01
Стандартное определение конца речи
Медиана 1,428 секунды, p90 1,461 секунды при рассуждении по умолчанию. Отключение рассуждения в этом режиме дало медиану 1,402 секунды.
Исследования
Задержка голосового AI: сравнение Gemini Live и способов завершения реплики
Почему одна голосовая модель отвечает за 0,77 секунды, а с другими настройками — за 1,43? На замерах команды Антиматерии показываем, как конец реплики влияет на разговор.
Что считать задержкой голосового бота
Человек замечает паузу между своей последней фразой и ответом системы. Поэтому полезная метрика голосового AI — время от конца речи пользователя до первого звука ответа. Генерация текста и получение первого сетевого байта описывают только часть ожидания.
Мы сравнили режимы голосового диалога на стенде 27 сентября 2026 года. Главный результат: способ определения конца реплики заметно влияет на задержку. При выборе голосового бота следует тестировать весь разговорный путь, включая сеть и воспроизведение.
Условия и ограничения замеров
На стенде использовали Gemini 3.8 Live через Vertex AI, WebSocket и голос Charon. Тестовую речь подавали кадрами по 20 миллисекунд в темпе реального разговора. Измеряли интервал от конца входящей речи до первого выходного аудио; приводим медиану и p90.
p90 — граница, быстрее которой завершились 90% измерений в выборке. Она показывает медленные ответы, но на малом числе повторов нестабильна. Сводный документ не сохраняет число повторов для каждой ячейки; сырые записи Live-тестов в репозиторий не внесены.
Использовалась синтезированная входная речь. Тест не проверяет микрофоны посетителей, шумный офис, мобильную сеть и долгие паузы людей. Цифры относятся к историческому стенду и не служат обещанием задержки в сервисах Антимы.
Gemini 3.8 Live: три режима одного стенда
Все значения — от конца входной речи до первого выходного звука.
02
Быстрое серверное определение конца речи
С отключённым рассуждением: медиана 1,070 секунды, p90 1,085 секунды. Система быстрее принимала решение, что реплика закончилась.
03
Явный сигнал окончания реплики
С отключённым рассуждением: медиана 0,768 секунды, p90 0,852 секунды. С включённым рассуждением медиана составила 0,963 секунды.
Почему нельзя сравнивать только названия моделей
Gemini 2.5 Native Audio с явным окончанием реплики показала медиану 1,070 секунды в us-central1 и 0,790 секунды в europe-west4. Последнее значение близко к результату 3.8 Live, полученному в другом регионе. Это не доказывает, что новое поколение быстрее при любых условиях.
Регион, сеть, способ окончания хода и режим рассуждения менялись между отдельными сериями. Результаты помогают найти факторы задержки, но не дают строгого рейтинга. Для честного сравнения нужно закрепить остальные параметры и менять одну переменную за раз.
VAD — механизм определения речевой активности — решает, продолжается ли речь. Долгое ожидание тишины задерживает ответ. Слишком раннее завершение хода мешает человеку закончить мысль. Быстрый ответ полезен только тогда, когда система не перебивает пользователя ошибочно.
Перебивание — отдельный критерий
Когда человек говорит поверх ответа, бот должен остановиться и принять новую реплику. В тесте Gemini 3.8 Live серверное событие перебивания приходило примерно через 0,34–0,37 секунды.
Это время серверного события, а не полной остановки звука в браузере. Накопленное аудио может продолжить звучать. В пользовательском тесте отдельно проверяют остановку динамика и смысл, который система сохранила после перебивания.
Как проверить голосовой AI в своей задаче
Соберите короткие ответы, длинные объяснения, паузы внутри предложения и перебивания. Добавьте уточнения: «подождите», «я имел в виду другое», «повторите сумму». Набор должен отражать реальный разговор.
Измеряйте медиану, медленные ответы, ошибочные завершения реплики, потерянные слова и успешные перебивания. Зафиксируйте время до звука у человека: сетевое событие ещё не означает, что собеседник услышал ответ.
В исследовании явное окончание хода сократило паузу 3.8 Live примерно с 1,43 до 0,77 секунды. Оптимальную настройку следует выбирать по живым диалогам. Система должна отвечать вовремя и давать человеку закончить мысль.
Вопросы о голосовых моделях
Что важнее: скорость модели или настройка VAD?
Оба фактора влияют на результат. В нашем стенде изменение определения конца речи сократило ожидание сильнее, чем отключение рассуждения при стандартном VAD.
Можно ли напрямую сравнить задержку TTS и Live?
Только при одинаковых границах измерения. TTS получает готовый текст, а Live обрабатывает аудиодиалог; время полного синтеза не равно паузе после речи человека.
Ответ быстрее секунды гарантирует хороший разговор?
Нет. Нужно проверить паузы, понимание уточнений и остановку звука при перебивании.
Источники и продолжение
Аудиодиалог и перебивание; проверено 9 октября 2026 года.
Сравнение синтеза русской речи
Почему точность озвучки и задержка — разные проверки.
Антима
Экосистема AI-сервисов Антиматерии.