ใน 10 ภาษา คนตอบคำถามหลังช่วงเว้นเฉลี่ยเพียง 208 ms แต่เป้าหมายเริ่มต้นของ Twilio สำหรับเอเจนต์เสียง AI แบบเรียงต่อกันคือช่วงเว้นระหว่างผลัดการพูด 1,115 ms จากปากถึงหู ซึ่งนานกว่าราว 5 เท่า (1,115 ÷ 208 ≈ 5.4) เกณฑ์อ้างอิงของมนุษย์เร็วเพราะผู้ฟังคาดการณ์จุดสิ้นสุดของผลัดการพูดได้ แค่การเปล่งคำเดียวก็ใช้เวลาราว 600 ms แล้ว จึงต้องวางแผนคำตอบไว้ขณะที่อีกฝ่ายยังพูดอยู่ (Levinson และ Torreira, Frontiers in Psychology 2015) เอเจนต์เสียงคาดการณ์แบบเดียวกันไม่ได้ จึงต้องรอ ถอดเสียง คิด และสังเคราะห์ตามลำดับ และตารางจัดอันดับอิสระล่าสุดแสดงเวลาถึงเสียงแรกโดยเฉลี่ยของโมเดลเสียงเป็นเสียงตั้งแต่ 0.44 s ถึง 2.98 s (Artificial Analysis Speech to Speech Index 2026) สำหรับคอนแทคเซ็นเตอร์ที่กำลังนำระบบอัตโนมัติมาใช้ ซึ่งเราครอบคลุมไว้ในสถิติระบบอัตโนมัติของคอนแทคเซ็นเตอร์ด้วยเอเจนต์เสียง ความหน่วงคือส่วนของประสบการณ์ที่ผู้โทรรู้สึกก่อนจะได้ยินคำที่เป็นประโยชน์แม้แต่คำเดียว เรารวบรวมข้อมูลจากการศึกษาการสลับผลัดการพูดของ PNAS มาตรฐานสากลว่าด้วยความล่าช้าของโทรศัพท์ คู่มือวิศวกรรมแบบโอเพนซอร์สและของผู้ให้บริการ ตารางจัดอันดับอิสระ และเกณฑ์วัดงานวิจัยที่เผยแพร่บน arXiv และที่ ACM CUI
สรุปโดยย่อ
- ช่วงเว้นเฉลี่ยก่อนคำตอบใน 10 ภาษา: 208 ms; ค่ามัธยฐาน 100 ms (Stivers และคณะ, PNAS 2009)
- 70% ถึง 82% ของการเปลี่ยนผลัดการพูดในบทสนทนาสั้นกว่า 500 ms (Heldner และ Edlund 2010, ทบทวนใน Frontiers in Psychology 2015)
- ITU-T G.114 กำหนด 400 ms เป็นเพดานความล่าช้าทางเดียวสำหรับการวางแผนเครือข่าย โดยต่ำกว่า 150 ms แทบไม่รู้สึกได้ (ITU-T G.114, 2003)
- เอเจนต์เสียงวิจัยด้านโทรคมนาคมมีเวลาถึงเสียงแรกเฉลี่ย 678 ms จากคำถามที่บันทึกไว้ 500 ข้อ (Ethiraj และคณะ, NetoAI, arXiv 2025)
- คลิปบทสนทนาที่เหมือนกันทุกประการให้ความรู้สึกเชื่อมโยงกันมากกว่าเมื่อช่วงเว้นเฉลี่ย 55.68 ms เทียบกับ 557.14 ms (Templeton และคณะ, PNAS 2022)
- Deepgram อ้างว่าตรวจจับจุดสิ้นสุดผลัดการพูดได้ราว 260 ms ด้วยโมเดล Flux (เอกสาร Deepgram Flux 2025, ข้ออ้างของผู้ให้บริการ)
- โมเดลจุดสิ้นสุดผลัดการพูดที่ปรับปรุงใหม่ของ LiveKit ลดการขัดจังหวะผิดพลาดจาก 18.66% เหลือ 11.34% ใน 14 ภาษา (LiveKit, 12 ธันวาคม 2025)
- ElevenLabs Flash v2.5 วัดความหน่วงมัธยฐานได้ 197 ms รวมเครือข่าย เทียบกับข้ออ้างการอนุมาน 75 ms (Vapi Humanness Index, มิถุนายน 2026)
- OpenAI รายงานว่าการตอบกลับด้วยเสียงของ GPT-4o เฉลี่ย 320 ms เทียบกับ 5.4 s สำหรับไปป์ไลน์เสียง GPT-4 รุ่นเก่า (OpenAI, Hello GPT-4o 2024, ข้ออ้างของผู้ให้บริการ)
- Gemini Live ใช้เวลา 1.301 s ในการรับผลัดการพูด เทียบกับ 0.265 s สำหรับ Moshi บน Full-Duplex-Bench (Lin และคณะ, arXiv 2025)
- ผู้ใช้เลือกเอเจนต์ที่หน่วงสูงเป็นเอเจนต์ที่ชอบน้อยที่สุดใน 61.11% ของกรณี (Maslych และคณะ, ACM CUI 2025)
1. เกณฑ์อ้างอิงของมนุษย์: คนสลับผลัดการพูดได้เร็วแค่ไหน
เกณฑ์ที่เอเจนต์เสียงทุกตัวถูกนำไปเปรียบเทียบนั้นถูกกำหนดขึ้นมานานก่อนจะมีซอฟต์แวร์ ในการเปรียบเทียบข้ามภาษาที่ใหญ่ที่สุดเกี่ยวกับจังหวะการสลับผลัดการพูด ช่วงเว้นที่พบบ่อยที่สุดระหว่างคำถามกับคำตอบคือ 0 ms และค่ามัธยฐานข้ามภาษาคือ 100 ms (Stivers และคณะ, Universals and cultural variation in turn-taking in conversation, PNAS 2009) ผู้พูดไม่ได้รอให้เงียบแล้วค่อยตอบสนอง แต่เริ่มตอบทันทีที่คำถามจบ
ความเร็วนั้นเป็นผลงานของการวางแผน ไม่ใช่ปฏิกิริยาตอบสนองอัตโนมัติ การทดลองการเรียกชื่อภาพระบุว่าการเปล่งคำหนึ่งคำใช้เวลาราว 600 ms และประโยคสั้น ๆ ราว 1,500 ms นักวิจัยจึงสรุปว่าผู้ฟังต้องคาดการณ์ว่าผลัดการพูดจะจบเมื่อใดและเตรียมคำตอบควบคู่กันไป (Levinson และ Torreira, Frontiers in Psychology 2015) เอเจนต์เสียงแบบเรียงต่อกันทำตรงกันข้าม คือรอให้ผู้โทรหยุดพูดก่อน แล้วจึงเริ่มทั้งสายการทำงาน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ช่วงเว้นเฉลี่ยระหว่างคำถามกับคำตอบ รวมทั้ง 10 ภาษา | 208 ms | Stivers และคณะ, PNAS 2009 |
| ช่วงเว้นมัธยฐานระหว่างคำถามกับคำตอบ รวมทั้ง 10 ภาษา | 100 ms | Stivers และคณะ, PNAS 2009 |
| ค่าเฉลี่ยของภาษาที่เร็วที่สุดและช้าที่สุด (ภาษาญี่ปุ่นและภาษาเดนมาร์ก ตามลำดับ) | 7 ms และ 469 ms | Stivers และคณะ, PNAS 2009 |
| สัดส่วนการเปลี่ยนผลัดการพูดที่สั้นกว่า 500 ms | 70% ถึง 82% | Heldner และ Edlund 2010, ทบทวนใน Levinson และ Torreira, Frontiers in Psychology 2015 |
| สัดส่วนการส่งต่อสิทธิ์พูดที่ทับซ้อนกับผู้พูดคนก่อนหน้า (คลังข้อมูลโทรศัพท์ Switchboard, 348 บทสนทนา) | 30.1% | Levinson และ Torreira, Frontiers in Psychology 2015 |
| เวลาที่ต้องใช้เพื่อเริ่มพูดคำเดียวที่ระบุชื่อ (การเรียกชื่อภาพ) | ประมาณ 600 ms | Indefrey และ Levelt 2004, ทบทวนใน Levinson และ Torreira, Frontiers in Psychology 2015 |
| เวลาตอบสนองทั่วไป (ฐานนิยม) ของมนุษย์ระหว่างผลัดการพูด | ราว 200 ms | Templeton และคณะ, PNAS 2022 |
หมายเหตุบริบท: กลุ่มตัวอย่าง 10 ภาษาครอบคลุม 101 บทสนทนาใน 5 ทวีป บทความระบุว่าค่าเฉลี่ยรายภาษาอยู่ห่างจากค่าเฉลี่ยข้ามภาษาไม่เกินราว 250 ms ทั้งสองด้าน แม้ว่าภาษาเดนมาร์กจะสูงกว่าราว 261 ms (469 ลบ 208) ข้อมูลล่าสุดที่มี: การศึกษาปี 2009 และ 2015 ข้างต้น เกณฑ์อ้างอิงเหล่านี้เปลี่ยนแปลงช้า อายุของข้อมูลจึงสำคัญน้อยกว่าเกณฑ์วัดผลิตภัณฑ์
2. ขีดจำกัดความล่าช้าของเครือข่ายและโทรศัพท์
ก่อนที่โมเดลใด ๆ จะทำงาน เครือข่ายโทรศัพท์ก็ใช้งบไปส่วนหนึ่งแล้ว “ความล่าช้าทางเดียว” ในที่นี้หมายถึงเวลาที่เสียงเดินทางจากปากผู้พูดไปถึงหูผู้ฟังในทิศทางเดียว ไม่ใช่ไปกลับ ข้อแนะนำ ITU-T G.114 ระบุว่าไม่ควรเกินความล่าช้าทางเดียว 400 ms สำหรับการวางแผนเครือข่ายทั่วไป และความล่าช้าที่รักษาไว้ต่ำกว่า 150 ms แทบไม่รู้สึกได้สำหรับแอปพลิเคชันส่วนใหญ่ (ITU-T G.114, One-way transmission time)
ยุคของเอเจนต์เสียงพลิกขีดจำกัดเหล่านี้กลับด้าน มาตรฐานนี้เขียนขึ้นสำหรับการโทรระหว่างคนกับคน ซึ่งปลายสายอีกฝั่งตอบกลับในราว 200 ms เอเจนต์ที่ต้องใช้เวลาหนึ่งวินาทีในการคิดจึงใช้เกินสองเท่าของงบเครือข่าย 400 ms ทั้งหมดก่อนจะพูดอะไรออกมาเสียอีก ตัวเลขของ Twilio เองแสดงการแบ่งสัดส่วนนี้ เป้าหมายสำหรับช่วงเว้นระหว่างผลัดการพูดแบบเต็มจากปากถึงหูคือ 1,115 ms และเป้าหมายภายในแพลตฟอร์มเอเจนต์คือ 885 ms ซึ่งบ่งชี้ว่ามีราว 230 ms สำหรับการส่งผ่านเครือข่ายและสายโทรศัพท์ (1,115 ลบ 885)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความล่าช้าทางเดียวสูงสุดที่แนะนำสำหรับการวางแผนเครือข่ายทั่วไป | 400 ms | ITU-T G.114 (05/2003) |
| ความล่าช้าทางเดียวที่ต่ำกว่านี้แล้วแอปพลิเคชันเสียงพูดและไม่ใช่เสียงพูดส่วนใหญ่แทบไม่รู้สึกได้ | 150 ms | ITU-T G.114 (05/2003) |
| ความล่าช้า VoIP จากปากถึงหูที่คาดไว้บนเส้นทางภายในภูมิภาคระยะ 5,000 km หรือน้อยกว่า | ต่ำกว่า 150 ms | ITU-T G.114 ภาคผนวก II |
| ความล่าช้า VoIP จากปากถึงหูบนเส้นทางภาคพื้นดินข้ามภูมิภาคกรณีเลวร้ายที่สุด (27,500 km) | เกิน 300 ms เล็กน้อย | ITU-T G.114 ภาคผนวก II |
| เวลาไปกลับผ่านอินเทอร์เน็ตสาธารณะไปยังเซิร์ฟเวอร์สังเคราะห์เสียงพูด ขึ้นอยู่กับระยะทาง | 20 ถึง 200 ms | เอกสารความหน่วงของ ElevenLabs 2026 (ผู้ให้บริการ) |
หมายเหตุบริบท: ฉบับเดือนพฤษภาคม 2003 ยังคงระบุว่ามีผลบังคับใช้ ความล่าช้าที่ต่ำกว่า 400 ms ประเมินด้วยแบบจำลอง E ของข้อแนะนำ G.107 ซึ่งเป็นสูตรที่ประเมินคุณภาพการสนทนาจากความล่าช้า และบทนำระบุว่างานที่โต้ตอบสูงอาจได้รับผลกระทบจากความล่าช้าที่ต่ำกว่า 100 ms ข้อมูลล่าสุดที่มี: ฉบับปี 2003
3. งบความหน่วงของเอเจนต์เสียงแบบเรียงต่อกัน
เอเจนต์แบบเรียงต่อกันเชื่อมโมเดลสามตัวเป็นลูกโซ่ ได้แก่ การแปลงเสียงเป็นข้อความ (STT) โมเดลภาษาขนาดใหญ่ (LLM) และการแปลงข้อความเป็นเสียง (TTS) เป้าหมายรายส่วนของ Twilio รวมกันได้ 825 ms (350 + 375 + 100) แต่ขีดจำกัดบนรวมกันได้ 1,500 ms (500 + 750 + 250) ซึ่งหมายความว่าระบบที่แค่อยู่ภายในแต่ละขีดจำกัดก็ยังทะลุเพดานแบบต้นทางถึงปลายทาง 1,400 ms ได้ (Twilio, A Guide to Core Latency in AI Voice Agents) คู่มือเรียกตัวเลขเหล่านี้ว่า “เกณฑ์เริ่มต้น ไม่ใช่ระดับดีที่สุดในกลุ่ม”
การแจกแจงอ้างอิงของคู่มือ Pipecat แสดงให้เห็นว่าเวลาหายไปที่ไหนจริง ๆ การถอดเสียงพร้อมการตรวจจับจุดจบของคำพูด เวลาของ LLM ถึงไบต์แรก และเวลาของ TTS ถึงไบต์แรก รวมกันเป็น 1,070 ms จากทั้งหมด 1,293 ms หรือราว 83% (1,070 ÷ 1,293) ส่วนระบบท่อเสียงทั้งหมด (ไมโครโฟน ตัวแปลงรหัส บัฟเฟอร์จิตเตอร์ ลำโพง) ใช้ส่วนที่เหลือ (Voice AI and Voice Agents guide) “บัฟเฟอร์จิตเตอร์” คือคิวพักสั้น ๆ ที่ทำให้การมาถึงของแพ็กเก็ตที่ไม่สม่ำเสมอราบเรียบขึ้น การแจกแจงนี้ใช้ 40 ms กับบัฟเฟอร์หนึ่งตัวในแต่ละทิศทาง ไปป์ไลน์วิจัยที่สร้างขึ้นสำหรับคำถามด้านโทรคมนาคมบน GPU H100 ตัวเดียวก็ได้ผลในช่วงเดียวกัน (Ethiraj และคณะ, arXiv 2508.04721)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความหน่วงของการแปลงเสียงเป็นข้อความ เป้าหมายเทียบกับขีดจำกัดบน | 350 ms เทียบกับ 500 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| เวลาของ LLM ถึงโทเคนแรก เป้าหมายเทียบกับขีดจำกัดบน | 375 ms เทียบกับ 750 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| เวลาของการแปลงข้อความเป็นเสียงถึงไบต์แรก เป้าหมายเทียบกับขีดจำกัดบน | 100 ms เทียบกับ 250 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| ช่วงเว้นระหว่างผลัดการพูดจากปากถึงหูตามที่ผู้โทรรับรู้ เป้าหมายเทียบกับขีดจำกัดบน | 1,115 ms เทียบกับ 1,400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| ยอดรวมเสียงถึงเสียงอ้างอิง จากการรวม 16 ขั้นตอนตั้งแต่ไมโครโฟนถึงลำโพง | 1,293 ms (ข้อความในคู่มือระบุราว 1,200 ms) | คู่มือ Voice AI and Voice Agents, Pipecat 2026 |
| ความหน่วงเสียงถึงเสียงที่คู่มือเรียกว่าเป็นเป้าหมายสำคัญ | 1,500 ms | คู่มือ Voice AI and Voice Agents, Pipecat 2026 |
| เวลาถึงเสียงแรกเฉลี่ยในไปป์ไลน์โทรคมนาคม คำถามที่บันทึกไว้ 500 ข้อ (ต่ำสุดถึงสูงสุด) | 678 ms (412 ถึง 1,482 ms) | Ethiraj และคณะ, NetoAI, arXiv 2025 |
| เวลาประมวลผลต้นทางถึงปลายทางเฉลี่ยต่อหนึ่งประโยคพูดในไปป์ไลน์โทรคมนาคมเดียวกัน | 934 ms | Ethiraj และคณะ, NetoAI, arXiv 2025 |
หมายเหตุค่าผิดปกติ: ทีมวิจัยของ Sprinklr รายงานว่าชิ้นส่วนเสียงแรก “ต่ำได้ถึง 640.9 ms” บน GPU NVIDIA L4 แต่ 1,748.6 ms สำหรับการตั้งค่าเดียวกันบน CPU ซึ่งเตือนว่าฮาร์ดแวร์เพียงอย่างเดียวสามารถทำให้เวลาถึงเสียงแรกเพิ่มขึ้นมากกว่าสองเท่า (Choudhary และ Purwar, arXiv 2509.20971)
4. การตรวจจับจุดจบของคำพูดและการตรวจจับผลัดการพูด
“การตรวจจับจุดจบของคำพูด” คือการที่เอเจนต์ตัดสินใจว่าผู้โทรพูดจบแล้ว เป็นขั้นตอนที่มักถูกปรับด้วยมือบ่อยที่สุด เพราะต้องแลกความเร็วกับความไม่สุภาพ ถ้ารอน้อยเกินไปเอเจนต์จะพูดแทรกกลางประโยค ถ้ารอนานเกินไปผู้โทรจะได้ยินแต่ความเงียบ โมเดลจุดสิ้นสุดผลัดการพูดที่ปรับปรุงใหม่ของ LiveKit ลดอัตราการขัดจังหวะผิดพลาดใน 14 ภาษาจาก 18.66% เหลือ 11.34% ซึ่งเป็นการลดลงสัมพัทธ์ 39.23% โดยความหน่วงในการตอบกลับไม่เพิ่มขึ้น (LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%)
ตัวเลขจากผู้ให้บริการแสดงให้เห็นว่าการตัดสินใจเพียงข้อนี้ควบคุมงบได้มากเพียงใด Deepgram อ้างว่าโมเดล Flux ลดความหน่วงในการตอบของเอเจนต์ได้ 200 ถึง 600 ms เมื่อเทียบกับแนวทางแบบไปป์ไลน์ และสัญญาณล่วงหน้าแบบ “เร็วก่อนกำหนด” มาถึงเร็วขึ้น 150 ถึง 250 ms โดยแลกกับการเรียก LLM เพิ่มขึ้น 50% ถึง 70% (Deepgram, Introducing Flux) การเรียกเพิ่มเหล่านั้นคือราคาที่ซ่อนอยู่ของความเร็ว เอเจนต์เริ่มร่างคำตอบให้กับประโยคที่ผู้โทรอาจยังพูดไม่จบ เสียงรบกวนรอบข้างก็เปลี่ยนการตัดสินใจเหล่านี้เช่นกัน ซึ่งเราติดตามไว้ในสถิติความหน่วงของการตัดเสียงรบกวนด้วยโครงข่ายประสาทเทียม
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความหน่วงในการตรวจจับจุดสิ้นสุดผลัดการพูดที่อ้างไว้สำหรับ Flux | ประมาณ 260 ms | เอกสาร Deepgram Flux 2025 (ข้ออ้างของผู้ให้บริการ) |
| ความหน่วงจุดสิ้นสุดผลัดการพูดของ Flux ที่เปอร์เซ็นไทล์ที่ 90 และ 95 | 1 s และ 1.5 s | Deepgram, Introducing Flux, 1 ตุลาคม 2025 (ข้ออ้างของผู้ให้บริการ) |
| การลดลงของการขัดจังหวะผิดพลาดที่อ้างไว้สำหรับ Flux | ประมาณ 30% | Deepgram, Introducing Flux 2025 (ข้ออ้างของผู้ให้บริการ) |
| อัตราการขัดจังหวะผิดพลาด ทั้ง 14 ภาษา โมเดล LiveKit เก่าเทียบกับใหม่ (ที่อัตราผลบวกจริงคงที่ 99.3%) | 18.66% เทียบกับ 11.34% | LiveKit, 12 ธันวาคม 2025 |
| อัตราการขัดจังหวะผิดพลาด ภาษาอังกฤษ โมเดล LiveKit เก่าเทียบกับใหม่ | 16.6% เทียบกับ 13.0% | LiveKit, 12 ธันวาคม 2025 |
| ความเงียบที่การตั้งค่า VAD ของเซิร์ฟเวอร์ตัวอย่างรอก่อนจบผลัดการพูด | 500 ms | คู่มือ OpenAI Realtime VAD 2026 |
หมายเหตุบริบท: VAD (การตรวจจับกิจกรรมเสียงพูด) คือตัวตรวจจับอย่างง่ายที่ฟังว่ามีใครกำลังพูดอยู่หรือไม่ ค่า 500 ms เป็นการตั้งค่าตัวอย่างในคู่มือ Realtime VADของ OpenAI ไม่ใช่ค่าเริ่มต้นที่ระบุไว้ กฎความเงียบคงที่ 500 ms เพียงอย่างเดียวก็มากกว่าสองเท่าของช่วงเว้นเฉลี่ยของมนุษย์ที่ 208 ms จากหัวข้อที่ 1 แล้ว
5. เวลาของ LLM ถึงโทเคนแรกและเวลาของ TTS ถึงเสียงแรก
เมื่อผลัดการพูดจบลง โมเดลต้องเริ่มพูด หลักปฏิบัติของคู่มือ Pipecat คือเวลาของ LLM ถึงโทเคนแรกที่ 600 ms หรือน้อยกว่าเร็วพอสำหรับกรณีใช้งานเสียงส่วนใหญ่ และมีเพียงสองในสี่โมเดลที่โฮสต์ไว้ซึ่งคู่มือระบุที่ผ่านเกณฑ์นี้ที่ค่ามัธยฐาน ขณะที่ไม่มีโมเดลใดผ่านที่เปอร์เซ็นไทล์ที่ 95 (Voice AI and Voice Agents guide) เวลาถึงโทเคนแรก (TTFT) คือเวลาที่โมเดลภาษาใช้ในการส่งส่วนแรกของคำตอบออกมา ส่วนหางของการกระจายสำคัญกว่าค่ามัธยฐานบนสายโทรศัพท์ เพราะผู้โทรจำความเงียบ 1.7 s ครั้งเดียวนั้นได้ ไม่ใช่ค่าเฉลี่ย
การสังเคราะห์เสียงพูดตอนนี้เป็นส่วนที่เล็กที่สุด แต่ตัวเลขของผู้ให้บริการกับตัวเลขที่วัดได้ต่างกัน ElevenLabs ระบุว่าโมเดล Flash ของตนไปถึงราว 75 ms สำหรับการอนุมานของโมเดล โดยไม่รวมเครือข่ายและภาระของแอปพลิเคชันอย่างชัดเจน (เอกสารความหน่วงของ ElevenLabs) ขณะที่การรันโดยบุคคลที่สามจากการทดลองสตรีมสด 50 ครั้งบนเครื่องวัดเกณฑ์วัดค่ามัธยฐานได้ 197 ms (Vapi Humanness Index) ทีมที่เปรียบเทียบเอนจินสังเคราะห์เสียง รวมถึงสำหรับเครื่องมือสร้างเสียง AI ควรถามว่าเอกสารสเปกอ้างตัวเลขใดในสองตัวนี้
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| GPT-4.1 เวลาถึงโทเคนแรก ค่ามัธยฐานเทียบกับเปอร์เซ็นไทล์ที่ 95 | 536 ms เทียบกับ 1,771 ms | คู่มือ Voice AI and Voice Agents, Pipecat 2026 |
| Gemini 2.5 Flash เวลาถึงโทเคนแรก ค่ามัธยฐานเทียบกับเปอร์เซ็นไทล์ที่ 95 | 597 ms เทียบกับ 1,137 ms | คู่มือ Voice AI and Voice Agents, Pipecat 2026 |
| Claude 4.5 Haiku เวลาถึงโทเคนแรก ค่ามัธยฐานเทียบกับเปอร์เซ็นไทล์ที่ 95 | 637 ms เทียบกับ 1,615 ms | คู่มือ Voice AI and Voice Agents, Pipecat 2026 |
| GPT-5.1 เวลาถึงโทเคนแรก ค่ามัธยฐานเทียบกับเปอร์เซ็นไทล์ที่ 95 | 739 ms เทียบกับ 1,492 ms | คู่มือ Voice AI and Voice Agents, Pipecat 2026 |
| ElevenLabs Flash v2.5 ข้ออ้างการอนุมานเทียบกับความหน่วงสตรีมที่วัดได้รวมเครือข่าย | 75 ms เทียบกับ 197 ms | เอกสาร ElevenLabs 2026 (ข้ออ้างของผู้ให้บริการ); Vapi Humanness Index, 10 มิถุนายน 2026 |
| Cartesia Sonic 3.5 ความหน่วงสตรีมที่วัดได้ | 128 ms | Vapi Humanness Index 2026 |
| ElevenLabs Multilingual v2 ความหน่วงสตรีมที่วัดได้ | 1,006 ms | Vapi Humanness Index 2026 |
หมายเหตุบริบท: Vapi ดำเนินการแพลตฟอร์มเอเจนต์เสียง ไม่ใช่เอนจินสังเคราะห์เสียงพูด แต่ดัชนีของบริษัทก็ยังเป็นเกณฑ์วัดที่แพลตฟอร์มรันเอง หน้าดังกล่าวระบุวิธีการทดลอง 50 ครั้งเฉพาะ Flash v2.5 เท่านั้น ค่าที่วัดได้อื่น ๆ จึงอาจเทียบกันโดยตรงไม่ได้ ElevenLabs ยังระบุด้วยว่าบัฟเฟอร์ของเครื่องเล่นเสียง 500 ms “เป็นเรื่องปกติ” ซึ่งอาจลบข้อได้เปรียบของโมเดลที่เร็วไปได้เกือบหมดที่ฝั่งไคลเอนต์
6. ความหน่วงที่วัดได้ของโมเดลเสียงเป็นเสียงและฟูลดูเพล็กซ์
โมเดลเสียงเป็นเสียงข้ามการส่งต่อผ่านข้อความ และโมเดลฟูลดูเพล็กซ์ฟังและพูดไปพร้อมกัน ในทางทฤษฎีจึงควรลดช่องว่างกับจังหวะของมนุษย์ได้ Moshi ของ Kyutai รายงานความหน่วงเชิงทฤษฎี 160 ms และ 200 ms ในทางปฏิบัติ (Kyutai, Moshi, arXiv 2410.00037) และเกณฑ์วัดอิสระวัดได้ว่ารับผลัดการพูดหลังผ่านไป 0.265 s (Lin และคณะ, Full-Duplex-Bench, arXiv 2503.04721)
โมเดลเชิงพาณิชย์กระจายตัวกว่ามาก ในดัชนีของ Artificial Analysis วันที่ 23 มิถุนายน 2026 เวลาถึงเสียงแรกโดยเฉลี่ยอยู่ระหว่าง 0.44 s ถึง 2.98 s สองรายการที่ช้าที่สุดเป็นการตั้งค่าการให้เหตุผลระดับ “High” และหนึ่งในนั้นคือ GPT-Realtime-2 (High) ที่ 2.33 s ทำคะแนนดัชนีสูงสุดที่ 77.2% (Artificial Analysis, Speech to Speech Index) ความเร็วกับความฉลาดยังคงดึงไปคนละทาง การทำคำบรรยายสดก็เผชิญการแลกเปลี่ยนระหว่างความเร็วกับความแม่นยำแบบเดียวกัน ซึ่งเราติดตามไว้ในสถิติความหน่วงของคำบรรยายแบบเรียลไทม์
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เวลาตอบสนองของ GPT-4o ต่ออินพุตเสียง เร็วที่สุดเทียบกับค่าเฉลี่ย | 232 ms เทียบกับ 320 ms | OpenAI, Hello GPT-4o 2024 (ข้ออ้างของผู้ให้บริการ) |
| ความหน่วงเฉลี่ยของไปป์ไลน์ ChatGPT Voice Mode รุ่นก่อน GPT-3.5 เทียบกับ GPT-4 | 2.8 s เทียบกับ 5.4 s | OpenAI, Hello GPT-4o 2024 (ข้ออ้างของผู้ให้บริการ) |
| ความหน่วงของ Moshi เชิงทฤษฎีเทียบกับเชิงปฏิบัติ | 160 ms เทียบกับ 200 ms | Kyutai, บทความ Moshi, arXiv 2024 |
| เวลาในการรับผลัดการพูดหลังผู้ใช้หยุดพูด (ชุดข้อมูลบทสนทนา CANDOR) Moshi เทียบกับ Gemini Live | 0.265 s เทียบกับ 1.301 s | Lin และคณะ, Full-Duplex-Bench, arXiv 2025 |
| เวลาในการตอบหลังผู้ใช้พูดแทรก Moshi เทียบกับ Gemini Live | 0.257 s เทียบกับ 1.183 s | Lin และคณะ, Full-Duplex-Bench, arXiv 2025 |
| เวลาถึงเสียงแรกเฉลี่ย โมเดลที่เร็วที่สุดในดัชนี (Deepslate Opal) | 0.44 s | Artificial Analysis Speech to Speech Index, 23 มิถุนายน 2026 |
| เวลาถึงเสียงแรกเฉลี่ย GPT-Realtime-1.5 | 0.82 s | Artificial Analysis Speech to Speech Index, 23 มิถุนายน 2026 |
| เวลาถึงเสียงแรกเฉลี่ย Gemini 3.1 Flash Live Preview (High) | 2.98 s | Artificial Analysis Speech to Speech Index, 23 มิถุนายน 2026 |
หมายเหตุค่าผิดปกติ: ตัวเลขของ OpenAI เป็นข้ออ้างตอนเปิดตัวจากประกาศโมเดล ไม่ใช่การวัดอิสระ และใช้ตัวชี้วัดต่างจากแถวตารางจัดอันดับในตารางเดียวกัน จึงไม่ควรนำสองกลุ่มนี้มาเทียบกันโดยตรง Moshi เร็วแต่ไม่ใช่โมเดลสำหรับคอนแทคเซ็นเตอร์ โดยรับสิทธิ์พูดใน 98.5% ของกรณีหยุดเว้นสังเคราะห์ หมายความว่าแทรกเข้ามาทั้งที่ผู้ใช้เพียงหยุดชั่วครู่ (Full-Duplex-Bench)
7. ความหน่วงส่งผลอย่างไรต่อผู้โทรและบทสนทนา
ความเร็วไม่ใช่ตัวชี้วัดเพื่อความโก้เก๋ ในการศึกษาการฟังแบบควบคุมกับผู้ฟัง 450 คน คลิปบทสนทนาที่เหมือนกันทุกประการซึ่งตัดต่อให้มีช่วงเว้นเฉลี่ย 55.68 ms ได้รับการประเมินว่าเชื่อมโยงกันมากกว่าคลิปเดียวกันที่ 557.14 ms โดยค่าการเชื่อมโยง F(2, 2,344.3) = 28.51, P < 0.001 (Templeton และคณะ, PNAS 2022) ผู้ฟังอ่านจังหวะเวลาเป็นสัญญาณทางสังคม และเอเจนต์ที่ช้าส่งสัญญาณที่ผิด
สำหรับเอเจนต์ AI โดยเฉพาะ การศึกษาเอเจนต์เสมือนกับผู้เข้าร่วม 54 คนพบว่าทุกระดับของความล่าช้าทำให้ความเร็วที่รับรู้แย่ลง และผู้เขียนสรุปว่าความหน่วงที่เกิน 4 วินาทีทำให้คุณภาพประสบการณ์ลดลง คำเติมช่องว่างด้วยเสียงพูดตามธรรมชาติช่วยให้ความเร็วในการตอบที่รับรู้ดีขึ้นที่ 4.0 s และ 6.5 s ขณะที่ไอคอนโหลดและเสียงเทียมไม่ช่วย (Maslych และคณะ, ACM CUI 2025) ความเงียบยังเปลี่ยนความหมายด้วย งานวิจัยด้านการสนทนาเชื่อมโยงช่วงเว้น 700 ms ขึ้นไปกับคำตอบที่ไม่เป็นที่พึงประสงค์ (การตอบกลับอย่างการปฏิเสธหรือไม่เห็นด้วย) เอเจนต์ที่หยุด 1 วินาทีจึงเสี่ยงฟังดูลังเลแม้คำตอบจะเป็นใช่ การเปรียบเทียบโมเดลรากฐานด้านเสียงพบว่าความเงียบคิดเป็น 32.4% ของเวลาสนทนาในระบบแบบเรียงต่อกัน เทียบกับ 11.8% ใน Moshi (Arora และคณะ, Talking Turns, arXiv 2503.01174)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้ใช้ที่เลือกเอเจนต์ความหน่วงต่ำ (1.5 s) เป็นเอเจนต์ที่ชอบมากที่สุด | 57.41%, χ²(2, N = 54) = 14.12, p < 0.0001 | Maslych และคณะ, ACM CUI 2025 |
| ผู้ใช้ที่เลือกเอเจนต์ความหน่วงสูง (6.5 s) เป็นเอเจนต์ที่ชอบน้อยที่สุด | 61.11%, χ²(2, N = 54) = 19.0, p < 0.0001 | Maslych และคณะ, ACM CUI 2025 |
| เวลาตอบสนองที่วัดได้ของเอเจนต์แบบเรียงต่อกันของการศึกษาเองก่อนเพิ่มความล่าช้า | เฉลี่ย 1.47 s | Maslych และคณะ, ACM CUI 2025 |
| ความยาวช่วงเว้นที่เกี่ยวข้องกับคำตอบที่ไม่เป็นที่พึงประสงค์ (เชิงลบ) ในบทสนทนาของมนุษย์ | 700 ms ขึ้นไป | Levinson และ Torreira, Frontiers in Psychology 2015 (บทความทบทวน) |
| สัดส่วนเวลาสนทนาที่อยู่ในความเงียบ ระบบแบบเรียงต่อกันเทียบกับ Moshi | 32.4% เทียบกับ 11.8% | Arora และคณะ, Talking Turns, arXiv 2025 |
| ความล่าช้าในการส่งสัญญาณที่เพิ่มเข้ามา ซึ่งคู่สนทนาถูกประเมินว่าใส่ใจ เป็นมิตร และมีวินัยในตนเองน้อยกว่าเมื่อไม่มีความล่าช้า | 1.2 s | Schoenenberg, Raake และ Koeppe, International Journal of Human-Computer Studies 2014 |
| นักพัฒนา AI เสียงที่พึงพอใจมากกับคุณภาพการสนทนา (สำรวจ 40 คน) | 2% | Deepgram, Introducing Flux 2025 (การสำรวจโดยผู้ให้บริการ) |
| นักพัฒนา AI เสียงที่รายงานปัญหาการไหลของบทสนทนาตั้งแต่สังเกตเห็นได้ถึงรุนแรง (สำรวจ 40 คน) | 61% | Deepgram, Introducing Flux 2025 (การสำรวจโดยผู้ให้บริการ) |
หมายเหตุบริบท: ผลการค้นพบเรื่องความล่าช้า 1.2 s มาจากบทสรุปของผู้เขียนหลักของการศึกษานั้นเอง (phys.org, พฤษภาคม 2014) ข้อมูลล่าสุดที่มี: Schoenenberg และคณะ, 2014 เราไม่พบชุดข้อมูลปี 2025 หรือ 2026 ที่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิซึ่งเชื่อมโยงความหน่วงของเอเจนต์ที่วัดได้กับอัตราการวางสายจริง หลักฐานด้านความพึงพอใจข้างต้นจึงมาจากการศึกษาแบบควบคุม ไม่ใช่บันทึกการโทรในระบบใช้งานจริง
สรุป: ความหน่วงของเอเจนต์เสียง AI ในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ช่วงเว้นเฉลี่ยระหว่างคำถามกับคำตอบ 10 ภาษา | 208 ms | Stivers และคณะ, PNAS 2009 |
| การเปลี่ยนผลัดการพูดที่สั้นกว่า 500 ms | 70% ถึง 82% | Heldner และ Edlund 2010, ผ่าน Frontiers in Psychology 2015 |
| เวลาที่ใช้เริ่มพูดหนึ่งคำ | ประมาณ 600 ms | Levinson และ Torreira, Frontiers in Psychology 2015 |
| ช่วงเว้นเฉลี่ยในคลิปที่ถูกประเมินว่าเชื่อมโยงกันมากกว่าเทียบกับคลิปเดียวกันที่ถูกประเมินว่าเชื่อมโยงน้อยกว่า | 55.68 ms เทียบกับ 557.14 ms | Templeton และคณะ, PNAS 2022 |
| ความล่าช้าทางเดียวสูงสุดสำหรับการวางแผนเครือข่าย | 400 ms | ITU-T G.114 (05/2003) |
| เอเจนต์แบบเรียงต่อกัน เป้าหมายจากปากถึงหูเทียบกับขีดจำกัดบน | 1,115 ms เทียบกับ 1,400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| ยอดรวมของการแจกแจงเสียงถึงเสียงอ้างอิง | 1,293 ms | คู่มือ Voice AI and Voice Agents, Pipecat 2026 |
| เวลาถึงเสียงแรกเฉลี่ยของไปป์ไลน์วิจัยโทรคมนาคม | 678 ms | Ethiraj และคณะ, NetoAI, arXiv 2025 |
| ข้ออ้างการตรวจจับจุดสิ้นสุดผลัดการพูดของ Flux | ประมาณ 260 ms | เอกสาร Deepgram Flux 2025 (ข้ออ้างของผู้ให้บริการ) |
| อัตราการขัดจังหวะผิดพลาด โมเดลจุดสิ้นสุดผลัดการพูดเก่าเทียบกับใหม่ 14 ภาษา | 18.66% เทียบกับ 11.34% | LiveKit, 12 ธันวาคม 2025 |
| ความหน่วงสตรีมที่วัดได้ของ ElevenLabs Flash v2.5 | 197 ms | Vapi Humanness Index, มิถุนายน 2026 |
| เวลาตอบกลับด้วยเสียงเฉลี่ยของ GPT-4o | 320 ms | OpenAI, Hello GPT-4o 2024 (ข้ออ้างของผู้ให้บริการ) |
| ความหน่วงเชิงปฏิบัติของ Moshi | 200 ms | Kyutai, บทความ Moshi, arXiv 2024 |
| ความหน่วงในการรับผลัดการพูด Gemini Live | 1.301 s | Lin และคณะ, Full-Duplex-Bench, arXiv 2025 |
| ช่วงเวลาถึงเสียงแรกเฉลี่ยทั้งดัชนี | 0.44 s ถึง 2.98 s | Artificial Analysis Speech to Speech Index, 23 มิถุนายน 2026 |
| ผู้ใช้ที่ชอบเอเจนต์ 6.5 s น้อยที่สุด | 61.11% | Maslych และคณะ, ACM CUI 2025 |
| เวลาตอบสนองที่วัดได้ของเอเจนต์แบบเรียงต่อกันเชิงวิจัยก่อนเพิ่มความล่าช้า | 1.47 s | Maslych และคณะ, ACM CUI 2025 |
| สัดส่วนความเงียบในเวลาสนทนา ระบบแบบเรียงต่อกัน | 32.4% | Arora และคณะ, Talking Turns, arXiv 2025 |
ระเบียบวิธีและแหล่งที่มา
- Stivers และคณะ, Universals and cultural variation in turn-taking in conversation, PNAS 2009
- Levinson และ Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015 (เป็นแหล่งของตัวเลข Heldner และ Edlund 2010 และ Indefrey และ Levelt 2004 ที่บทความนี้ทบทวนด้วย)
- Templeton และคณะ, Fast response times signal social connection in conversation, PNAS 2022
- ITU-T, Recommendation G.114: One-way transmission time, พฤษภาคม 2003, มีผลบังคับใช้
- Twilio, A Guide to Core Latency in AI Voice Agents (Cascaded Edition), 17 พฤศจิกายน 2025
- Pipecat, Voice AI and Voice Agents guide, ผู้เขียนหลัก Kwindla Hultman Kramer, อัปเดตมิถุนายน 2026
- Ethiraj และคณะ, NetoAI, Toward Low-Latency End-to-End Voice Agents for Telecommunications, arXiv, 5 สิงหาคม 2025
- Choudhary และ Purwar, Sprinklr, i-LAVA: Insights on Low Latency Voice-2-Voice Architecture for Agents, arXiv, 25 กันยายน 2025
- Deepgram, Introducing Flux: Conversational Speech Recognition, 1 ตุลาคม 2025 และเอกสารเริ่มต้นใช้งาน Flux (ข้ออ้างของผู้ให้บริการและการสำรวจโดยผู้ให้บริการ)
- LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%, 12 ธันวาคม 2025 (เกณฑ์วัดของผู้ให้บริการ)
- OpenAI, Realtime API voice activity detection guide และ Hello GPT-4o, 2024 (ข้ออ้างของผู้ให้บริการ)
- ElevenLabs, Latency documentation, 2026 (ข้ออ้างของผู้ให้บริการ)
- Vapi, Humanness Index, หน้า ElevenLabs Flash v2.5, ตรวจสอบความหน่วงเมื่อ 10 มิถุนายน 2026
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue, arXiv 2024
- Lin และคณะ, Full-Duplex-Bench, arXiv 2025 (เวอร์ชัน 3, 16 สิงหาคม 2025)
- Artificial Analysis, Announcing the Speech to Speech Index, 23 มิถุนายน 2026 และตารางจัดอันดับ Speech to Speechแบบสด
- Maslych และคณะ, Mitigating Response Delays in Free-Form Conversations with LLM-powered Intelligent Virtual Agents, ACM CUI 2025
- Arora และคณะ, Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, arXiv 2025
- Schoenenberg, Raake และ Koeppe, International Journal of Human-Computer Studies 2014 ตามที่ผู้เขียนหลักสรุปไว้ที่ phys.org
- ข้อสังเกตเกี่ยวกับข้อมูล: ตารางจัดอันดับสดเปลี่ยนแปลงระหว่างการอัปเดต เมื่อวันที่ 27 ตุลาคม 2026 ตารางระบุ GPT-Realtime-2 (High) ที่เวลาถึงเสียงแรก 1.14 s เทียบกับ 2.33 s ในประกาศวันที่ 23 มิถุนายน 2026 และนิยามของตัวชี้วัดนี้ (จำนวนวินาทีที่ใช้สร้างโทเคนเสียงแรกบนชุด Big Bench Audio) ต่างจากช่วงเว้นระหว่างผลัดการพูดจากปากถึงหูหรือความหน่วงในการรับผลัดการพูดของ Full-Duplex-Bench ดังนั้นควรเปรียบเทียบค่าภายในแหล่งเดียวกัน ไม่ใช่ข้ามแหล่ง ตารางของคู่มือ Pipecat รวมได้ 1,293 ms ขณะที่ข้อความระบุราว 1,200 ms เป้าหมายรายส่วนในคู่มือเอเจนต์แบบเรียงต่อกันจากหัวข้อที่ 3 (รวม 825 ms) ไม่สอดคล้องกับเป้าหมายระดับแพลตฟอร์ม 885 ms ของคู่มือเดียวกัน ตัวเลขจากผู้ให้บริการ (ผู้ผลิตโมเดลการรู้จำเสียงพูด การตรวจจับผลัดการพูด การสังเคราะห์เสียงพูด และโมเดลเรียลไทม์) ถูกระบุว่าเป็นข้ออ้างของผู้ให้บริการหรือเกณฑ์วัดที่ผู้ให้บริการรันเอง การศึกษาการสลับผลัดการพูดปี 2009 และ 2015 ฉบับปี 2003 ของ G.114 และการศึกษาความล่าช้าปี 2014 มีอายุเกินสามปี แต่ยังเป็นข้อมูลล่าสุดที่มีสำหรับเกณฑ์อ้างอิงเหล่านั้น ยังไม่มีชุดข้อมูลสาธารณะที่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิซึ่งเชื่อมโยงความหน่วงของเอเจนต์ที่วัดได้กับอัตราการวางสายจริง
- อัปเดตล่าสุด: 27 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อ Artificial Analysis เผยแพร่การอัปเดต Speech to Speech Index ครั้งถัดไป