Кратко

  • Новый draft-nygate-ippm-mrl-00 определяет задержку от последнего переданного речевого отсчёта абонента до начала ответного аудио по одному монотонному таймеру на стороне звонящего.
  • Вместе публикуются Ingress MRL и Playout MRL, разброс трёх порогов начала, непрерывное начало после первого звука, калибровка, номера ходов и полный знаменатель попыток и отбраковок.
  • Это индивидуальный Internet-Draft, а не принятый IPPM документ или зарегистрированная метрика; время ничего не доказывает о правильности и полезности ответа.

Производный результат не должен пережить свои исходные данные

Синтезированная речь редко начинается идеальной вертикальной стенкой. Один алгоритм заметит тихий первый слог, другой дождётся устойчивого превышения шумового порога. Оба способны выдать аккуратное число, но через год останется невозможно понять расхождение, если исходная запись заменена одним полем latency.

В проекте Mouth-to-Ear Response Latency for Conversational Voice Systems capture должен содержать сырые нагрузки и исходные отметки времени, а не только вычисленную задержку. Это позволяет независимому исследователю применить другую границу начала к уже собранному звонку. Хэш стимула связывает расчёт с неизменившимся входом, а идентификатор и рекомендуемый хэш конфигурации показывают, сравнивается ли тот же вариант системы.

Документ впервые принят Datatracker 7 сентября 2026 года как revision 00 индивидуального Internet-Draft. Автор указывает предполагаемый Informational status, однако ещё ставит вопрос о соответствии мандату IPPM и называет DISPATCH либо Independent Submission альтернативами. Действий IANA не запрошено. Это проверяемое предложение, а не принятый стандарт, консенсус или сертификат.

Последний отсчёт пользователя задаёт начало

t0 — момент передачи последнего речевого отсчёта заранее записанного стимула на RTP-границе вызывающей стороны. Конец размечают офлайн с точностью до отсчёта, сопоставляют с RTP-пакетом и положением внутри кадра.

Runtime voice activity detector не может назначать начало. Его собственная задержка решения входит в ожидание пользователя; если запускать часы после неё, медленный этап исчезнет из метрики. Фиксированное искусственное продолжение речевого конца тоже сдвинет t0 и одинаково занизит все результаты.

t1 наблюдается на том же узле, и обе метки берутся с одних монотонных часов. Межхостовая синхронизация не нужна. Сетевой путь при этом остаётся внутри интервала: MRL характеризует пару из пути и системы, а не абстрактную модель вне среды.

Значение может быть отрицательным. Агрессивное определение конца фразы или backchannel действительно дают аудио до завершения стимула. Автоматическое приветствие, ошибочно принятое за ответ, создаёт похожий знак. Поэтому поиск ответа начинается после зафиксированного конца незапрошенного аудио, а отрицательные числа не обрезаются до нуля.

Получение пакета и момент прослушивания разделены

Ingress MRL заканчивается при поступлении отсчёта начала без буферизации. Он сохраняет вклад системы и пути вместе с джиттером. Playout MRL заканчивается, когда тот же отсчёт вышел бы из de-jitter buffer с объявленной целевой глубиной. Этот вариант ближе к человеческому ожиданию, но включает политику клиента.

Оба обязательны. Только Ingress скрывает ожидание воспроизведения. Только Playout приписывает поставщику локальный буфер. Расхождение между ними помогает определить механизм, а не портит красивую сводку.

Точка наблюдения тоже является частью результата. Host capture, конференц-мост, запись оператора и аудиоустройство включают разные стеки, участки пути, транскодирование и оборудование. Если дополнительные слагаемые не измерены, число является верхней границей. Такие выборки нельзя без объявления смешивать с RTP-endpoint.

Ранний звук может нести пустоту

Проект задаёт sensitive, headline и strict варианты начала. Они различаются превышением шумового пола и требуемой длительностью. Размах MRL между ними публикуется как неопределённость определения. На плавном нарастании он растёт и может превысить точность самого таймера.

Есть более сильный способ улучшить first audio: выдать ранний вздох, сигнал или заполненную паузу, затем замолчать. Система будет выглядеть быстрой, хотя содержательный ответ появится позже. Проект не пытается классифицировать смысл звука — такой вывод трудно независимо повторить.

Вместо этого измеряется структура. В течение 2000 мс после первого начала ищется самый длинный участок ниже порога. Если он длиннее 150 мс, ответ помечается как прерывистый и сообщается второе MRL до начала последнего непрерывного сегмента. Первый показатель сохраняется, поэтому читатель видит обе границы.

Константы остаются открытыми. Автор прямо пишет, что их не вывели из корпуса реальных filler-поведений. Их следует проверять и менять с пересчётом исходных данных, а не превращать в недоказанную природную норму.

У перцентиля есть знаменатель и номер хода

Отчёт содержит количество предпринятых, опубликованных и отброшенных измерений, а причины должны суммироваться в общий discard. Звонки без найденного начала не могут исчезнуть, оставив быстрый P95 выживших. Потеря кадра начала сдвигает обнаружение на целые кадры и превращает значение в верхнюю границу; флаг остаётся рядом.

Первый ход также нельзя молча смешивать с последующими. Он может включать установление сессии, холодный запуск, пустые кэши и закрытые соединения. Позже система пользуется накопленным контекстом. Оба режима реальны, но отвечают на разные вопросы.

Кодек, период кадра, глубина буфера, пороги, хэш стимула, конфигурация и условия калибровки образуют паспорт серии. Калибровочный ответчик с программируемой задержкой выявляет bias и ошибку. Некалиброванный инструмент честно даёт верхнюю границу. Проверка лишь на задержках, кратных кадру, способна скрыть квантование.

Скорость не получает полномочий качества

MRL не оценивает распознавание, истинность, уместность и завершение задачи. Быстрый неправильный ответ получит хороший результат. Поток, который рано начинает звук, а затем исправляет содержание, тоже не описывается первым onset. Для этих утверждений нужны отдельные измерения.

Активный тест требует согласия оператора. Массовые несанкционированные вызовы способны нарушать условия и выглядеть как denial of service. Capture содержит голоса и ответы, иногда персональные или биометрические данные. Синтетический либо согласованный стимул, контроль доступа и ограничение хранения обязательны для ответственной практики.

Главный результат проекта — не новая цифра, а минимальная цепочка её происхождения. Последний отсчёт, пакет, playout, первый звук, непрерывная речь, конфигурация, ход и отбракованный знаменатель остаются разными фактами. Только после этого два миллисекундных значения получают право стоять в одном сравнении.

Источники