Résumé

  • draft-nygate-ippm-mrl-00 mesure le délai entre le dernier échantillon de parole émis par l’appelant et le début de l’audio de réponse, avec une seule horloge monotone côté appelant.
  • Le résultat doit réunir la latence à l’arrivée des paquets et celle après tampon de gigue, l’incertitude du seuil, la continuité de la réponse, l’étalonnage, les numéros de tours et le décompte des essais rejetés.
  • Il s’agit d’un Internet-Draft individuel en discussion, sans adoption par IPPM ni inscription au registre IANA, et la métrique ne juge ni la justesse ni l’utilité de la réponse.

Le lieu de l’observation change le résultat

Un fournisseur chronomètre parfois son moteur de synthèse entre la requête et le premier octet audio. Un laboratoire appelle le service et enregistre le média sur un pont. Un client observe les paquets RTP dans son application. Un autre mesure la sortie de la carte son. Tous peuvent publier une valeur en millisecondes ; chacun a pourtant placé une quantité différente de transport, de transcodage, de tampon et de matériel entre le départ et l’arrivée.

Le projet Mouth-to-Ear Response Latency for Conversational Voice Systems, déposé le 7 septembre 2026, commence par cette incompatibilité. Datatracker le présente comme un Internet-Draft individuel actif. Son auteur vise la catégorie Informational, mais demande encore si IPPM est le bon lieu et évoque DISPATCH ou l’Independent Submission. Aucune action IANA n’est demandée. L’annexe de registre reste une hypothèse de travail. Ce texte n’est donc ni une norme adoptée ni une validation des classements existants.

La métrique MRL prend pour départ le dernier échantillon de parole d’un stimulus préenregistré, au moment où il sort de la frontière RTP de l’appelant. L’échantillon est annoté hors ligne, puis replacé dans son paquet et dans la trame. Une détection vocale exécutée pendant l’appel ne peut pas choisir ce départ : son propre retard de décision fait partie de l’attente que l’on cherche justement à mesurer.

L’arrivée est le premier échantillon de la réponse observé au même point. Les deux instants viennent d’une horloge monotone unique. Il n’est donc pas nécessaire de synchroniser la machine de l’appelant avec le système testé. Cette construction ne soustrait pas le réseau : le résultat appartient au couple formé par le chemin et le système.

Une observation faite ailleurs reste décrivable. Le rapport doit toutefois nommer le point et les termes supplémentaires. Sans caractérisation de ceux-ci, il ne fournit qu’une borne supérieure. Des chiffres issus d’un enregistrement opérateur ne doivent pas être mélangés à ceux d’un point RTP comme s’ils appartenaient à la même population.

Deux fins pour un même intervalle

Le texte impose Ingress MRL et Playout MRL. La première s’arrête à l’arrivée du paquet qui contient le début de la réponse, sans tampon. Elle montre le système et le chemin tels qu’ils se présentent, gigue comprise. La seconde s’arrête au moment où cet échantillon sortirait d’un tampon de gigue dont la profondeur cible est déclarée. Elle se rapproche de l’attente de l’auditeur, mais porte aussi la politique du terminal.

Publier seulement Ingress sous-estime l’expérience d’écoute. Publier seulement Playout confond le service et le choix local du tampon. L’écart entre les deux n’est pas une nuisance à effacer ; il identifie la couche qui détient une partie du délai.

La valeur conserve également son signe. Une réponse anticipée ou un backchannel peut arriver avant la fin de la phrase et produire une MRL négative. La ramener à zéro détruirait l’observation. Mais une salutation automatique antérieure à la question peut créer la même apparence. Le projet exige donc que l’audio spontané soit terminé avant de chercher le début de réponse.

Un souffle peut gagner un classement

La parole synthétique monte souvent progressivement. Son commencement dépend d'un seuil. Le projet propose trois variantes — sensible, principale et stricte — et oblige à publier leur dispersion comme incertitude de définition. Un nombre seul ne dit pas si un changement de seuil aurait déplacé le résultat de quelques dixièmes ou de plusieurs millisecondes.

Il reste le cas le plus facile à optimiser : le système émet un son très tôt, puis se tait avant de répondre. Une respiration, un earcon ou une hésitation remplie suffit à réduire la MRL du premier audio. Le texte refuse de déléguer à un classifieur la décision sémantique « ceci est une réponse », car un tiers ne pourrait pas la recalculer de manière stable.

Il choisit un critère de structure. Dans les 2000 millisecondes suivant le premier début, l’instrument cherche la plus longue période sous le seuil. Au-delà de 150 millisecondes, la réponse devient discontinue et un second début est fourni au commencement du dernier segment continu. Les deux constantes sont expressément ouvertes à la révision ; l’auteur indique qu’elles ne proviennent pas encore d’un corpus de comportements réels. Elles sont une hypothèse vérifiable, pas une loi de la conversation.

Le rapport doit conserver ce qui permet de refaire le calcul

Le stimulus est haché, le codec et la durée de trame sont déclarés, et la capture conserve les charges utiles et horodatages bruts sans y inscrire seulement la valeur dérivée. Un lecteur peut ainsi appliquer une autre règle de début à la même matière. L’instrument est étalonné contre un répondant au délai programmé et publie son biais et son erreur. Sans étalonnage, le résultat est explicitement une borne supérieure.

Les tours de dialogue restent séparés. Le premier comprend souvent l’établissement de session, le démarrage à froid, des caches vides et des connexions fermées. Les suivants peuvent profiter du contexte déjà accumulé. Une étude des premiers tours et une étude du régime établi sont toutes deux légitimes ; les fondre sans annoncer les comptes ne l’est pas.

Le dénominateur accompagne enfin les percentiles : essais tentés, retenus et écartés, motifs de rejet, pertes et rejets tardifs. Perdre la trame contenant le début décale la détection d’une ou plusieurs trames ; la valeur devient une borne supérieure. Supprimer silencieusement cette observation ne rend pas le système plus rapide, seulement le rapport plus flatteur.

Une métrique de temps ne devient pas une preuve de qualité

MRL ne dit rien sur la reconnaissance, la vérité, la pertinence ou l’achèvement de la tâche. Un agent peut répondre vite et faux. Un flux peut commencer tôt puis réviser son contenu. La précision du chronomètre n’autorise pas ces conclusions supplémentaires.

La méthode active impose aussi une autorité. Des appels non consentis et nombreux vers un service tiers peuvent violer ses conditions et ressembler à une attaque par déni de service. Les captures contiennent des voix et des réponses potentiellement personnelles ou biométriques. Le stimulus synthétique ou consenti, le contrôle d’accès et une durée de conservation bornée font partie du dispositif.

Le gain du projet est donc institutionnel autant que technique. Il transforme un badge de vitesse en paquet de preuves minimal : frontière, horloge, tampon, seuil, continuité, configuration, tours et dénominateur. Avant de décider quel agent est le plus rapide, il oblige à démontrer que les deux nombres ont bien chronométré le même événement.

Sources