ใน 10 ภาษาจากห้าทวีป คำตอบเฉลี่ยของคำถามหนึ่งเริ่มต้นหลังคำถามจบเพียง 208 มิลลิวินาที (Stivers และคณะ, PNAS 2009) ซึ่งสั้นกว่าเวลาราว 600 ms ที่คนเราต้องใช้เพื่อเริ่มเรียกชื่อภาพเพียงภาพเดียวมาก (Levinson และ Torreira, Frontiers in Psychology 2015) ผู้พูดจึงต้องวางแผนคำตอบในขณะที่อีกฝ่ายยังพูดอยู่ วิดีโอคอลทำลายจังหวะนี้ คู่สนทนาที่สลับกันพูดใน 135 ms เมื่อพบหน้ากันต้องใช้ 487 ms ผ่าน Zoom (Boland และคณะ, Journal of Experimental Psychology: General 2022) บทสรุปนี้ครอบคลุมบทสนทนาของมนุษย์ ส่วนวิธีที่ซอฟต์แวร์ตัดสินว่าผู้พูดพูดจบแล้ว ดูได้ในสถิติการตรวจจับการจบตาพูดและการพูดแทรกของเรา เรารวบรวมข้อมูลจาก PNAS, Max Planck Institute for Psycholinguistics, Journal of Pragmatics, Interspeech, Child Development, ITU และแหล่งข้อมูลที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิอีกกว่าสิบแห่ง
สรุปโดยย่อ
- คำตอบเฉลี่ยของคำถามเริ่มต้น +208 ms หลังคำถามจบ ตั้งแต่ +7 ms ในภาษาญี่ปุ่นถึง +469 ms ในภาษาเดนมาร์ก (Stivers และคณะ, PNAS 2009)
- ประมาณ 40% ของช่วงเวลาระหว่างผู้พูดทั้งหมดในคลังข้อมูลบทสนทนาสามชุดเป็นการพูดทับซ้อน (Heldner และ Edlund, Journal of Phonetics 2010)
- การสนทนาทางโทรศัพท์ภาษาอังกฤษอเมริกัน 10,950 บทสนทนาแสดงช่วงว่างเฉลี่ย 0.300 s ระหว่างตาพูด (Cavalcanti และ Skantze, Interspeech 2025)
- การเริ่มเรียกชื่อภาพเพียงภาพเดียวใช้เวลาราว 600 ms (Levinson และ Torreira, Frontiers in Psychology 2015, อ้างอิง Indefrey และ Levelt 2004)
- ผู้ฟังเริ่มวางแผนภายในครึ่งวินาทีหลังดึงคำตอบออกมาได้ บางครั้งก่อนคำถามจบราว 2.4 s (Bögels, Magyari และ Levinson, Scientific Reports 2015)
- คำตอบที่ไม่เป็นที่ต้องการมีมากกว่าคำตอบที่เป็นที่ต้องการอย่างชัดเจนหลังช่วงว่าง 700 ms ขึ้นไปเท่านั้น (Kendrick และ Torreira, Discourse Processes 2015)
- เวลาตอบเฉลี่ยที่เร็วกว่าทำนายความรู้สึกผูกพันที่แข็งแรงกว่า b = −0.28, P < 0.001 (Templeton และคณะ, PNAS 2022)
- ทารกพูดทับกับแม่เกินหนึ่งในสามเล็กน้อยของการเปล่งเสียงเมื่ออายุ 3 ถึง 5 เดือน และราว 20% เมื่ออายุ 18 เดือน (Hilbrink, Gattis และ Levinson, Frontiers in Psychology 2015)
- จาก 26 การศึกษา ทารกใช้เวลาเฉลี่ยราว 1 s ในการตอบสนอง (Nguyen และคณะ, Child Development 2022)
- การเปลี่ยนตาพูดเพิ่มจาก 135 ms เมื่อพบหน้ากันเป็น 487 ms ผ่าน Zoom สำหรับคู่สนทนาคู่เดียวกัน (Boland และคณะ, Journal of Experimental Psychology: General 2022)
- ความหน่วงทางเดียวต่ำกว่า 150 ms ให้การโต้ตอบที่แทบไม่มีผลกระทบ ส่วน 400 ms คือเพดานสำหรับการวางแผน (ข้อแนะนำ ITU-T G.114, 2003)
1. ช่วงว่างเฉลี่ยระหว่างตาพูดในแต่ละภาษา
ข้อค้นพบหลักของการเปรียบเทียบข้ามภาษาที่ใหญ่ที่สุดไม่ใช่ว่าวัฒนธรรมต่างกัน แต่คือต่างกันน้อยเพียงใด ในการศึกษา 10 ภาษาของ Stivers และเพื่อนร่วมงาน ค่าเหลื่อมของการตอบที่พบบ่อยที่สุดคือ 0 ms พอดี และค่าเฉลี่ยของทุกภาษาอยู่ห่างจากค่าเฉลี่ยรวมไม่เกินราว 250 ms ทั้งสองด้าน ภาษาเดนมาร์กซึ่งช้าที่สุดในตัวอย่าง ก็ยังตอบในเวลาไม่ถึงครึ่งวินาทีโดยเฉลี่ย (+469 ms) ผู้เขียนเสนอว่าคำบรรยายทางชาติพันธุ์วรรณนาเกี่ยวกับวัฒนธรรมการสนทนาที่ “ช้า” หรือ “เร็ว” อย่างโดดเด่นสะท้อนความไวต่อความต่างของจังหวะเพียงไม่กี่ร้อยมิลลิวินาที
ตัวชี้วัดที่ใช้ในที่นี้คือค่าเหลื่อมการส่งต่อสิทธิ์พูด (FTO) คือเวลาตั้งแต่จบตาพูดของผู้พูดคนหนึ่งจนถึงเริ่มตาพูดของผู้พูดคนถัดไป โดยค่าติดลบหมายความว่าผู้พูดคนถัดไปเริ่มก่อน คือพูดทับซ้อน ค่าเฉลี่ยรายภาษาตามที่ Levinson และ Torreira (ตารางที่ 1) จัดทำเป็นตารางคือ Tzeltal 67 ms, Yélî Dnye 71 ms, ภาษาดัตช์ 108 ms, ภาษาเกาหลี 182 ms, ภาษาอังกฤษ 236 ms, ภาษาอิตาลี 309 ms, ภาษาลาว 419 ms และ ‡Ākhoe Hai‖om 423 ms คลังข้อมูลการสนทนาทางโทรศัพท์ภาษาอังกฤษขนาดใหญ่ก็อยู่ในช่วงเดียวกัน คือค่าเฉลี่ย 187 ms ใน Switchboard และ 0.300 s ใน Fisher
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ขนาดของการเปรียบเทียบ 10 ภาษา | คำถามต่อเนื่อง 350 ข้อต่อภาษา รวม 101 บทสนทนา | Stivers และคณะ, PNAS 2009 |
| เวลาเฉลี่ยตั้งแต่จบคำถามจนถึงเริ่มคำตอบ รวมทั้ง 10 ภาษา | +208 ms | Stivers และคณะ, PNAS 2009 |
| ค่าเหลื่อมการตอบที่พบบ่อยที่สุด (ฐานนิยม) และมัธยฐาน รวมทั้ง 10 ภาษา | ฐานนิยม 0 ms, มัธยฐาน +100 ms | Stivers และคณะ, PNAS 2009 |
| ภาษาที่เร็วที่สุดเทียบกับช้าที่สุด ตามค่าเหลื่อมการตอบเฉลี่ย | ภาษาญี่ปุ่น +7 ms เทียบกับภาษาเดนมาร์ก +469 ms | Stivers และคณะ, PNAS 2009 |
| ค่าเฉลี่ยและมัธยฐานของค่าเหลื่อมการส่งต่อสิทธิ์พูด คลังข้อมูลการสนทนาทางโทรศัพท์ภาษาอังกฤษ Switchboard (การเปลี่ยนตาพูด 19,754 ครั้ง, 348 บทสนทนา) | ค่าเฉลี่ย 187 ms, มัธยฐาน 168 ms | Roberts, Torreira และ Levinson, Frontiers in Psychology 2015 |
| ค่าเหลื่อมการเปลี่ยนตาพูดเฉลี่ย คลังข้อมูลการสนทนาทางโทรศัพท์ภาษาอังกฤษอเมริกัน Fisher (10,950 บทสนทนา, ผู้พูด 11,684 คน) | 0.300 s (ส่วนเบี่ยงเบนมาตรฐาน = 0.228) | Cavalcanti และ Skantze, Interspeech 2025 |
| ช่วงว่างเฉลี่ยในบทสนทนาสองคนที่ใช้นิยามช่วงว่างยาว | 248 ms (ส่วนเบี่ยงเบนมาตรฐาน = 598 ms) | Templeton และคณะ, Philosophical Transactions B 2023 |
หมายเหตุบริบท: ตัวเลข 10 ภาษาครอบคลุมเฉพาะคำตอบของคำถาม ไม่ใช่การเปลี่ยนตาพูดทุกครั้ง และข้อมูลล่าสุดที่มีสำหรับการเปรียบเทียบนั้นมาจากปี 2009 การศึกษา Fisher ปี 2025 เพิ่มประเด็นที่น่าสนใจ คือปัจจัยทางประชากรศาสตร์แทบไม่มีผล (เพศอธิบายความแปรปรวนได้ราว 3.2% และอายุ 1.3%) ในขณะที่คู่สนทนาเฉพาะคู่มีผลมากที่สุด ซึ่งผู้เขียนเรียกว่า “dyadosyncrasy” (ลักษณะเฉพาะตัวของแต่ละคู่สนทนา) (Cavalcanti และ Skantze, Interspeech 2025)
2. อัตราการพูดทับซ้อนและรูปร่างของการแจกแจงช่วงว่าง
ค่าเฉลี่ยราว 200 ms ซ่อนความกระจายที่กว้างไว้ เมื่อวัดทุกครั้งที่ผู้พูดเปลี่ยน การพูดทับซ้อนไม่ใช่ความขัดข้องที่เกิดน้อย แต่เป็นส่วนปกติของการสนทนา ในคลังข้อมูลที่ Heldner และ Edlund วิเคราะห์ ประมาณ 40% ของช่วงเวลาระหว่างผู้พูดทั้งหมดเป็นการพูดทับซ้อน ช่วงเวลาระหว่างผู้พูดคือความเงียบหรือการพูดทับซ้อน ณ จังหวะที่ผู้พูดคนหนึ่งหยุดและอีกคนเริ่ม
แต่การพูดทับซ้อนเติมเต็มการบันทึกจริงน้อยมาก ในคลังข้อมูลการสนทนาทางโทรศัพท์ Switchboard มีเพียง 3.8% ของเสียงที่ทั้งสองคนพูดพร้อมกัน เพราะการพูดทับซ้อนส่วนใหญ่สั้น Heldner และ Edlund ยังพบว่ามีเพียง 14 ถึง 19% ของช่วงว่างที่สั้นกว่า 200 ms ดังนั้นการเปลี่ยนตาพูดแบบ “ไม่มีช่วงว่างและไม่มีการพูดทับซ้อน” จึงพบได้น้อยกว่าที่คำอธิบายในตำราชวนให้เข้าใจมาก
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| สัดส่วนช่วงเวลาระหว่างผู้พูดที่เป็นการพูดทับซ้อน (Spoken Dutch Corpus / HCRC Map Task Corpus / Swedish Map Task Corpus) | 40.0% / 41.7% / 40.0% | Heldner และ Edlund, Journal of Phonetics 2010 |
| สัดส่วนช่วงเวลาระหว่างผู้พูด (ช่วงว่างและการพูดทับซ้อน) ที่สั้นกว่า 500 ms | 70-82% | Heldner และ Edlund, Journal of Phonetics 2010 |
| สัดส่วนช่วงเวลาระหว่างผู้พูดที่เป็นการพูดทับซ้อนหรือช่วงว่างที่สั้นเกินกว่าจะสังเกตได้ | 55-59% | Heldner และ Edlund, Journal of Phonetics 2010 |
| สัดส่วนเสียงในการสนทนาทางโทรศัพท์ Switchboard ที่ผู้พูดทั้งสองคนพูดพร้อมกัน | 3.8% (77% มีผู้พูดคนเดียว, 19.2% เงียบ) | Levinson และ Torreira, Frontiers in Psychology 2015 |
| สัดส่วนการส่งต่อสิทธิ์พูดใน Switchboard ที่เริ่มด้วยการพูดทับซ้อน | 30.1% | Roberts, Torreira และ Levinson, Frontiers in Psychology 2015 |
| เสียงตอบรับของผู้ฟัง (backchannel) ที่ถูกตาพูดถัดไปพูดทับ เทียบกับตาพูดอื่นที่ถูกพูดทับ (Switchboard) | 35% เทียบกับ 28% | Roberts, Torreira และ Levinson, Frontiers in Psychology 2015 |
| คำพูดทับซ้อนเป็นสัดส่วนของคำพูดทั้งหมด 6 ภาษา ภาษาละราว 1 ชั่วโมง | 10.5% (ภาษาสเปน) ถึง 20.8% (ภาษาเกาหลี); ภาษาอังกฤษ 12.6% | Liesenfeld, Lopez และ Dingemanse 2023 |
| ระยะเวลาตาพูดเฉลี่ยในตัวอย่าง 6 ภาษาชุดเดียวกัน | 2,538 ms (ภาษาจีนกลาง) ถึง 4,620 ms (ภาษาสเปน) | Liesenfeld, Lopez และ Dingemanse 2023 |
นิยามต่างกัน ซึ่งอธิบายว่าทำไมสัดส่วนการพูดทับซ้อนจึงไม่ตรงกันข้ามแถว Heldner และ Edlund นับการพูดทับซ้อนในบรรดาช่วงเวลาระหว่างผู้พูดทั้งหมด ตัวเลข 30.1% ของ Switchboard นับการส่งต่อสิทธิ์พูด และตัวอย่าง 6 ภาษาใน Liesenfeld, Lopez และ Dingemanse วัดการพูดทับซ้อนเป็นสัดส่วนของเวลาพูด เสียงตอบรับของผู้ฟังคือการตอบสั้น ๆ ของผู้ฟัง เช่น “mm-hm” หรือ “yeah” ที่ไม่ได้แย่งสิทธิ์พูด ข้อมูลล่าสุดที่มีสำหรับคลังข้อมูลภาษาดัตช์ อังกฤษ และสวีเดนมาจากปี 2010
3. การวางแผนคำตอบใช้เวลานานแค่ไหน
นี่คือปริศนาหลักของงานวิจัยเรื่องการผลัดกันพูด การเปล่งคำเพียงคำเดียวใช้เวลาราว 600 ms นับจากเห็นภาพจนถึงเริ่มพูด และประโยคง่าย ๆ ใช้เวลาราว 1,500 ms ทว่าช่วงว่างเฉลี่ย 208 ms จากหัวข้อ 1 เป็นเพียงราวหนึ่งในสามของตัวเลขคำเดียว (208 / 600 = 0.35) วิธีเดียวที่ตัวเลขเหล่านี้จะลงตัวได้คือผู้ฟังเริ่มวางแผนคำตอบขณะที่ยังฟังอยู่
หลักฐานจาก EEG สนับสนุนเรื่องนี้ ในการทดลองของ Bögels, Magyari และ Levinson ร่องรอยในสมองของการวางแผนตอบปรากฏภายในครึ่งวินาทีหลังจากที่ดึงคำตอบของคำถามออกมาได้ ซึ่งในบางคำถามเกิดขึ้นก่อนคำถามจบราว 2.4 วินาที คำตอบที่วางแผนได้เร็วออกมาเร็วกว่า คือ 950 ms ลบ 640 ms ได้ผลต่างราว 310 ms ระหว่างสองเงื่อนไข (เป็นการคำนวณของเราจากค่าเฉลี่ยที่รายงาน) ปัญหางบเวลาแบบเดียวกันนี้ปัจจุบันเป็นตัวกำหนดการออกแบบซอฟต์แวร์เสียง ดังที่ผลวัดเวลาถึงเสียงแรกของเอเจนต์เสียงของเราแสดงให้เห็น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เวลาตั้งแต่เห็นภาพจนถึงเริ่มเรียกชื่อภาพ (ค่าประมาณ) | ราว 600 ms | Levinson และ Torreira, Frontiers in Psychology 2015, อ้างอิง Indefrey และ Levelt 2004 |
| เวลาก่อนเริ่มพูดเมื่ออธิบายฉากง่าย ๆ (เช่น เด็กชายเตะลูกบอล) เป็นประโยค | ราว 1,500 ms | Levinson และ Torreira, Frontiers in Psychology 2015 |
| ช่วงเวลาของสัญญาณ EEG ระยะแรกของการเตรียมตอบ เทียบกับตอนจบของตาพูดที่เข้ามา | ราว 1,200 ms ก่อนจบ หรือประมาณครึ่งทางของตาพูด | Levinson และ Torreira, Frontiers in Psychology 2015, อ้างอิง Magyari และคณะ 2014 |
| ผู้เข้าร่วมและสิ่งเร้าในการทดลอง EEG ถาม-ตอบ | ผู้เข้าร่วม 24 คน (การทดลองหลัก), คู่คำถามภาษาดัตช์ 94 คู่ | Bögels, Magyari และ Levinson, Scientific Reports 2015 |
| เวลาตอบเฉลี่ยเมื่อคำตอบพร้อมตั้งแต่ต้นคำถามเทียบกับพร้อมเฉพาะตอนท้าย | M = 640 ms (ฐานนิยมราว 400 ms) เทียบกับ M = 950 ms (ฐานนิยมราว 750 ms) | Bögels, Magyari และ Levinson, Scientific Reports 2015 |
| คำตอบถูกดึงออกมาได้เร็วเพียงใดในคำถามที่คำตอบพร้อมเร็ว | ก่อนคำถามจบโดยเฉลี่ยราว 2.4 วินาที | Bögels, Magyari และ Levinson, Scientific Reports 2015 |
| ผู้ฟังในการทดลองภาษาสวีเดนเรื่องสัญญาณบอกการจบตาพูด และการเปลี่ยนแปลงที่รบกวนมากที่สุดใน 500 ms สุดท้ายของตาพูด | N = 32; การเพิ่มอัตราการพูด (p < 0.005) | Feindt และคณะ, Interspeech 2023 |
หมายเหตุบริบท: ในการศึกษาภาษาสวีเดนของ Interspeech 2023 การเร่งช่วงท้ายของตาพูดทำให้เวลาตอบสนองยาวขึ้นเมื่อผู้พูดยังรักษาตาพูดไว้ แต่สั้นลงเมื่อผู้พูดยกตาพูดให้ ซึ่งเป็นสัญญาณว่าผู้ฟังอ่านอัตราการพูดเป็นสัญญาณบอกการจบตาพูด ข้อมูลล่าสุดที่มีสำหรับเวลาแฝงในการเรียกชื่อมาจากปี 2004 และก่อนหน้านั้น
4. ช่วงว่างบ่งบอกอะไร: ความต้องการ ความเห็นพ้อง และความผูกพัน
เนื่องจากช่วงว่างโดยปริยายสั้นมาก ช่วงว่างที่ยาวขึ้นเล็กน้อยจึงมีความหมาย การยืนยันมาเร็วกว่าสิ่งตรงข้าม คำตอบแบบยืนยันเร็วกว่าคำตอบแบบไม่ยืนยันโดยเฉลี่ย 100 ถึง 500 ms ในทั้ง 10 ภาษาของการเปรียบเทียบในหัวข้อ 1 ในคลังข้อมูลการสนทนาทางโทรศัพท์ Kendrick และ Torreira พบว่าการปฏิเสธและคำตอบอื่นที่ไม่เป็นที่ต้องการมีมากกว่าคำตอบที่เป็นที่ต้องการอย่างชัดเจนก็ต่อเมื่อช่วงว่างยาวถึง 700 ms ขึ้นไป
ความเร็วยังถูกอ่านเป็นความสนิทสนม ในการศึกษา PNAS ปี 2022 ของ Templeton และเพื่อนร่วมงาน เวลาตอบที่สั้นกว่าทำนายความรู้สึกผูกพันที่แข็งแรงกว่า และผู้ฟังภายนอกให้คะแนนบทสนทนาฉบับตัดต่อแบบเร็วว่าน่าเพลิดเพลินกว่าฉบับช้า แต่กฎนี้กลับด้านในหมู่เพื่อน ในการศึกษาต่อเนื่องปี 2023 เพื่อนมีช่วงเงียบยาวมากกว่าคนแปลกหน้า และช่วงเงียบเหล่านั้นไม่ได้ทำให้พวกเขาอึดอัด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเร็วของคำตอบแบบยืนยันเทียบกับคำตอบแบบไม่ยืนยันต่อคำถาม | เร็วกว่าโดยเฉลี่ย 100 ถึง 500 ms ในทั้ง 10 ภาษา | Stivers และคณะ, PNAS 2009 |
| ความยาวช่วงว่างที่คำตอบไม่เป็นที่ต้องการมีมากกว่าคำตอบที่เป็นที่ต้องการอย่างชัดเจน (195 คำตอบในคลังข้อมูลการสนทนาทางโทรศัพท์) | 700 ms ขึ้นไป | Kendrick และ Torreira, Discourse Processes 2015 |
| ช่วงว่างเฉลี่ยหลังตาพูดที่มีการกระทำตอบกลับ เทียบกับหลังตาพูดอื่น (Switchboard) | 150 ms เทียบกับ 202 ms | Roberts, Torreira และ Levinson, Frontiers in Psychology 2015 |
| ผลของเวลาตอบเฉลี่ยของแต่ละคนต่อความรู้สึกผูกพัน (ผู้เข้าร่วม 66 คน แต่ละคนอยู่ในบทสนทนายาวสิบนาที 10 บท) | b = −0.28, SE = 0.05, P < 0.001 | Templeton และคณะ, PNAS 2022 |
| ช่วงว่างเฉลี่ยในบทสนทนาฉบับตัดต่อแบบเร็ว ฉบับเดิม และฉบับช้า ของบทสนทนาชุดเดียวกัน ประเมินโดยผู้ฟังออนไลน์ 450 คน | 55.68 ms / 278.55 ms / 557.14 ms; เวลาตอบทำนายความเพลิดเพลินที่รับรู้ในทิศทางตรงข้าม F(2, 2,351.9) = 49.44, P < 0.001 | Templeton และคณะ, PNAS 2022 |
| เกณฑ์ที่ใช้นิยามช่วงว่างยาวในบทสนทนา | มากกว่า 2 s หรือประมาณ 3 ส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย | Templeton และคณะ, Philosophical Transactions B 2023 |
| บทสนทนาที่วิเคราะห์ และกลุ่มใดมีช่วงว่างยาวมากกว่า | คู่คนแปลกหน้า 261 คู่และบทสนทนาระหว่างเพื่อน 65 บท; เพื่อนมีช่วงว่างยาวมากกว่าคนแปลกหน้า | Templeton และคณะ, Philosophical Transactions B 2023 |
หมายเหตุบริบท: ผลการศึกษาของ Templeton มาจากตัวอย่างของกลุ่มวิจัยกลุ่มเดียว (ผู้เข้าร่วม 66 คนในการศึกษาปี 2022 และคู่คนแปลกหน้า 261 คู่ในการศึกษาปี 2023) จึงควรถือเป็นหลักฐานเกี่ยวกับผู้เข้าร่วมกลุ่มนั้น ไม่ใช่ผู้พูดทุกคน คำตอบที่ “ไม่เป็นที่ต้องการ” คือคำตอบที่คำถามไม่ได้เชื้อเชิญ เช่น การปฏิเสธคำเชิญหรือการไม่เห็นด้วย
5. เด็กพัฒนาจังหวะการผลัดกันพูดอย่างไร
การผลัดกันพูดเริ่มก่อนคำพูด และเส้นทางนั้นไม่ได้เป็นเส้นตรง ทารกอายุ 3 ถึง 5 เดือนตอบสนองเร็วแต่ยุ่งเหยิง ในการศึกษาระยะยาวของ Hilbrink, Gattis และ Levinson กับคู่แม่-ลูก 12 คู่ (การเปลี่ยนตาพูด 8,555 ครั้ง) ทารกเปล่งเสียงทับกับแม่เกินหนึ่งในสามเล็กน้อยของการเปล่งเสียงทั้งหมด เมื่ออายุราว 9 และ 12 เดือน ช่วงว่างของทารกยาวขึ้นมาก ขณะที่จังหวะของแม่คงที่
รายงานก่อนหน้านี้ที่มีผู้เขียนซ้ำกันบางส่วนบรรยายการช้าลงแบบเดียวกัน คือเด็กเริ่มต้นเท่าเทียมกับแม่ แต่แสดงช่วงว่างที่ยาวขึ้นอย่างมีนัยสำคัญในตัวอย่างอายุ 12 เดือน (Casillas และคณะ, SemDial 2013) จาก 26 การศึกษา หลักฐานรวมชี้ว่าเวลาแฝงในการตอบสนองของทารกอยู่ที่ราวหนึ่งวินาที ซึ่งยาวกว่าค่าเฉลี่ยของผู้ใหญ่ในหัวข้อ 1 หลายเท่า
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การเปลี่ยนตาพูดเฉลี่ยในการสนทนาเริ่มแรกระหว่างแม่กับทารกเมื่ออายุราว 3 เดือน | ราว 1.5 s | Levinson และ Torreira, Frontiers in Psychology 2015, อ้างอิง Bateson 1975 |
| การเปล่งเสียงของทารกที่ทับกับแม่เมื่ออายุ 3, 4 และ 5 เดือน | เกินหนึ่งในสามเล็กน้อย | Hilbrink, Gattis และ Levinson, Frontiers in Psychology 2015 |
| ตาพูดของแม่ที่ทับกับทารกเมื่ออายุ 3, 4 และ 5 เดือน | ระหว่าง 14 ถึง 21% | Hilbrink, Gattis และ Levinson, Frontiers in Psychology 2015 |
| ตาพูดของทารกที่ทับกันเมื่ออายุ 18 เดือน | ราว 20% ใกล้เคียงกับแม่ | Hilbrink, Gattis และ Levinson, Frontiers in Psychology 2015 |
| เด็กที่พูดทับท้ายตาพูดของแม่ก่อนอายุ 5 เดือน เทียบกับเมื่ออายุ 1 ปี 8 เดือน | เกือบ 40% ของเวลา เทียบกับประมาณ 4% | Casillas และคณะ, SemDial 2013 |
| เวลาแฝงในการตอบสนองของทารกรวมจาก 26 การศึกษา (78 ค่าประมาณ, ทารก 429 คน) | เฉลี่ยราว 1 s | Nguyen และคณะ, Child Development 2022 |
| การเปลี่ยนแปลงของเวลาแฝงในการตอบสนองของทารกเมื่อเวลาแฝงของผู้ใหญ่เพิ่มขึ้น 1 s (เช่น 400 เป็น 1,400 ms) | เพิ่มขึ้นมากกว่า 1 s | Nguyen และคณะ, Child Development 2022 |
แถวสุดท้ายใช้ประโยชน์ได้จริงที่สุด การวิเคราะห์อภิมานปี 2022 พบว่าทารกสะท้อนจังหวะของคู่สนทนา ผู้ใหญ่ที่ช้ากว่าจึงได้รับคำตอบจากทารกที่ช้ากว่า ข้อมูลล่าสุดที่มีสำหรับตัวอย่างทารกระยะยาวมาจากปี 2013 ถึง 2015
6. ความหน่วงของวิดีโอคอลกับการผลัดกันพูด
วิดีโอคอลเพิ่มความหน่วงของเสียงเพียงหลักสิบมิลลิวินาที แต่ผลต่อการผลัดกันพูดนั้นไม่ได้สัดส่วนกันเลย ในการทดลองของ Boland และเพื่อนร่วมงาน คู่สนทนาคู่เดิมที่สลับกันพูดใน 135 ms เมื่อพบหน้ากันใช้เวลา 487 ms ผ่าน Zoom เพิ่มขึ้น 352 ms (487 ลบ 135) เทียบกับความหน่วงในการส่งสัญญาณที่ประมาณไว้เพียง 30-70 ms ในงานตอบใช่/ไม่ใช่ ผลต่างระหว่างคำตอบในพื้นที่กับคำตอบระยะไกลคือ 679 ms (976 ลบ 297) ผู้เขียนโต้แย้งว่าความหน่วงรบกวนกลไกการจับจังหวะที่คนเราใช้เริ่มตาพูด ไม่ใช่แค่สัญญาณเท่านั้น
ข้อมูลภาคสนามจากการตรวจรักษาผ่านวิดีโอทางคลินิกก็เล่าเรื่องเดียวกัน Seuren และเพื่อนร่วมงาน พบว่าความหน่วงราว 100 ms แทบไม่กระทบการผลัดกันพูด ขณะที่ที่ 700 ms ผู้เข้าร่วมประสบปัญหาเป็นประจำ ทั้งความเงียบที่ไม่ได้ตั้งใจและการพูดทับกัน วิศวกรเครือข่ายวางแผนโดยยึดขีดจำกัดใกล้เคียงกันมานานแล้ว ดังที่กล่าวไว้ในสถิติบัฟเฟอร์จิตเตอร์ VoIP และคุณภาพเสียงพูดของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คำตอบใช่/ไม่ใช่ต่อคำถามที่บันทึกไว้ล่วงหน้า: ความหน่วงเฉลี่ยของคำตอบในพื้นที่เทียบกับระยะไกล (Zoom) | 297 ms เทียบกับ 976 ms | Boland และคณะ, Journal of Experimental Psychology: General 2022 |
| เวลาเปลี่ยนตาพูดของคู่สนทนาคู่เดียวกัน เมื่อพบหน้ากันเทียบกับผ่าน Zoom | 135 ms เทียบกับ 487 ms | Boland และคณะ, Journal of Experimental Psychology: General 2022 |
| ความหน่วงในการส่งสัญญาณเสียงที่ประมาณไว้ในการทดลอง Zoom | 30-70 ms | Boland และคณะ, Journal of Experimental Psychology: General 2022 |
| การตรวจรักษาผ่านวิดีโอที่วิเคราะห์ และปัญหาการผลัดกันพูดที่พบ | 25 ครั้ง (7 ชั่วโมง 57 นาที); ความเงียบที่สังเกตได้ 130 ครั้งและการพูดทับ 172 ครั้ง | Seuren และคณะ, Journal of Pragmatics 2021 |
| ความหน่วงที่การผลัดกันพูดแทบไม่ได้รับผลกระทบเทียบกับถูกรบกวนเป็นประจำ | ราว 100 ms เทียบกับ 700 ms | Seuren และคณะ, Journal of Pragmatics 2021 |
| ความหน่วงทางเดียวที่ต่ำกว่านี้แอปพลิเคชันส่วนใหญ่มีการโต้ตอบที่แทบไม่มีผลกระทบ | ต่ำกว่า 150 ms | ข้อแนะนำ ITU-T G.114, 2003 |
| ความหน่วงทางเดียวที่ไม่ควรเกินในการวางแผนเครือข่ายทั่วไป | 400 ms | ข้อแนะนำ ITU-T G.114, 2003 |
| ความหน่วงทางเดียวที่ไม่มีผลกระทบอย่างมีนัยสำคัญต่อคุณภาพเสียงพูดโดยรวมที่รับรู้ในบทสนทนาที่โต้ตอบกันสูง (ทดสอบความหน่วงสูงสุด 1,600 ms) | สูงสุด 400 ms | Egger, Schatz และ Scherer, Interspeech 2010 |
หมายเหตุค่านอกเกณฑ์: ITU-T G.114 เองก็เตือนว่างานที่โต้ตอบกันสูง รวมถึงการประชุมทางเสียงและวิดีโอบางประเภท อาจได้รับผลกระทบจากความหน่วงต่ำกว่า 100 ms และการทดสอบของ Interspeech 2010 พบว่าความไวต่อความหน่วงเพิ่มขึ้นตามระดับการโต้ตอบของบทสนทนา คะแนนคุณภาพกับจังหวะการผลัดกันพูดเป็นการวัดคนละอย่าง จึงเป็นเหตุให้ความหน่วง 400 ms อาจได้คะแนนว่ายอมรับได้และยังทำให้เกิดการพูดทับกัน ขั้นตอนประมวลผลหลายชั้น เช่น การแปลสด เพิ่มความหน่วงของตัวเองซ้อนขึ้นไปอีก ดังที่แสดงในสถิติความหน่วงของการแปลเสียงเป็นเสียงของเรา ข้อมูลล่าสุดที่มีสำหรับ G.114 คือฉบับปี 2003 ซึ่งยังมีผลบังคับใช้อยู่
สรุป: ระยะเวลาช่วงว่างระหว่างการผลัดกันพูดในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ค่าเหลื่อมการตอบเฉลี่ยหลังคำถาม รวม 10 ภาษา | +208 ms | Stivers และคณะ, PNAS 2009 |
| สัดส่วนช่วงเวลาระหว่างผู้พูดที่เป็นการพูดทับซ้อน | ราว 40% | Heldner และ Edlund, Journal of Phonetics 2010 |
| สัดส่วนช่วงเวลาระหว่างผู้พูดที่สั้นกว่า 500 ms | 70-82% | Heldner และ Edlund, Journal of Phonetics 2010 |
| ค่าเฉลี่ยและมัธยฐานของค่าเหลื่อมการส่งต่อสิทธิ์พูด Switchboard | 187 ms และ 168 ms | Roberts, Torreira และ Levinson, Frontiers in Psychology 2015 |
| ช่วงว่างเฉลี่ย คลังข้อมูล Fisher (การสนทนาทางโทรศัพท์ภาษาอังกฤษอเมริกัน 10,950 บทสนทนา) | 0.300 s | Cavalcanti และ Skantze, Interspeech 2025 |
| เวลาตั้งแต่เห็นภาพจนถึงเริ่มเรียกชื่อภาพ | ราว 600 ms | Levinson และ Torreira, Frontiers in Psychology 2015 |
| คำพูดทับซ้อนเป็นสัดส่วนของคำพูดทั้งหมด 6 ภาษา | 10.5% ถึง 20.8% | Liesenfeld, Lopez และ Dingemanse 2023 |
| เวลาตอบ เมื่อคำตอบพร้อมเร็วเทียบกับช้าในคำถาม | 640 ms เทียบกับ 950 ms | Bögels, Magyari และ Levinson, Scientific Reports 2015 |
| คำตอบถูกดึงออกมาได้เร็วเพียงใดในคำถามที่คำตอบพร้อมเร็ว | ก่อนคำถามจบราว 2.4 s | Bögels, Magyari และ Levinson, Scientific Reports 2015 |
| ความยาวช่วงว่างที่คำตอบไม่เป็นที่ต้องการมีมากกว่าอย่างชัดเจน | 700 ms ขึ้นไป | Kendrick และ Torreira, Discourse Processes 2015 |
| ผลของเวลาตอบเฉลี่ยต่อความรู้สึกผูกพัน | b = −0.28, P < 0.001 | Templeton และคณะ, PNAS 2022 |
| กลุ่มที่มีช่วงว่างยาวมากกว่า (เกิน 2 s) | เพื่อน ไม่ใช่คนแปลกหน้า | Templeton และคณะ, Philosophical Transactions B 2023 |
| การเปล่งเสียงของทารกที่ทับกัน อายุ 3 ถึง 5 เดือนเทียบกับ 18 เดือน | เกินหนึ่งในสามเล็กน้อยเทียบกับราว 20% | Hilbrink, Gattis และ Levinson, Frontiers in Psychology 2015 |
| เด็กที่พูดทับท้ายตาพูดของแม่ ก่อนอายุ 5 เดือนเทียบกับเมื่ออายุ 1 ปี 8 เดือน | เกือบ 40% เทียบกับประมาณ 4% | Casillas และคณะ, SemDial 2013 |
| เวลาแฝงในการตอบสนองของทารกจาก 26 การศึกษา | ราว 1 s | Nguyen และคณะ, Child Development 2022 |
| เวลาเปลี่ยนตาพูด เมื่อพบหน้ากันเทียบกับ Zoom | 135 ms เทียบกับ 487 ms | Boland และคณะ, Journal of Experimental Psychology: General 2022 |
| ความหน่วงของคำตอบใช่/ไม่ใช่ ในพื้นที่เทียบกับระยะไกลผ่าน Zoom | 297 ms เทียบกับ 976 ms | Boland และคณะ, Journal of Experimental Psychology: General 2022 |
| ความหน่วงของวิดีโอคอล: แทบไม่ได้รับผลกระทบเทียบกับถูกรบกวนเป็นประจำ | ราว 100 ms เทียบกับ 700 ms | Seuren และคณะ, Journal of Pragmatics 2021 |
| ความหน่วงทางเดียว: การโต้ตอบที่แทบไม่มีผลกระทบเทียบกับเพดานการวางแผน | ต่ำกว่า 150 ms เทียบกับ 400 ms | ข้อแนะนำ ITU-T G.114, 2003 |
ระเบียบวิธีและแหล่งที่มา
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009
- Levinson and Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015
- Roberts, Torreira and Levinson, The effects of processing and sequence organization on the timing of turn taking: a corpus study, Frontiers in Psychology 2015
- Heldner and Edlund, Pauses, gaps and overlaps in conversations, Journal of Phonetics 2010
- Cavalcanti and Skantze, Dyadosyncrasy, Idiosyncrasy and Demographic Factors in Turn-Taking, Interspeech 2025
- Liesenfeld, Lopez and Dingemanse, The timing bottleneck, arXiv 2307.15493, 2023
- Bögels, Magyari and Levinson, Neural signatures of response planning occur midway through an incoming question in conversation, Scientific Reports 2015
- Feindt et al., Cues to next-speaker projection in conversational Swedish, Interspeech 2023
- Kendrick and Torreira, The timing and construction of preference: a quantitative study, Discourse Processes 2015
- Templeton et al., Fast response times signal social connection in conversation, PNAS 2022
- Templeton et al., Long gaps between turns are awkward for strangers but not for friends, Philosophical Transactions of the Royal Society B 2023
- Hilbrink, Gattis and Levinson, Early developmental changes in the timing of turn-taking, Frontiers in Psychology 2015
- Casillas et al., Turn-timing in naturalistic mother-child interactions: a longitudinal perspective, SemDial 2013
- Nguyen, Versyp, Cox and Fusaroli, A systematic review and Bayesian meta-analysis of the development of turn taking in adult-child vocal interactions, Child Development 2022
- Boland, Fonseca, Mermelstein and Williamson, Zoom disrupts the rhythm of conversation, Journal of Experimental Psychology: General 2022
- Seuren, Wherton, Greenhalgh and Shaw, Whose turn is it anyway? Latency and the organization of turn-taking in video-mediated interaction, Journal of Pragmatics 2021
- ITU-T Recommendation G.114, One-way transmission time, 2003
- Egger, Schatz and Scherer, It takes two to tango: assessing the impact of delay on conversational interactivity on perceived speech quality, Interspeech 2010
- ข้อสังเกตเกี่ยวกับข้อมูล: บทความต้นฉบับของการศึกษา 10 ภาษารายงานภาษาเดนมาร์กที่ +469 ms และภาษาอิตาลีที่ +310 ms ในเนื้อหา ขณะที่ตารางของบทความทบทวนปี 2015 ที่นำตัวเลขเหล่านั้นมาแสดงระบุ 468 ms และ 309 ms เราใช้ตัวเลขของบทความต้นฉบับเมื่ออ้างถึงโดยตรง การเปรียบเทียบ 10 ภาษาวัดเฉพาะคำตอบของคำถาม ดังนั้นค่าเฉลี่ยจึงเทียบโดยตรงกับค่าเฉลี่ยทั้งคลังข้อมูลจาก Switchboard (187 ms) หรือ Fisher (0.300 s) ไม่ได้ สัดส่วนการพูดทับซ้อนต่างกันตามนิยาม (40% ของช่วงเวลาระหว่างผู้พูด, 30.1% ของการส่งต่อสิทธิ์พูดใน Switchboard, 10.5-20.8% ของเวลาพูด) และไม่ควรนำมาเทียบราวกับวัดสิ่งเดียวกัน ตัวอย่างการพูดทับซ้อน 6 ภาษาครอบคลุมบทสนทนาเพียงราวหนึ่งชั่วโมงต่อภาษา ข้อมูลข้ามภาษา พัฒนาการเด็ก และการวางแผนส่วนใหญ่เก่ากว่าสามปี ส่วนที่เพิ่มเข้ามาใหม่ล่าสุดคือการวิเคราะห์ Fisher ของ Interspeech 2025 และการศึกษาปี 2022-2023 เกี่ยวกับ Zoom ความเร็วในการตอบ และช่วงว่างยาว ผลการศึกษา Zoom มาจากการทดลองที่ควบคุมตัวแปร โดยใช้ความหน่วงในการส่งสัญญาณที่ประมาณขึ้น ไม่ได้วัดจริงรายสาย
อัปเดตล่าสุด: 8 พฤศจิกายน 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อมีการจัดทำดัชนีเอกสารการประชุม Interspeech 2026 ใน ISCA Archive