10 dil genelinde insanlar bir soruya ortalama yalnızca 208 ms’lik bir boşlukla yanıt veriyor; oysa Twilio’nun kademeli bir sesli yapay zekâ ajanı için başlangıç hedefi, ağızdan kulağa 1.115 ms’lik bir konuşma sırası boşluğu, yani kabaca 5 kat daha uzun (1.115 ÷ 208 ≈ 5,4). İnsan referans değeri hızlıdır, çünkü dinleyiciler bir konuşma sırasının sonunu öngörür: tek bir sözcüğü üretmek bile yaklaşık 600 ms sürer, dolayısıyla yanıt, karşıdaki kişi hâlâ konuşurken planlanır (Levinson ve Torreira, Frontiers in Psychology 2015). Sesli ajanlar aynı şekilde öngörü yapamaz; bu yüzden bekler, yazıya döker, düşünür ve sentezler, hepsini sırayla. Bağımsız en güncel sıralama, konuşmadan konuşmaya modellerde ortalama ilk sese kadar süreyi 0,44 s ile 2,98 s arasında gösteriyor (Artificial Analysis Speech to Speech Index 2026). Otomasyonu devreye alan çağrı merkezleri için (bkz. sesli ajan çağrı merkezi otomasyonu istatistiklerimiz), gecikme, arayanların tek bir faydalı sözcük duymadan önce hissettiği deneyim parçasıdır. PNAS konuşma sırası çalışmalarından, uluslararası telefon gecikmesi standardından, açık kaynak ve sağlayıcı mühendislik kılavuzlarından, bağımsız sıralamalardan ve arXiv’de ile ACM CUI’de yayımlanan araştırma kıyaslamalarından veri derledik.
TL;DR
- 10 dil genelinde bir yanıt öncesi ortalama boşluk: 208 ms; medyan 100 ms (Stivers et al., PNAS 2009)
- Konuşmadaki sıra geçişlerinin %70 ila %82’si 500 ms’den kısa (Heldner ve Edlund 2010, Frontiers in Psychology 2015’te derlenmiştir)
- ITU-T G.114, ağ planlaması için tek yönlü gecikme tavanını 400 ms olarak belirliyor; 150 ms’nin altı esasen fark edilmez (ITU-T G.114, 2003)
- Bir telekom araştırma sesli ajanı, 500 kayıtlı soruda ortalama 678 ms’de ilk sese ulaştı (Ethiraj et al., NetoAI, arXiv 2025)
- Aynı konuşma klipleri, 557,14 ms yerine 55,68 ms ortalama boşlukla daha bağlantılı hissettirdi (Templeton et al., PNAS 2022)
- Deepgram, Flux modeli için yaklaşık 260 ms konuşma sırası sonu algılama iddia ediyor (Deepgram Flux belgeleri 2025, sağlayıcı iddiası)
- LiveKit’in güncellenmiş konuşma sırası sonu modeli, 14 dilde yanlış kesintileri %18,66’dan %11,34’e düşürdü (LiveKit, 12 Aralık 2025)
- ElevenLabs Flash v2.5, 75 ms’lik çıkarım iddiasına karşılık ağ dahil 197 ms medyan gecikme olarak ölçüldü (Vapi Humanness Index, Haziran 2026)
- OpenAI, GPT-4o sesli yanıtlarının ortalama 320 ms sürdüğünü, eski GPT-4 ses hattının ise 5,4 s sürdüğünü bildirdi (OpenAI, Hello GPT-4o 2024, sağlayıcı iddiası)
- Gemini Live konuşma sırasını almak için 1,301 s sürerken Moshi 0,265 s sürdü, Full-Duplex-Bench’te (Lin et al., arXiv 2025)
- Kullanıcılar, yüksek gecikmeli ajanı %61,11 oranında en az beğendikleri ajan olarak seçti (Maslych et al., ACM CUI 2025)
1. İnsan Referansı: İnsanlar Konuşma Sırasını Ne Kadar Hızlı Alıyor
Her sesli ajanın karşılaştırıldığı ölçüt, yazılım var olmadan çok önce belirlendi. Konuşma sırası zamanlamasının diller arası en kapsamlı karşılaştırmasında bir soru ile yanıtı arasındaki en yaygın boşluk 0 ms, diller arası medyan ise 100 ms idi (Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009). Konuşmacılar sessizliği bekleyip sonra tepki vermez; yanıtı, soru biter bitmez başlatır.
Bu hız bir refleks değil, bir planlama başarısıdır. Resim adlandırma deneyleri, tek bir sözcüğü üretme süresini yaklaşık 600 ms, kısa bir cümleyi ise yaklaşık 1.500 ms olarak belirliyor; araştırmacılar bu yüzden dinleyicilerin bir konuşma sırasının ne zaman biteceğini öngörmesi ve yanıtı paralel olarak hazırlaması gerektiği sonucuna varıyor (Levinson ve Torreira, Frontiers in Psychology 2015). Kademeli bir sesli ajan ise bunun tersini yapar: arayanın susmasını bekler, sonra tüm zinciri başlatır.
| Metrik | Değer | Kaynak |
|---|---|---|
| 10 dilin tamamı birleştirildiğinde soru ile yanıt arasındaki ortalama boşluk | 208 ms | Stivers et al., PNAS 2009 |
| 10 dilin tamamı birleştirildiğinde soru ile yanıt arasındaki medyan boşluk | 100 ms | Stivers et al., PNAS 2009 |
| En hızlı ve en yavaş dil ortalamaları (sırasıyla Japonca ve Danimarkaca) | 7 ms ve 469 ms | Stivers et al., PNAS 2009 |
| 500 ms’den kısa konuşma sırası geçişlerinin payı | %70 ila %82 | Heldner ve Edlund 2010, Levinson ve Torreira’da derlenmiştir, Frontiers in Psychology 2015 |
| Önceki konuşmacıyla çakışan söz devirlerinin payı (Switchboard telefon derlemi, 348 konuşma) | %30,1 | Levinson ve Torreira, Frontiers in Psychology 2015 |
| Tek bir adlandırılmış sözcüğü söylemeye başlamak için gereken süre (resim adlandırma) | Yaklaşık 600 ms | Indefrey ve Levelt 2004, Levinson ve Torreira’da derlenmiştir, Frontiers in Psychology 2015 |
| Konuşma sıraları arasındaki tipik (mod) insan yanıt süresi | Yaklaşık 200 ms | Templeton et al., PNAS 2022 |
Bağlam notu: 10 dillik örneklem 5 kıtada 101 konuşmayı kapsıyor. Makale, dil ortalamalarının diller arası ortalamanın iki yanında yaklaşık 250 ms içinde kaldığını söylüyor; ancak Danimarkaca bunun yaklaşık 261 ms üzerinde (469 eksi 208). Mevcut en güncel veriler: yukarıdaki 2009 ve 2015 çalışmaları. Bu referans değerler yavaş değiştiği için yaşları, ürün ölçütlerine kıyasla daha az önem taşıyor.
2. Ağ ve Telefon Gecikmesi Sınırları
Herhangi bir model çalışmadan önce, telefon ağı bütçenin bir kısmını harcıyor. Burada “tek yönlü gecikme”, sesin konuşanın ağzından dinleyenin kulağına tek yönde yolculuk süresi demektir, gidiş-dönüş değil. ITU-T G.114 Tavsiyesi, genel ağ planlaması için 400 ms’lik tek yönlü gecikmenin aşılmaması gerektiğini ve 150 ms’nin altında tutulan gecikmelerin çoğu uygulama için esasen fark edilmez olduğunu belirtiyor (ITU-T G.114, One-way transmission time).
Sesli ajan çağı bu sınırları tersine çeviriyor. Standart, karşı tarafın yaklaşık 200 ms’de yanıt verdiği insandan insana görüşmeler için yazıldı; düşünmek için bir saniyeye ihtiyaç duyan bir ajan, tek sözcük söylemeden önce 400 ms’lik tüm ağ payının iki katından fazlasını kullanıyor. Twilio’nun kendi rakamları bölünmeyi gösteriyor: tam ağızdan kulağa konuşma sırası boşluğu hedefi 1.115 ms, ajan platformu içindeki hedefi ise 885 ms; bu da yaklaşık 230 ms ağ ve telefon hattı geçişi anlamına geliyor (1.115 eksi 885).
| Metrik | Değer | Kaynak |
|---|---|---|
| Genel ağ planlaması için önerilen azami tek yönlü gecikme | 400 ms | ITU-T G.114 (05/2003) |
| Altında çoğu konuşma ve konuşma dışı uygulamanın esasen fark edilmez hissettiği tek yönlü gecikme | 150 ms | ITU-T G.114 (05/2003) |
| 5.000 km veya daha kısa bölge içi rotalarda beklenen VoIP ağızdan kulağa gecikmesi | 150 ms’nin altında | ITU-T G.114 Ek II |
| En kötü durumdaki bölgeler arası karasal rotalarda (27.500 km) VoIP ağızdan kulağa gecikmesi | 300 ms’yi biraz aşıyor | ITU-T G.114 Ek II |
| Konuşma sentezi sunucusuna genel internet üzerinden gidiş-dönüş süresi, mesafeye bağlı olarak | 20 ila 200 ms | ElevenLabs gecikme belgeleri 2026 (sağlayıcı) |
Bağlam notu: Mayıs 2003 baskısı hâlâ yürürlükte olarak listeleniyor. 400 ms’nin altındaki gecikmeler, gecikmeden konuşma kalitesini tahmin eden bir formül olan G.107 Tavsiyesi’nin E-modeli ile değerlendiriliyor ve giriş bölümü, yüksek etkileşimli görevlerin 100 ms’nin altındaki gecikmelerden etkilenebileceğini belirtiyor. Mevcut en güncel veriler: 2003 baskısı.
3. Kademeli Bir Sesli Ajanın Gecikme Bütçesi
Kademeli bir ajan üç modeli art arda zincirler: konuşmadan metne (STT), büyük dil modeli (LLM) ve metinden konuşmaya (TTS). Twilio’nun bileşen hedefleri toplamda 825 ms ediyor (350 + 375 + 100), ancak üst sınırları 1.500 ms ediyor (500 + 750 + 250); yani her sınırın içinde kalan bir yığın bile 1.400 ms’lik uçtan uca tavanı aşabilir (Twilio, A Guide to Core Latency in AI Voice Agents). Kılavuz bunları “başlangıç ölçütleri, en iyi sınıf değil” olarak adlandırıyor.
Pipecat kılavuzunun referans dökümü zamanın gerçekte nereye gittiğini gösteriyor: konuşma sonu tespitli (endpointing) transkripsiyon, LLM ilk bayta kadar süre ve TTS ilk bayta kadar süre birlikte 1.293 ms’lik toplamın 1.070 ms’sini, yani yaklaşık %83’ünü (1.070 ÷ 1.293) oluşturuyor; tüm ses altyapısı (mikrofon, kodekler, titreşim tamponları, hoparlör) ise geri kalanı alıyor (Voice AI and Voice Agents guide). “Titreşim tamponu” (jitter buffer), düzensiz paket varışını yumuşatan kısa bir bekleme kuyruğudur; döküm her yönde buna 40 ms harcıyor. Tek bir H100 GPU’da telekom soruları için kurulan bir araştırma hattı da aynı aralığa indi (Ethiraj et al., arXiv 2508.04721).
| Metrik | Değer | Kaynak |
|---|---|---|
| Konuşmadan metne gecikmesi, hedef ve üst sınır | 350 ms ve 500 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| LLM ilk belirteç süresi, hedef ve üst sınır | 375 ms ve 750 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Metinden konuşmaya ilk bayta kadar süre, hedef ve üst sınır | 100 ms ve 250 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Arayanın algıladığı ağızdan kulağa konuşma sırası boşluğu, hedef ve üst sınır | 1.115 ms ve 1.400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Mikrofondan hoparlöre 16 aşamayı toplayan referans sesten sese toplam | 1.293 ms (kılavuz metni yaklaşık 1.200 ms diyor) | Voice AI and Voice Agents kılavuzu, Pipecat 2026 |
| Kılavuzun önemli bir hedef olarak nitelediği sesten sese gecikme | 1.500 ms | Voice AI and Voice Agents kılavuzu, Pipecat 2026 |
| Bir telekom hattında ortalama ilk sese kadar süre, 500 kayıtlı soru (en düşük ve en yüksek) | 678 ms (412 ila 1.482 ms) | Ethiraj et al., NetoAI, arXiv 2025 |
| Aynı telekom hattında konuşma başına ortalama uçtan uca işleme süresi | 934 ms | Ethiraj et al., NetoAI, arXiv 2025 |
Aykırı değer notu: Sprinklr’den bir araştırma ekibi, NVIDIA L4 GPU’da ilk ses parçasının “640,9 ms kadar düşük” olduğunu, ancak aynı ayarda CPU’da 1.748,6 ms olduğunu bildirdi; bu, yalnızca donanımın ilk sese kadar süreyi ikiye katlamaktan fazla artırabileceğinin hatırlatıcısıdır (Choudhary ve Purwar, arXiv 2509.20971).
4. Konuşma Sonu Tespiti ve Konuşma Sırası Algılama
“Konuşma sonu tespiti” (endpointing), ajanın arayanın konuşmayı bitirdiğine karar vermesidir. En sık elle ayarlanan aşamadır, çünkü hızı nezaketsizlikle takas eder: çok az beklerseniz ajan insanların sözünü cümlenin ortasında keser, çok beklerseniz arayan ölü sessizlik duyar. LiveKit’in güncellenmiş konuşma sırası sonu modeli, 14 dilde yanlış kesinti oranını %18,66’dan %11,34’e düşürdü; bu, yanıt gecikmesinde artış olmadan %39,23’lük göreli bir azalmadır (LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%).
Sağlayıcı rakamları, bu tek kararın bütçenin ne kadarını kontrol ettiğini gösteriyor. Deepgram, Flux modelinin ajan yanıt gecikmesini hat tabanlı yaklaşımlara göre 200 ila 600 ms azaltabildiğini ve “istekli” bir erken sinyalin %50 ila %70 daha fazla LLM çağrısı pahasına 150 ila 250 ms daha erken geldiğini iddia ediyor (Deepgram, Introducing Flux). Bu fazladan çağrılar hızın gizli bedelidir: ajan, arayanın henüz bitirmemiş olabileceği cümlelere yanıt taslağı hazırlamaya başlıyor. Arka plan gürültüsü de bu kararları kaydırır; bu konuyu nöral gürültü bastırma gecikmesi istatistiklerinde izliyoruz.
| Metrik | Değer | Kaynak |
|---|---|---|
| Flux için iddia edilen konuşma sırası sonu algılama gecikmesi | Yaklaşık 260 ms | Deepgram Flux belgeleri 2025 (sağlayıcı iddiası) |
| Flux konuşma sırası sonu gecikmesi, 90. ve 95. yüzdelikte | 1 s ve 1,5 s | Deepgram, Introducing Flux, 1 Ekim 2025 (sağlayıcı iddiası) |
| Flux için iddia edilen yanlış kesinti azalması | Yaklaşık %30 | Deepgram, Introducing Flux 2025 (sağlayıcı iddiası) |
| Yanlış kesinti oranı, 14 dilin tamamı, eski ve yeni LiveKit modeli (sabit %99,3 gerçek pozitif oranında) | %18,66 ve %11,34 | LiveKit, 12 Aralık 2025 |
| Yanlış kesinti oranı, İngilizce, eski ve yeni LiveKit modeli | %16,6 ve %13,0 | LiveKit, 12 Aralık 2025 |
| Örnek sunucu VAD yapılandırmasının bir konuşma sırasını bitirmeden önce beklediği sessizlik | 500 ms | OpenAI Realtime VAD kılavuzu 2026 |
Bağlam notu: VAD (ses etkinliği algılama), birinin konuşup konuşmadığını duyan basit algılayıcıdır; 500 ms değeri, belirtilmiş bir varsayılan değil, OpenAI’nin Realtime VAD kılavuzundaki örnek yapılandırmadır. Tek başına sabit 500 ms’lik bir sessizlik kuralı bile, 1. bölümdeki 208 ms’lik insan ortalama boşluğunun iki katından fazladır.
5. LLM İlk Belirteç Süresi ve TTS İlk Sese Kadar Süre
Konuşma sırası bittiğinde, modelin konuşmaya başlaması gerekir. Pipecat kılavuzunun pratik kuralı, 600 ms veya daha kısa bir LLM ilk belirteç süresinin çoğu sesli kullanım durumu için yeterince hızlı olduğudur; listelediği dört barındırılan modelden yalnızca ikisi medyanda bu çıtayı karşılıyor, 95. yüzdelikte ise hiçbiri karşılamıyor (Voice AI and Voice Agents guide). İlk belirteç süresi (TTFT), dil modelinin yanıtının ilk parçasını üretmesi için geçen süredir. Telefon hattında kuyruk, medyandan daha önemlidir, çünkü arayan ortalamayı değil, o tek 1,7 s’lik sessizliği hatırlar.
Konuşma sentezi artık en küçük dilim, ancak sağlayıcı ve ölçülen rakamlar ayrışıyor. ElevenLabs, Flash modellerinin ağ ve uygulama yükünü açıkça hariç tutarak yaklaşık 75 ms model çıkarımına ulaştığını söylüyor (ElevenLabs latency documentation); bir kıyaslama makinesinden 50 canlı akış denemesinin üçüncü taraf çalıştırması ise 197 ms medyan ölçtü (Vapi Humanness Index). Bir yapay zekâ ses oluşturucu dahil olmak üzere sentez motorlarını karşılaştıran ekipler, bir teknik özellik sayfasının bu iki rakamdan hangisini aktardığını sormalı.
| Metrik | Değer | Kaynak |
|---|---|---|
| GPT-4.1 ilk belirteç süresi, medyan ve 95. yüzdelik | 536 ms ve 1.771 ms | Voice AI and Voice Agents kılavuzu, Pipecat 2026 |
| Gemini 2.5 Flash ilk belirteç süresi, medyan ve 95. yüzdelik | 597 ms ve 1.137 ms | Voice AI and Voice Agents kılavuzu, Pipecat 2026 |
| Claude 4.5 Haiku ilk belirteç süresi, medyan ve 95. yüzdelik | 637 ms ve 1.615 ms | Voice AI and Voice Agents kılavuzu, Pipecat 2026 |
| GPT-5.1 ilk belirteç süresi, medyan ve 95. yüzdelik | 739 ms ve 1.492 ms | Voice AI and Voice Agents kılavuzu, Pipecat 2026 |
| ElevenLabs Flash v2.5, çıkarım iddiası ve ağ dahil ölçülen akış gecikmesi | 75 ms ve 197 ms | ElevenLabs belgeleri 2026 (sağlayıcı iddiası); Vapi Humanness Index, 10 Haziran 2026 |
| Cartesia Sonic 3.5, ölçülen akış gecikmesi | 128 ms | Vapi Humanness Index 2026 |
| ElevenLabs Multilingual v2, ölçülen akış gecikmesi | 1.006 ms | Vapi Humanness Index 2026 |
Bağlam notu: Vapi bir sesli ajan platformu işletiyor, konuşma sentezi motoru değil; ancak endeksi yine de platform tarafından yürütülen bir kıyaslamadır. Sayfa 50 denemelik yöntemi yalnızca Flash v2.5 için veriyor, dolayısıyla diğer ölçülen değerler doğrudan karşılaştırılabilir olmayabilir. ElevenLabs ayrıca 500 ms’lik bir ses oynatıcı tamponunun “yaygın” olduğunu, bunun istemci tarafında hızlı bir modelin avantajının çoğunu ortadan kaldırabileceğini belirtiyor.
6. Konuşmadan Konuşmaya ve Tam Çift Yönlü Modellerin Ölçülen Gecikmesi
Konuşmadan konuşmaya modeller metin aktarımlarını atlar, tam çift yönlü modeller ise aynı anda dinler ve konuşur; dolayısıyla kuramsal olarak insan zamanlamasına yetişmeleri beklenir. Kyutai’nin Moshi’si 160 ms kuramsal ve pratikte 200 ms gecikme bildiriyor (Kyutai, Moshi, arXiv 2410.00037) ve bağımsız bir kıyaslama, konuşma sırasını 0,265 s sonra aldığını ölçtü (Lin et al., Full-Duplex-Bench, arXiv 2503.04721).
Ticari modeller çok daha dağınık. 23 Haziran 2026 tarihli Artificial Analysis endeksinde ortalama ilk sese kadar süre 0,44 s ile 2,98 s arasında değişti; en yavaş iki kayıt “High” akıl yürütme ayarlarıydı ve bunlardan biri olan GPT-Realtime-2 (High), 2,33 s ile %77,2’lik en yüksek endeks puanını aldı (Artificial Analysis, Speech to Speech Index). Hız ile zekâ hâlâ ters yönlerde çekiyor. Canlı altyazı da benzer bir hız ve doğruluk takasıyla karşı karşıya; bunu gerçek zamanlı altyazı gecikmesi istatistiklerinde izliyoruz.
| Metrik | Değer | Kaynak |
|---|---|---|
| GPT-4o sesli girdiye yanıt süresi, en hızlı ve ortalama | 232 ms ve 320 ms | OpenAI, Hello GPT-4o 2024 (sağlayıcı iddiası) |
| Önceki ChatGPT Voice Mode hattı ortalama gecikmesi, GPT-3.5 ve GPT-4 | 2,8 s ve 5,4 s | OpenAI, Hello GPT-4o 2024 (sağlayıcı iddiası) |
| Moshi gecikmesi, kuramsal ve pratik | 160 ms ve 200 ms | Kyutai, Moshi makalesi, arXiv 2024 |
| Kullanıcı konuşmayı bıraktıktan sonra konuşma sırasını alma süresi (CANDOR konuşma veri kümesi), Moshi ve Gemini Live | 0,265 s ve 1,301 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Kullanıcı sözünü kestikten sonra yanıt verme süresi, Moshi ve Gemini Live | 0,257 s ve 1,183 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Ortalama ilk sese kadar süre, endeksteki en hızlı model (Deepslate Opal) | 0,44 s | Artificial Analysis Speech to Speech Index, 23 Haziran 2026 |
| Ortalama ilk sese kadar süre, GPT-Realtime-1.5 | 0,82 s | Artificial Analysis Speech to Speech Index, 23 Haziran 2026 |
| Ortalama ilk sese kadar süre, Gemini 3.1 Flash Live Preview (High) | 2,98 s | Artificial Analysis Speech to Speech Index, 23 Haziran 2026 |
Aykırı değer notu: OpenAI rakamları, model duyurusundaki bir lansman iddiasıdır, bağımsız bir ölçüm değildir ve aynı tablodaki sıralama satırlarından farklı bir metrik kullanır; bu yüzden ikisi doğrudan karşılaştırılmamalıdır. Moshi hızlıdır ama bir çağrı merkezi modeli değildir: sentetik duraklama vakalarının %98,5’inde söz alır, yani kullanıcı yalnızca duraksadığında araya girer (Full-Duplex-Bench).
7. Gecikmenin Arayanlar ve Konuşmalar Üzerindeki Etkisi
Hız bir gösteriş metriği değildir. 450 dinleyicili kontrollü bir dinleme çalışmasında, ortalama 55,68 ms boşluk olacak şekilde düzenlenen aynı konuşma klipleri, 557,14 ms’lik aynı kliplere göre daha bağlantılı bulundu; bağlantı F(2, 2,344.3) = 28.51, P < 0.001 (Templeton et al., PNAS 2022). Dinleyiciler zamanlamayı bir toplumsal sinyal olarak okur ve yavaş bir ajan yanlış sinyali gönderir.
Özellikle yapay zekâ ajanları için, sanal ajanlarla yapılan 54 kişilik bir çalışma her gecikme düzeyinin algılanan hızı bozduğunu buldu ve yazarlar 4 saniyenin üzerindeki gecikmenin deneyim kalitesini düşürdüğü sonucuna varıyor; doğal sözlü dolgu ifadeleri 4,0 s ve 6,5 s’de algılanan yanıt hızını iyileştirirken, yapay bir yükleme simgesi ve sesi iyileştirmedi (Maslych et al., ACM CUI 2025). Sessizlik anlamı da değiştirir: konuşma araştırmaları 700 ms veya daha uzun boşlukları tercih edilmeyen yanıtlarla (reddetme veya aynı fikirde olmama gibi cevaplar) ilişkilendiriyor, dolayısıyla 1 saniyelik duraklaması olan bir ajan, yanıt evet olsa bile tereddütlü duyulma riski taşıyor. Ses temel modellerinin bir karşılaştırması, sessizliğin konuşma süresinin kademeli bir sistemde %32,4’ünü, Moshi’de ise %11,8’ini oluşturduğunu buldu (Arora et al., Talking Turns, arXiv 2503.01174).
| Metrik | Değer | Kaynak |
|---|---|---|
| En çok beğendiği ajan olarak düşük gecikmeli (1,5 s) ajanı seçen kullanıcılar | %57,41, χ²(2, N = 54) = 14.12, p < 0.0001 | Maslych et al., ACM CUI 2025 |
| En az beğendiği ajan olarak yüksek gecikmeli (6,5 s) ajanı seçen kullanıcılar | %61,11, χ²(2, N = 54) = 19.0, p < 0.0001 | Maslych et al., ACM CUI 2025 |
| Çalışmanın kendi kademeli ajanının eklenen gecikmeden önceki ölçülen yanıt süresi | Ortalama 1,47 s | Maslych et al., ACM CUI 2025 |
| İnsan konuşmasında tercih edilmeyen (olumsuz) yanıtlarla ilişkili boşluk uzunluğu | 700 ms veya daha fazla | Levinson ve Torreira, Frontiers in Psychology 2015 (derleme) |
| Konuşma süresinin sessizlikle geçen payı, kademeli sistem ve Moshi | %32,4 ve %11,8 | Arora et al., Talking Turns, arXiv 2025 |
| Çağrı ortaklarının gecikmesiz duruma göre daha az ilgili, samimi ve öz disiplinli değerlendirildiği eklenen iletim gecikmesi | 1,2 s | Schoenenberg, Raake ve Koeppe, International Journal of Human-Computer Studies 2014 |
| Konuşma kalitesinden çok memnun olan sesli yapay zekâ geliştiricileri (40 kişilik anket) | %2 | Deepgram, Introducing Flux 2025 (sağlayıcı anketi) |
| Konuşma akışında fark edilir ila ciddi sorunlar bildiren sesli yapay zekâ geliştiricileri (40 kişilik anket) | %61 | Deepgram, Introducing Flux 2025 (sağlayıcı anketi) |
Bağlam notu: 1,2 s’lik gecikme bulgusu, çalışmanın baş yazarının kendi özetinden geliyor (phys.org, Mayıs 2014); mevcut en güncel veriler: Schoenenberg et al., 2014. Ölçülen ajan gecikmesini gerçek çağrı terk oranlarıyla ilişkilendiren hakemli bir 2025 veya 2026 veri kümesi bulamadık; bu yüzden yukarıdaki memnuniyet kanıtları üretim çağrı kayıtlarından değil, kontrollü çalışmalardan geliyor.
Özet: Rakamlarla Sesli Yapay Zekâ Ajanı Gecikmesi
| Metrik | Değer | Kaynak |
|---|---|---|
| 10 dilde soru ile yanıt arasındaki ortalama boşluk | 208 ms | Stivers et al., PNAS 2009 |
| 500 ms’den kısa konuşma sırası geçişleri | %70 ila %82 | Heldner ve Edlund 2010, Frontiers in Psychology 2015 aracılığıyla |
| Tek bir sözcüğü söylemeye başlama süresi | Yaklaşık 600 ms | Levinson ve Torreira, Frontiers in Psychology 2015 |
| Daha bağlantılı bulunan kliplerdeki ortalama boşluk ve aynı kliplerin daha az bağlantılı bulunduğu boşluk | 55,68 ms ve 557,14 ms | Templeton et al., PNAS 2022 |
| Ağ planlaması için azami tek yönlü gecikme | 400 ms | ITU-T G.114 (05/2003) |
| Kademeli ajan ağızdan kulağa hedef ve üst sınır | 1.115 ms ve 1.400 ms | Twilio, Guide to Core Latency in AI Voice Agents 2025 |
| Referans sesten sese döküm toplamı | 1.293 ms | Voice AI and Voice Agents kılavuzu, Pipecat 2026 |
| Telekom araştırma hattı ortalama ilk sese kadar süre | 678 ms | Ethiraj et al., NetoAI, arXiv 2025 |
| Flux konuşma sırası sonu algılama iddiası | Yaklaşık 260 ms | Deepgram Flux belgeleri 2025 (sağlayıcı iddiası) |
| Yanlış kesinti oranı, eski ve yeni konuşma sırası sonu modeli, 14 dil | %18,66 ve %11,34 | LiveKit, 12 Aralık 2025 |
| ElevenLabs Flash v2.5 ölçülen akış gecikmesi | 197 ms | Vapi Humanness Index, Haziran 2026 |
| GPT-4o ortalama sesli yanıt süresi | 320 ms | OpenAI, Hello GPT-4o 2024 (sağlayıcı iddiası) |
| Moshi pratik gecikmesi | 200 ms | Kyutai, Moshi makalesi, arXiv 2024 |
| Konuşma sırası alma gecikmesi, Gemini Live | 1,301 s | Lin et al., Full-Duplex-Bench, arXiv 2025 |
| Endeks genelinde ortalama ilk sese kadar süre aralığı | 0,44 s ila 2,98 s | Artificial Analysis Speech to Speech Index, 23 Haziran 2026 |
| 6,5 s’lik ajanı en az beğenen kullanıcılar | %61,11 | Maslych et al., ACM CUI 2025 |
| Bir araştırma kademeli ajanının eklenen gecikmeden önceki ölçülen yanıt süresi | 1,47 s | Maslych et al., ACM CUI 2025 |
| Kademeli sistemde konuşma süresinin sessizlik payı | %32,4 | Arora et al., Talking Turns, arXiv 2025 |
Metodoloji ve Kaynaklar
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009.
- Levinson ve Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015 (aynı zamanda derlediği Heldner ve Edlund 2010 ile Indefrey ve Levelt 2004 rakamlarının da kaynağı).
- Templeton et al., Fast response times signal social connection in conversation, PNAS 2022.
- ITU-T, Recommendation G.114: One-way transmission time, Mayıs 2003, yürürlükte.
- Twilio, A Guide to Core Latency in AI Voice Agents (Cascaded Edition), 17 Kasım 2025.
- Pipecat, Voice AI and Voice Agents guide, baş yazar Kwindla Hultman Kramer, Haziran 2026 güncellemesi.
- Ethiraj et al., NetoAI, Toward Low-Latency End-to-End Voice Agents for Telecommunications, arXiv, 5 Ağustos 2025.
- Choudhary ve Purwar, Sprinklr, i-LAVA: Insights on Low Latency Voice-2-Voice Architecture for Agents, arXiv, 25 Eylül 2025.
- Deepgram, Introducing Flux: Conversational Speech Recognition, 1 Ekim 2025 ve Flux hızlı başlangıç belgeleri (sağlayıcı iddiaları ve bir sağlayıcı anketi).
- LiveKit, Improved end-of-turn model cuts voice AI interruptions 39%, 12 Aralık 2025 (sağlayıcı kıyaslaması).
- OpenAI, Realtime API voice activity detection guide ve Hello GPT-4o, 2024 (sağlayıcı iddiaları).
- ElevenLabs, Latency documentation, 2026 (sağlayıcı iddiası).
- Vapi, Humanness Index, ElevenLabs Flash v2.5 sayfası, gecikme kontrolü 10 Haziran 2026.
- Kyutai, Moshi: a speech-text foundation model for real-time dialogue, arXiv 2024.
- Lin et al., Full-Duplex-Bench, arXiv 2025 (sürüm 3, 16 Ağustos 2025).
- Artificial Analysis, Announcing the Speech to Speech Index, 23 Haziran 2026 ve canlı Speech to Speech sıralaması.
- 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 ve Koeppe, International Journal of Human-Computer Studies 2014, baş yazarın phys.org üzerindeki özetine göre.
- Veri notu: canlı sıralama güncellemeler arasında değişiyor; 27 Ekim 2026’da GPT-Realtime-2 (High) için 1,14 s ilk sese kadar süre listeliyordu, oysa 23 Haziran 2026 duyurusunda bu değer 2,33 s idi ve tanımı (Big Bench Audio kümesinde ilk ses belirtecini üretme süresi, saniye cinsinden) ağızdan kulağa konuşma sırası boşluğundan veya Full-Duplex-Bench konuşma sırası alma gecikmesinden farklı olduğundan, değerleri kaynaklar arasında değil, tek bir kaynak içinde karşılaştırın. Pipecat kılavuzunun tablosu 1.293 ms’ye toplanırken metni yaklaşık 1.200 ms diyor. 3. bölümdeki kademeli ajan kılavuzunun bileşen hedefleri (toplam 825 ms) 885 ms’lik platform hedefiyle uzlaştırılmamış. Sağlayıcı rakamları (konuşma tanıma, konuşma sırası algılama, konuşma sentezi ve gerçek zamanlı model üreticileri) sağlayıcı iddiaları veya sağlayıcı tarafından yürütülen kıyaslamalar olarak etiketlenmiştir. 2009 ve 2015 konuşma sırası çalışmaları, G.114’ün 2003 baskısı ve 2014 gecikme çalışması üç yıldan eskidir, ancak bu referans değerler için mevcut en güncel veri olmaya devam etmektedir. Ölçülen ajan gecikmesini gerçek çağrı terk oranlarına bağlayan kamuya açık, hakemli bir veri kümesi henüz yoktur.
- Son güncelleme: 27 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz; bir sonraki güncelleme, Artificial Analysis bir sonraki Speech to Speech Index güncellemesini yayımladığında bekleniyor.