 (OpenAI, Hello GPT-4o 2024, deklaracja dostawcy)
- Gemini Live potrzebował 1,301 s na przejęcie tury, wobec 0,265 s u Moshi w Full-Duplex-Bench (Lin i in., arXiv 2025)
- Użytkownicy wskazali agenta o wysokim opóźnieniu jako tego, którego lubili najmniej, w 61,11% przypadków (Maslych i in., ACM CUI 2025)
1. Ludzki punkt odniesienia: jak szybko ludzie wymieniają się turami
Wzorzec, do którego porównuje się każdego agenta głosowego, powstał na długo przed oprogramowaniem. W największym międzyjęzykowym porównaniu czasu zmiany tury najczęstsza przerwa między pytaniem a odpowiedzią wynosiła 0 ms, a mediana międzyjęzykowa 100 ms (Stivers i in., Universals and cultural variation in turn-taking in conversation, PNAS 2009). Rozmówcy nie czekają na ciszę, a potem reagują; zaczynają odpowiedź w chwili, gdy pytanie się kończy.
Ta szybkość to wyczyn planowania, a nie odruch. Eksperymenty z nazywaniem obrazków określają czas wypowiedzenia jednego słowa na około 600 ms, a krótkiego zdania na około 1.500 ms, dlatego badacze wnioskują, że słuchacze muszą przewidywać, kiedy tura się skończy, i przygotowywać odpowiedź równolegle (Levinson i Torreira, Frontiers in Psychology 2015). Kaskadowy agent głosowy robi odwrotnie: czeka, aż dzwoniący przestanie mówić, i dopiero wtedy uruchamia cały łańcuch.
| Metryka | Wartość | Źródło |
|---|---|---|
| Średnia przerwa między pytaniem a odpowiedzią, wszystkie 10 języków łącznie | 208 ms | Stivers i in., PNAS 2009 |
| Mediana przerwy między pytaniem a odpowiedzią, wszystkie 10 języków łącznie | 100 ms | Stivers i in., PNAS 2009 |
| Najszybsza i najwolniejsza średnia językowa (japoński wobec duńskiego) | 7 ms wobec 469 ms | Stivers i in., PNAS 2009 |
| Odsetek przejść między turami krótszych niż 500 ms | od 70% do 82% | Heldner i Edlund 2010, omówione w: Levinson i Torreira, Frontiers in Psychology 2015 |
| Odsetek przejęć głosu nakładających się na poprzedniego mówcę (korpus rozmów telefonicznych Switchboard, 348 rozmów) | 30,1% | Levinson i Torreira, Frontiers in Psychology 2015 |
| Czas potrzebny na rozpoczęcie wypowiadania jednego nazwanego słowa (nazywanie obrazków) | około 600 ms | Indefrey i Levelt 2004, omówione w: Levinson i Torreira, Frontiers in Psychology 2015 |
| Typowy (modalny) ludzki czas reakcji między turami | około 200 ms | Templeton i in., PNAS 2022 |
Uwaga kontekstowa: próba z 10 języków obejmuje 101 rozmów na 5 kontynentach. Autorzy piszą, że średnie językowe mieszczą się w granicach około 250 ms po obu stronach średniej międzyjęzykowej, choć duński leży około 261 ms powyżej niej (469 minus 208). Najnowsze dostępne dane: powyższe badania z 2009 i 2015 roku. Te punkty odniesienia zmieniają się powoli, więc ich wiek ma mniejsze znaczenie niż w przypadku wskaźników produktowych.
2. Limity opóźnień w sieci i telefonii
Zanim zadziała jakikolwiek model, sieć telefoniczna zużywa część budżetu. “Opóźnienie jednokierunkowe” oznacza tu czas, jaki dźwięk potrzebuje, by przebyć drogę od ust mówiącego do ucha słuchacza w jednym kierunku, a nie w obie strony. Zalecenie ITU-T G.114 mówi, że w ogólnym planowaniu sieci nie należy przekraczać opóźnienia jednokierunkowego 400 ms, a opóźnienia utrzymywane poniżej 150 ms są dla większości zastosowań w zasadzie przezroczyste (ITU-T G.114, One-way transmission time).
Era agentów głosowych wywraca te limity do góry nogami. Norma powstała dla rozmów człowiek-człowiek, w których druga strona odpowiada w około 200 ms; agent potrzebujący sekundy do namysłu zużywa ponad dwukrotność całego 400-milisekundowego zapasu sieciowego, zanim wypowie słowo. Własne liczby Twilio pokazują ten podział: jego cel dla pełnej przerwy między turami od ust do ucha to 1.115 ms, a cel wewnątrz platformy agenta to 885 ms, co oznacza około 230 ms na sieć i transmisję w linii telefonicznej (1.115 minus 885).
| Metryka | Wartość | Źródło |
|---|---|---|
| Maksymalne opóźnienie jednokierunkowe zalecane w ogólnym planowaniu sieci | 400 ms | ITU-T G.114 (05/2003) |
| Opóźnienie jednokierunkowe, poniżej którego większość zastosowań mowy i innych jest w zasadzie przezroczysta | 150 ms | ITU-T G.114 (05/2003) |
| Oczekiwane opóźnienie VoIP od ust do ucha na trasach wewnątrzregionalnych do 5.000 km | poniżej 150 ms | ITU-T G.114, Dodatek II |
| Opóźnienie VoIP od ust do ucha na najgorszych trasach naziemnych między regionami (27.500 km) | nieco ponad 300 ms | ITU-T G.114, Dodatek II |
| Czas obiegu w publicznym internecie do serwera syntezy mowy, zależnie od odległości | od 20 do 200 ms | dokumentacja ElevenLabs o opóźnieniach 2026 (dostawca) |
Uwaga kontekstowa: wydanie z maja 2003 roku nadal figuruje jako obowiązujące. Opóźnienia poniżej 400 ms ocenia się za pomocą modelu E z zalecenia G.107, wzoru szacującego jakość rozmowy na podstawie opóźnienia, a we wstępie zaznaczono, że na zadania silnie interaktywne mogą wpływać opóźnienia poniżej 100 ms. Najnowsze dostępne dane: wydanie z 2003 roku.
3. Budżet opóźnień kaskadowego agenta głosowego
Kaskadowy agent łączy trzy modele: zamianę mowy na tekst (STT), duży model językowy (LLM) i zamianę tekstu na mowę (TTS). Cele składowe Twilio sumują się do 825 ms (350 + 375 + 100), ale ich górne limity sumują się do 1.500 ms (500 + 750 + 250), co oznacza, że zestaw mieszczący się w każdym limicie z osobna wciąż może przekroczyć pułap 1.400 ms na całej ścieżce (Twilio, A Guide to Core Latency in AI Voice Agents). Przewodnik określa te wartości jako “punkty wyjścia, a nie wyniki najlepsze w klasie”.
Referencyjny podział w przewodniku Pipecat pokazuje, gdzie naprawdę ucieka czas: transkrypcja z wykrywaniem końca wypowiedzi, czas do pierwszego bajtu LLM i czas do pierwszego bajtu TTS łącznie stanowią 1.070 ms z całości 1.293 ms, czyli około 83% (1.070 ÷ 1.293), a cała reszta toru audio (mikrofon, kodeki, bufory jittera, głośnik) zajmuje resztę (Voice AI and Voice Agents guide). “Bufor jittera” to krótka kolejka, która wygładza nierówny napływ pakietów; w tym podziale po jednym na każdy kierunek kosztuje 40 ms. Potok badawczy zbudowany dla pytań telekomunikacyjnych na jednym GPU H100 uzyskał wyniki w tym samym zakresie (Ethiraj i in., arXiv 2508.04721).
| Metryka | Wartość | Źródło |
|---|---|---|
| Opóźnienie zamiany mowy na tekst, cel wobec górnego limitu | 350 ms wobec 500 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Czas do pierwszego tokena LLM, cel wobec górnego limitu | 375 ms wobec 750 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Czas do pierwszego bajtu zamiany tekstu na mowę, cel wobec górnego limitu | 100 ms wobec 250 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Przerwa między turami od ust do ucha odczuwana przez dzwoniącego, cel wobec górnego limitu | 1.115 ms wobec 1.400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Referencyjna suma głos-do-głosu, z 16 etapów od mikrofonu do głośnika | 1.293 ms (tekst przewodnika podaje około 1.200 ms) | Voice AI and Voice Agents guide, Pipecat 2026 |
| Opóźnienie głos-do-głosu, które przewodnik uznaje za ważny cel | 1.500 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Średni czas do pierwszego dźwięku w potoku telekomunikacyjnym, 500 nagranych pytań (min do maks) | 678 ms (od 412 do 1.482 ms) | Ethiraj i in., NetoAI, arXiv 2025 |
| Średni czas przetwarzania całej wypowiedzi w tym samym potoku telekomunikacyjnym | 934 ms | Ethiraj i in., NetoAI, arXiv 2025 |
Uwaga o wartościach odstających: zespół badawczy Sprinklr podał pierwszy fragment audio “nawet w 640,9 ms” na GPU NVIDIA L4, ale 1.748,6 ms dla tego samego ustawienia na CPU, co przypomina, że sam sprzęt może więcej niż podwoić czas do pierwszego dźwięku (Choudhary i Purwar, arXiv 2509.20971).
4. Wykrywanie końca wypowiedzi i końca tury
“Endpointing”, czyli wykrywanie końca wypowiedzi, to decyzja agenta, że dzwoniący skończył mówić. To etap najczęściej dostrajany ręcznie, bo wymienia szybkość na nieuprzejmość: jeśli agent czeka zbyt krótko, przerywa ludziom w pół zdania, a jeśli zbyt długo, dzwoniący słyszy martwą ciszę. Zaktualizowany model końca tury LiveKit obniżył odsetek fałszywych przerwań w 14 językach z 18,66% do 11,34%, czyli o 39,23% względnie, bez wzrostu opóźnienia odpowiedzi (LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%).
Liczby dostawców pokazują, jak dużą część budżetu kontroluje ta jedna decyzja. Deepgram deklaruje, że jego model Flux potrafi skrócić opóźnienie odpowiedzi agenta o 200 do 600 ms w porównaniu z podejściami potokowymi, a “pochopny” wczesny sygnał pojawia się o 150 do 250 ms wcześniej kosztem 50 do 70% więcej wywołań LLM (Deepgram, Introducing Flux). Te dodatkowe wywołania to ukryta cena szybkości: agent zaczyna układać odpowiedzi na zdania, których dzwoniący mógł jeszcze nie skończyć. Hałas w tle również zmienia te decyzje, o czym piszemy w statystykach opóźnień neuronowego tłumienia hałasu.
| Metryka | Wartość | Źródło |
|---|---|---|
| Opóźnienie wykrywania końca tury deklarowane dla Flux | około 260 ms | dokumentacja Deepgram Flux 2025 (deklaracja dostawcy) |
| Opóźnienie końca tury we Flux na 90. i 95. percentylu | 1 s i 1,5 s | Deepgram, Introducing Flux, 1 października 2025 (deklaracja dostawcy) |
| Redukcja fałszywych przerwań deklarowana dla Flux | około 30% | Deepgram, Introducing Flux 2025 (deklaracja dostawcy) |
| Odsetek fałszywych przerwań, wszystkie 14 języków, stary wobec nowego modelu LiveKit (przy stałym odsetku prawdziwych trafień 99,3%) | 18,66% wobec 11,34% | LiveKit, 12 grudnia 2025 |
| Odsetek fałszywych przerwań, angielski, stary wobec nowego modelu LiveKit | 16,6% wobec 13,0% | LiveKit, 12 grudnia 2025 |
| Cisza, na którą czeka przykładowa konfiguracja VAD serwera przed zakończeniem tury | 500 ms | OpenAI Realtime VAD guide 2026 |
Uwaga kontekstowa: VAD (wykrywanie aktywności głosowej) to prosty detektor, który słyszy, czy ktoś mówi; wartość 500 ms to przykładowa konfiguracja z przewodnika Realtime VAD OpenAI, a nie podana wartość domyślna. Sama stała reguła 500 ms ciszy to już ponad dwukrotność ludzkiej średniej przerwy 208 ms z sekcji 1.
5. Czas do pierwszego tokena LLM i czas do pierwszego dźwięku TTS
Gdy tura się kończy, model musi zacząć mówić. Reguła kciuka z przewodnika Pipecat mówi, że czas do pierwszego tokena LLM wynoszący 600 ms lub mniej jest wystarczająco szybki dla większości zastosowań głosowych, a tylko dwa z czterech wymienionych modeli hostowanych spełniają ten próg w medianie, natomiast żaden nie spełnia go na 95. percentylu (Voice AI and Voice Agents guide). Czas do pierwszego tokena (TTFT) to czas, jaki model językowy potrzebuje, by wyemitować pierwszy fragment odpowiedzi. Ogon rozkładu liczy się bardziej niż mediana na linii telefonicznej, bo dzwoniący pamięta jedną ciszę trwającą 1,7 s, a nie średnią.
Synteza mowy jest dziś najmniejszym kawałkiem, ale liczby dostawców i pomiary się rozchodzą. ElevenLabs podaje, że jego modele Flash osiągają około 75 ms inferencji modelu, wyraźnie nie licząc sieci i narzutu aplikacji (dokumentacja ElevenLabs o opóźnieniach), podczas gdy zewnętrzny test 50 strumieniowych prób na żywo z maszyny testowej dał medianę 197 ms (Vapi Humanness Index). Zespoły porównujące silniki syntezy, również dla generatora głosu AI, powinny zapytać, którą z tych dwóch liczb podaje karta specyfikacji.
| Metryka | Wartość | Źródło |
|---|---|---|
| Czas do pierwszego tokena GPT-4.1, mediana wobec 95. percentyla | 536 ms wobec 1.771 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Czas do pierwszego tokena Gemini 2.5 Flash, mediana wobec 95. percentyla | 597 ms wobec 1.137 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Czas do pierwszego tokena Claude 4.5 Haiku, mediana wobec 95. percentyla | 637 ms wobec 1.615 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Czas do pierwszego tokena GPT-5.1, mediana wobec 95. percentyla | 739 ms wobec 1.492 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| ElevenLabs Flash v2.5, deklarowana inferencja wobec zmierzonego opóźnienia strumieniowania z siecią | 75 ms wobec 197 ms | dokumentacja ElevenLabs 2026 (deklaracja dostawcy); Vapi Humanness Index, 10 czerwca 2026 |
| Cartesia Sonic 3.5, zmierzone opóźnienie strumieniowania | 128 ms | Vapi Humanness Index 2026 |
| ElevenLabs Multilingual v2, zmierzone opóźnienie strumieniowania | 1.006 ms | Vapi Humanness Index 2026 |
Uwaga kontekstowa: Vapi prowadzi platformę agentów głosowych, a nie silnik syntezy mowy, ale jej indeks nadal jest testem prowadzonym przez platformę. Strona podaje metodę 50 prób tylko dla Flash v2.5, więc pozostałe zmierzone wartości mogą nie być bezpośrednio porównywalne. ElevenLabs zauważa też, że 500-milisekundowy bufor odtwarzacza audio “jest powszechny”, co po stronie klienta może zniwelować większość przewagi szybkiego modelu.
6. Zmierzone opóźnienie modeli mowa-do-mowy i pełnodupleksowych
Modele mowa-do-mowy pomijają przekazywanie tekstu, a modele pełnodupleksowe słuchają i mówią jednocześnie, więc w teorii powinny zbliżyć się do ludzkiego tempa. Moshi z Kyutai deklaruje opóźnienie teoretyczne 160 ms i 200 ms w praktyce (Kyutai, Moshi, arXiv 2410.00037), a niezależny test zmierzył przejęcie tury po 0,265 s (Lin i in., Full-Duplex-Bench, arXiv 2503.04721).
Modele komercyjne są znacznie bardziej rozrzucone. W indeksie Artificial Analysis z 23 czerwca 2026 roku średni czas do pierwszego dźwięku wahał się od 0,44 s do 2,98 s; dwa najwolniejsze wpisy miały ustawienia rozumowania “High”, a jeden z nich, GPT-Realtime-2 (High) z wynikiem 2,33 s, uzyskał najwyższy wynik indeksu, 77,2% (Artificial Analysis, Speech to Speech Index). Szybkość i inteligencja nadal ciągną w przeciwne strony. Napisy na żywo mierzą się z podobnym kompromisem między szybkością a dokładnością, który śledzimy w statystykach opóźnień napisów w czasie rzeczywistym.
| Metryka | Wartość | Źródło |
|---|---|---|
| Czas odpowiedzi GPT-4o na wejście audio, najszybszy wobec średniego | 232 ms wobec 320 ms | OpenAI, Hello GPT-4o 2024 (deklaracja dostawcy) |
| Średnie opóźnienie wcześniejszego potoku trybu głosowego ChatGPT, GPT-3.5 wobec GPT-4 | 2,8 s wobec 5,4 s | OpenAI, Hello GPT-4o 2024 (deklaracja dostawcy) |
| Opóźnienie Moshi, teoretyczne wobec praktycznego | 160 ms wobec 200 ms | artykuł Kyutai o Moshi, arXiv 2024 |
| Czas przejęcia tury po tym, jak użytkownik przestaje mówić (zbiór rozmów CANDOR), Moshi wobec Gemini Live | 0,265 s wobec 1,301 s | Lin i in., Full-Duplex-Bench, arXiv 2025 |
| Czas odpowiedzi po przerwaniu przez użytkownika, Moshi wobec Gemini Live | 0,257 s wobec 1,183 s | Lin i in., Full-Duplex-Bench, arXiv 2025 |
| Średni czas do pierwszego dźwięku, najszybszy model w indeksie (Deepslate Opal) | 0,44 s | Artificial Analysis Speech to Speech Index, 23 czerwca 2026 |
| Średni czas do pierwszego dźwięku, GPT-Realtime-1.5 | 0,82 s | Artificial Analysis Speech to Speech Index, 23 czerwca 2026 |
| Średni czas do pierwszego dźwięku, Gemini 3.1 Flash Live Preview (High) | 2,98 s | Artificial Analysis Speech to Speech Index, 23 czerwca 2026 |
Uwaga o wartościach odstających: liczby OpenAI to deklaracja z premiery modelu, a nie niezależny pomiar, i używają innej metryki niż wiersze rankingu w tej samej tabeli, więc nie należy ich porównywać bezpośrednio. Moshi jest szybki, ale nie jest modelem do centrów kontaktu: przejmuje głos w 98,5% syntetycznych przypadków pauzy, co oznacza, że wchodzi w słowo, gdy użytkownik jedynie zrobił przerwę (Full-Duplex-Bench).
7. Co opóźnienie robi z dzwoniącymi i rozmowami
Szybkość nie jest wskaźnikiem próżności. W kontrolowanym badaniu odsłuchowym z 450 słuchaczami identyczne fragmenty rozmów zmontowane tak, by średnia przerwa wynosiła 55,68 ms, oceniono jako bardziej połączone niż te same fragmenty przy 557,14 ms, przy czym dla połączenia F(2; 2.344,3) = 28,51, P < 0,001 (Templeton i in., PNAS 2022). Słuchacze odczytują czas jako sygnał społeczny, a wolny agent wysyła zły sygnał.
W przypadku agentów AI badanie 54 osób z udziałem wirtualnych agentów wykazało, że każdy poziom opóźnienia pogarszał postrzeganą szybkość, a autorzy wnioskują, że opóźnienie powyżej 4 sekund obniża jakość doświadczenia; naturalne wypełniacze mowy poprawiały postrzeganą szybkość odpowiedzi przy 4,0 s i 6,5 s, a sztuczna ikona ładowania i dźwięk nie (Maslych i in., ACM CUI 2025). Cisza zmienia też znaczenie: badania rozmowy wiążą przerwy trwające 700 ms lub dłużej z odpowiedziami niepreferowanymi (takimi jak odmowa lub niezgoda), więc agent z jednosekundową pauzą ryzykuje, że zabrzmi niepewnie, nawet gdy odpowiedź brzmi “tak”. Porównanie audio modeli bazowych wykazało, że cisza stanowiła 32,4% czasu rozmowy w systemie kaskadowym wobec 11,8% w Moshi (Arora i in., Talking Turns, arXiv 2503.01174).
| Metryka | Wartość | Źródło |
|---|---|---|
| Użytkownicy, którzy wskazali agenta o niskim opóźnieniu (1,5 s) jako tego, którego lubili najbardziej | 57,41%, χ²(2, N = 54) = 14,12, p < 0,0001 | Maslych i in., ACM CUI 2025 |
| Użytkownicy, którzy wskazali agenta o wysokim opóźnieniu (6,5 s) jako tego, którego lubili najmniej | 61,11%, χ²(2, N = 54) = 19,0, p < 0,0001 | Maslych i in., ACM CUI 2025 |
| Zmierzony czas odpowiedzi kaskadowego agenta z badania przed dodaniem opóźnienia | średnio 1,47 s | Maslych i in., ACM CUI 2025 |
| Długość przerwy powiązana z odpowiedziami niepreferowanymi (negatywnymi) w rozmowie międzyludzkiej | 700 ms lub więcej | Levinson i Torreira, Frontiers in Psychology 2015 (przegląd) |
| Odsetek czasu rozmowy spędzony w ciszy, system kaskadowy wobec Moshi | 32,4% wobec 11,8% | Arora i in., Talking Turns, arXiv 2025 |
| Dodane opóźnienie transmisji, przy którym rozmówców oceniano jako mniej uważnych, życzliwych i zdyscyplinowanych niż bez opóźnienia | 1,2 s | Schoenenberg, Raake i Koeppe, International Journal of Human-Computer Studies 2014 |
| Twórcy głosowej AI bardzo zadowoleni z jakości rozmowy (ankieta 40 osób) | 2% | Deepgram, Introducing Flux 2025 (ankieta dostawcy) |
| Twórcy głosowej AI zgłaszający zauważalne do poważnych problemów z płynnością rozmowy (ankieta 40 osób) | 61% | Deepgram, Introducing Flux 2025 (ankieta dostawcy) |
Uwaga kontekstowa: wynik dotyczący opóźnienia 1,2 s pochodzi z podsumowania badania sporządzonego przez głównego autora (phys.org, maj 2014); najnowsze dostępne dane: Schoenenberg i in., 2014. Nie znaleźliśmy recenzowanego zbioru danych z 2025 ani 2026 roku, który wiązałby zmierzone opóźnienie agenta z rzeczywistym odsetkiem porzuconych rozmów, więc powyższe dowody dotyczące zadowolenia pochodzą z kontrolowanych badań, a nie z produkcyjnych logów rozmów.
Podsumowanie: opóźnienia agentów głosowych AI w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Średnia przerwa między pytaniem a odpowiedzią, 10 języków | 208 ms | Stivers i in., PNAS 2009 |
| Przejścia między turami krótsze niż 500 ms | od 70% do 82% | Heldner i Edlund 2010, za Frontiers in Psychology 2015 |
| Czas potrzebny na rozpoczęcie wypowiadania jednego słowa | około 600 ms | Levinson i Torreira, Frontiers in Psychology 2015 |
| Średnia przerwa we fragmentach ocenionych jako bardziej połączone wobec tych samych fragmentów ocenionych jako mniej połączone | 55,68 ms wobec 557,14 ms | Templeton i in., PNAS 2022 |
| Maksymalne opóźnienie jednokierunkowe w planowaniu sieci | 400 ms | ITU-T G.114 (05/2003) |
| Cel kaskadowego agenta od ust do ucha wobec górnego limitu | 1.115 ms wobec 1.400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Suma referencyjnego podziału głos-do-głosu | 1.293 ms | Voice AI and Voice Agents guide, Pipecat 2026 |
| Średni czas do pierwszego dźwięku w telekomunikacyjnym potoku badawczym | 678 ms | Ethiraj i in., NetoAI, arXiv 2025 |
| Deklarowane wykrywanie końca tury we Flux | około 260 ms | dokumentacja Deepgram Flux 2025 (deklaracja dostawcy) |
| Odsetek fałszywych przerwań, stary wobec nowego modelu końca tury, 14 języków | 18,66% wobec 11,34% | LiveKit, 12 grudnia 2025 |
| Zmierzone opóźnienie strumieniowania ElevenLabs Flash v2.5 | 197 ms | Vapi Humanness Index, czerwiec 2026 |
| Średni czas odpowiedzi audio GPT-4o | 320 ms | OpenAI, Hello GPT-4o 2024 (deklaracja dostawcy) |
| Praktyczne opóźnienie Moshi | 200 ms | artykuł Kyutai o Moshi, arXiv 2024 |
| Opóźnienie zmiany tury, Gemini Live | 1,301 s | Lin i in., Full-Duplex-Bench, arXiv 2025 |
| Zakres średniego czasu do pierwszego dźwięku w indeksie | od 0,44 s do 2,98 s | Artificial Analysis Speech to Speech Index, 23 czerwca 2026 |
| Użytkownicy, którzy najmniej lubili agenta z opóźnieniem 6,5 s | 61,11% | Maslych i in., ACM CUI 2025 |
| Zmierzony czas odpowiedzi badawczego agenta kaskadowego przed dodaniem opóźnienia | 1,47 s | Maslych i in., ACM CUI 2025 |
| Odsetek ciszy w czasie rozmowy, system kaskadowy | 32,4% | Arora i in., Talking Turns, arXiv 2025 |
Metodologia i źródła
- Stivers i in., Universals and cultural variation in turn-taking in conversation, PNAS 2009.
- Levinson i Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015 (także źródło danych Heldnera i Edlunda 2010 oraz Indefreya i Levelta 2004, które omawia).
- Templeton i in., Fast response times signal social connection in conversation, PNAS 2022.
- ITU-T, Recommendation G.114: One-way transmission time, maj 2003, obowiązujące.
- Twilio, A Guide to Core Latency in AI Voice Agents (Cascaded Edition), 17 listopada 2025.
- Pipecat, Voice AI and Voice Agents guide, główny autor Kwindla Hultman Kramer, aktualizacja z czerwca 2026.
- Ethiraj i in., NetoAI, Toward Low-Latency End-to-End Voice Agents for Telecommunications, arXiv, 5 sierpnia 2025.
- Choudhary i Purwar, Sprinklr, i-LAVA: Insights on Low Latency Voice-2-Voice Architecture for Agents, arXiv, 25 września 2025.
- Deepgram, Introducing Flux: Conversational Speech Recognition, 1 października 2025, oraz dokumentacja szybkiego startu Flux (deklaracje dostawcy i ankieta dostawcy).
- LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%, 12 grudnia 2025 (test dostawcy).
- OpenAI, Realtime API voice activity detection guide i Hello GPT-4o, 2024 (deklaracje dostawcy).
- ElevenLabs, Latency documentation, 2026 (deklaracja dostawcy).
- Vapi, Humanness Index, ElevenLabs Flash v2.5 page, pomiar opóźnienia z 10 czerwca 2026.
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue, arXiv 2024.
- Lin i in., Full-Duplex-Bench, arXiv 2025 (wersja 3, 16 sierpnia 2025).
- Artificial Analysis, Announcing the Speech to Speech Index, 23 czerwca 2026, oraz działający ranking Speech to Speech.
- Maslych i in., Mitigating Response Delays in Free-Form Conversations with LLM-powered Intelligent Virtual Agents, ACM CUI 2025.
- Arora i in., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, arXiv 2025.
- Schoenenberg, Raake i Koeppe, International Journal of Human-Computer Studies 2014, w podsumowaniu głównego autora na phys.org.
- Uwaga o danych: działający ranking zmienia się między aktualizacjami; 27 października 2026 roku wymieniał GPT-Realtime-2 (High) z czasem do pierwszego dźwięku 1,14 s, wobec 2,33 s w ogłoszeniu z 23 czerwca 2026 roku, a jego definicja (sekundy do wygenerowania pierwszego tokena audio na zbiorze Big Bench Audio) różni się od przerwy między turami od ust do ucha i od opóźnienia zmiany tury w Full-Duplex-Bench, dlatego porównuj wartości w obrębie jednego źródła, a nie między źródłami. Tabela w przewodniku Pipecat sumuje się do 1.293 ms, podczas gdy jego tekst mówi o około 1.200 ms. Cele składowe w przewodniku po agencie kaskadowym z sekcji 3 (825 ms łącznie) nie są uzgodnione z jego celem platformy wynoszącym 885 ms. Liczby dostawców (twórców rozpoznawania mowy, wykrywania tury, syntezy mowy i modeli czasu rzeczywistego) oznaczono jako deklaracje dostawców lub testy prowadzone przez dostawców. Badania zmiany mówcy z 2009 i 2015 roku, wydanie G.114 z 2003 roku oraz badanie opóźnień z 2014 roku są starsze niż trzy lata, ale pozostają najnowszymi dostępnymi danymi dla tych punktów odniesienia. Nie ma jeszcze publicznego, recenzowanego zbioru danych łączącego zmierzone opóźnienie agenta z rzeczywistym odsetkiem porzuconych rozmów.
- Ostatnia aktualizacja: 27 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia można się spodziewać, gdy Artificial Analysis opublikuje następną aktualizację Speech to Speech Index.