Zusammenfassung

  • draft-nygate-ippm-mrl-00 definiert Mouth-to-Ear Response Latency vom letzten gesendeten Sprachsample bis zum Beginn der Antwort, gemessen mit einer monotonen Uhr am anrufenden Endpunkt.
  • Pflicht sind Ingress- und Playout-Wert, Unsicherheit der Onset-Schwelle, Kontinuität nach dem ersten Ton, Kalibrierung, Turn-Verteilung sowie vollständige Zahlen zu Versuchen und Verwerfungen.
  • Der Text ist ein aktiver individueller Internet-Draft, kein von IPPM angenommenes Dokument und keine registrierte Metrik; eine schnelle Antwort kann dennoch falsch sein.

Präzision ersetzt keine gemeinsame Grenze

Ein Syntheseanbieter misst bis zum ersten Audiobyte seiner API. Ein Carrier misst in einer Aufzeichnung. Ein Prüfclient stoppt beim empfangenen RTP-Paket, ein anderer erst bei der Ausgabe hinter dem Jitterpuffer. Alle Ergebnisse heißen „Latenz“. In ihnen stecken aber unterschiedliche Netze, Relays, Transcoder, Puffer und Geräte.

Der am 7. September 2026 eingereichte Entwurf Mouth-to-Ear Response Latency for Conversational Voice Systems will diese verborgenen Entscheidungen in den Bericht holen. Datatracker führt Revision 00 als aktiven individuellen Internet-Draft. Informational ist beabsichtigt; ob IPPM zuständig ist oder DISPATCH beziehungsweise Independent Submission geeigneter wären, bleibt offen. Es gibt keinen IANA-Antrag, keine WG-Annahme und keinen IETF-Konsens.

MRL beginnt mit dem letzten Sprachsample eines vorab aufgezeichneten Stimulus, wenn es die RTP-Grenze des Anrufers verlässt. Das Ende wird offline samplegenau markiert, dem RTP-Paket zugeordnet und innerhalb des Frames interpoliert. Eine Voice-Activity-Detection zur Laufzeit darf den Start nicht festlegen. Ihre Entscheidungsverzögerung gehört zur gemessenen Wartezeit; ein später Start würde sie aus dem Ergebnis herausrechnen.

Das Ende wird am selben Endpunkt beobachtet. Beide Zeitmarken stammen aus einer monotonen Uhr. Eine Synchronisation mit dem geprüften System ist nicht erforderlich. Der Netzpfad verschwindet dadurch nicht: Gemessen wird die Paarung aus Pfad und Systemkonfiguration.

Negative Werte bleiben erhalten. Ein Backchannel oder aggressives Endpointing kann vor dem Ende des Stimulus einsetzen. Dasselbe Vorzeichen entsteht fälschlich, wenn eine automatische Begrüßung als Antwort erkannt wird. Deshalb muss unaufgeforderte Sprache enden, bevor die Onset-Suche beginnt; der Capture macht die Deutung überprüfbar.

Paketankunft und Hören haben verschiedene Eigentümer

Ingress MRL endet bei Ankunft des Onset-Samples ohne Pufferung. Es zeigt System und Pfad einschließlich Jitter. Playout MRL endet, wenn dasselbe Sample einen De-Jitter-Puffer mit angegebener Zieltiefe verlassen würde. Es nähert sich dem Erleben des Hörers, enthält aber eine lokale Client-Entscheidung.

Beide Werte sind vorgeschrieben. Nur Ingress unterschätzt das Warten. Nur Playout schreibt dem Dienst eine Pufferpolitik zu. Ihre Differenz liefert eine Diagnose, die eine einzelne Bestmarke versteckt.

Wer am Host-Capture, an einer Bridge, beim Carrier oder am Audiogerät misst, muss den Punkt und die zusätzlichen Terme nennen. Ohne Charakterisierung ist die Zahl eine Obergrenze. Verteilungen verschiedener Referenzpunkte dürfen nicht zusammengelegt werden.

Ein früher Laut kann den Benchmark spielen

Synthetische Sprache setzt oft als Rampe ein. Onset hängt daher von Abstand zum Rauschboden und Haltedauer ab. Der Entwurf definiert eine empfindliche, eine Headline- und eine strenge Variante. Die Streuung ihrer MRL-Werte ist als Definitionsunsicherheit zu veröffentlichen. Sie kann wichtiger sein als zusätzliche Dezimalstellen.

Ein Agent kann früh ein Atemgeräusch, Earcon oder Füllwort senden und danach schweigen. First audio wird schnell, obwohl der Inhalt später beginnt. Der Entwurf vermeidet eine semantische Entscheidung, die Dritte nicht stabil nachrechnen könnten. Er misst stattdessen Kontinuität.

Innerhalb von 2000 ms nach dem ersten Onset wird die längste Strecke unterhalb der Schwelle gesucht. Überschreitet sie 150 ms, gilt die Antwort als diskontinuierlich; ein zweiter Onset markiert den Beginn des letzten durchgehenden Segments. Der erste Wert bleibt sichtbar. So kann der Leser Tonbeginn und Sprechbeginn trennen.

Die Konstanten sind noch nicht empirisch abgesichert. Der Autor schreibt, dass kein Korpus realer Fülllaute sie begründet. Genau deshalb sollen Rohdaten und Parameter erhalten bleiben: Eine spätere Regel kann vorhandene Captures neu auswerten.

Der Nenner ist Teil des Ergebnisses

Jede Verteilung nennt versuchte, berichtete und verworfene Messungen. Die Gründe müssen die Verwerfungszahl ergeben. Wenn alle Gespräche ohne erkannten Onset verschwinden, beschreiben die verbleibenden Perzentile nur erfolgreiche Erkennung. Das ist nicht dieselbe Zuverlässigkeitsaussage.

Paketverlust und Late Discard bleiben als Hinweise am Datensatz. Geht der Onset-Frame verloren, rückt die Erkennung um ganze Frames nach hinten und die Zahl wird zur Obergrenze. Auch die Turn-Nummer wird gespeichert: Der erste Turn enthält oft Sitzungsaufbau, kalte Modelle, leere Caches und ungeöffnete Verbindungen; spätere profitieren von Kontext.

Codec, Frameperiode, Pufferziel, Onset-Parameter, Stimulus und Hash, Systemkennung und empfohlener Konfigurationshash bilden den Vergleichsschlüssel. Rohpayloads und rohe Zeitstempel ermöglichen eine neue Auswertung. Kalibrierung gegen einen Antwortgeber mit programmierter Verzögerung liefert Bias und Fehler; ohne sie bleibt jedes Ergebnis Obergrenze.

Schnelligkeit besitzt keine Qualitätsvollmacht

MRL bewertet weder Erkennung noch Wahrheit, Relevanz oder Aufgabenerfolg. Ein System kann schnell falsch antworten. Teilantworten, die später revidiert werden, lassen sich nicht durch den ersten Ton charakterisieren. Jede dieser Aussagen braucht eigene Evidenz.

Aktive Messung braucht zudem Erlaubnis. Unabgesprochene Anrufe gegen fremde Systeme können Nutzungsbedingungen verletzen und bei hoher Rate einem Denial of Service gleichen. Audio-Captures können persönliche oder biometrische Daten enthalten. Synthetische oder eingewilligte Stimuli, Zugriffsschutz und begrenzte Aufbewahrung gehören in den Messvertrag.

Der Entwurf verteilt damit Autorität zurück auf die richtigen Schichten. Die Millisekunde bezeugt nur ihr definiertes Intervall. Referenzpunkt, Puffer, Schwelle, Kontinuität, Konfiguration, Turns und verworfener Nenner entscheiden, ob zwei solche Intervalle überhaupt vergleichbar sind.

Quellen