زمن الاستجابة في الذكاء الاصطناعي الصوتي: كيف تبني خط معالجة تدفقي يجيب في أقل من 500 مللي ثانية

المتصل لا يرى مؤشر الكتابة، لذا فالصمت هو كل ما يحصل عليه. كل بضع مئات من المللي ثانية من الهدوء بعد توقفه عن الحديث تُفسر على أنها ارتباك، أو انقطاع في الخط، أو آلة. يبدأ المتصلون في تكرار كلامهم، أو التحدث في نفس وقت تحدث الوكيل (agent)، أو إغلاق الخط. كل واحدة من هذه الحالات تكلفك حجزاً، أو عميلاً محتملاً، أو تذكرة دعم تحتاج الآن إلى تدخل بشري.

تُظهر الأبحاث حول المحادثات البشرية مدى صغر هذا الهامش. وجدت دراسة شملت عشر لغات (Stivers وزملائه، PNAS, 2009) أن الفجوة المعتادة بين تبادل الأدوار تبلغ حوالي 200 مللي ثانية. لن يتمكن الوكيل الصوتي من مطابقة هذا الرقم. لكن الوصول إلى أقل من 500 مللي ثانية تقريباً يبقيه ضمن النطاق الذي يتقبله الناس دون ملاحظة. أما إذا تجاوزت الفجوة ثانية واحدة، فسيلاحظ معظم المتصلين أن هناك خطأ ما.

أين يضيع الوقت: ميزانية زمن الاستجابة (latency budget)

من وجهة نظر المتصل، يُعتبر زمن الاستجابة الملحوظ مجموع خمسة عوامل:

زمن الاستجابة الملحوظ = انتظار اكتشاف الدور + النص النهائي + وقت النموذج (LLM) لأول جملة + وقت تحويل النص إلى كلام (TTS) لأول مقطع صوتي + النقل والتخزين المؤقت للتشغيل

تقوم معظم الفرق بضبط العامل الخطأ. فهم يغيرون النماذج اللغوية (LLMs) لتوفير 100 مللي ثانية بينما ينتظر نظام اكتشاف الدور لديهم 700 مللي ثانية من الصمت قبل اتخاذ أي إجراء.

الجدول أدناه هو ورقة العمل التي نستخدمها لتحليل خط المعالجة (pipeline). النطاقات المذكورة هي نطاقات تخطيط لخط معالجة متسلسل مبني بشكل جيد، وليست معايير قياسية. تعتمد أرقامك على المنطقة، وحمل مزود الخدمة، وحجم الموجّه (prompt)، والشبكة، لذا قم بقياس أرقامك الخاصة عند p50 و p95.

بالنسبة لـ TTS، تُعلن ElevenLabs عن حوالي 75 مللي ثانية من زمن استجابة النموذج لنماذج Flash الخاصة بها. هذا الرقم يستبعد وقت الشبكة، لذا تعامل معه كحد أدنى، وليس كإجمالي.

النقطة الأساسية من الجدول: في خط المعالجة المتسلسل، تتراكم هذه العوامل. أما في خط المعالجة التدفقي، فإنها تتداخل. يسمع المتصل الجملة الأولى بينما لا يزال النموذج (LLM) يكتب الجملة الثانية. هذا التداخل هو الفرق بين وكيل يستجيب في ثانيتين وآخر يستجيب في 450 مللي ثانية.

اكتشاف الدور: العامل الذي تخطئ فيه معظم الفرق

تمنحك Deepgram آليتين منفصلتين. غالباً ما تخلط الدروس التعليمية بينهما.

endpointing يعتمد على النشاط الصوتي. عندما تكتشف Deepgram العدد المكوّن من المللي ثانية من الصمت، فإنها تضع علامة speech_final: true على النص. الافتراضي هو 10 مللي ثانية، وهو سريع جداً بالنسبة للمحادثة. القيم من 200 إلى 500 مللي ثانية هي نطاق بداية منطقي. قم بضبطه بناءً على تسجيلات لمتصلين حقيقيين لديك.

utterance_end_ms يعتمد على توقيت الكلمات. ترسل Deepgram رسالة UtteranceEnd منفصلة عندما ترى فجوة بعد آخر كلمة نهائية. الحد الأدنى للقيمة هو 1,000 مللي ثانية، ويتطلب interim_results=true. وهو موجود لأن ضوضاء الخلفية يمكن أن تمنع كاشف النشاط الصوتي من سماع الصمت على الإطلاق. UtteranceEnd هو خط الدفاع الخلفي للخطوط المزعجة، وليس المشغل الأساسي لديك.

استخدم كليهما. تصرف بناءً على speech_final عند وصوله. وتعامل مع UtteranceEnd كشبكة أمان تمنع المتصل الموجود في سيارة مزعجة من الانتظار إلى الأبد.

المقايضة هنا هي قرار عمل، وليست مجرد قرار تقني. نافذة endpointing الأقصر تجعل الوكيل أسرع، لكنها تقاطع الأشخاص الذين يتوقفون في منتصف الجملة. المتصلون الذين يقرؤون رقم بوليصة أو عنوان يتوقفون كثيراً. إذا كانت مكالماتك في الغالب عبارة عن التقاط بيانات منظمة، فإن النافذة الأطول تكلف أقل من المقاطعات المتكررة.

النموذج (LLM): الوقت لأول جملة، وليس السرعة الإجمالية

ما يهم في الصوت هو مدى سرعة وصول الجملة الكاملة الأولى. إجمالي وقت التوليد أقل أهمية بكثير. هناك ثلاث فئات تستحق النظر:

• ▸نماذج مستضافة صغيرة وسريعة (فئة Haiku من Claude، وفئة mini من GPT، وفئة Flash من Gemini). هذه هي الخيار الافتراضي الصحيح لمعظم الوكلاء الصوتيين. فهي سريعة في استخراج أول رمز (token) ورخيصة لكل دور، وقادرة بما يكفي لمهام الجدولة والتأهيل والأسئلة الشائعة.
• ▸نماذج مستضافة متقدمة (Frontier). هي أبطأ في استخراج أول رمز وتكلفتها أعلى. استخدمها فقط عندما يحتاج الوكيل إلى التفكير في شيء معقد. وحتى في هذه الحالة، فكر في استخدام نموذج سريع للرد المنطوق ونموذج أكبر خلف استدعاء أداة.
• ▸نماذج مفتوحة ذاتية الاستضافة (Qwen، Llama) على vLLM أو SGLang. هذا هو الخيار عندما لا يمكن للصوت أن يغادر بنيتك التحتية، وهو أمر شائع في قطاعي الرعاية الصحية والتمويل في الخليج. يعتمد زمن الاستجابة على وحدة معالجة الرسومات (GPU) الخاصة بك، وحجم الدفعة، والحمل أكثر من اعتماده على اسم النموذج. راجع دليلنا لسرعة الاستنتاج (inference) في الخوادم المحلية.

لا تختر نموذجاً من جدول منشور، بما في ذلك جدولنا. يتغير زمن استجابة مزود الخدمة من أسبوع لآخر ويختلف حسب المنطقة. تنشر أدوات التتبع المستقلة مثل Artificial Analysis قياسات الوقت لأول رمز، وهي قائمة مختصرة معقولة. ثم قم بإجراء 200 مكالمة أو أكثر باستخدام الموجّه (prompt) الحقيقي الخاص بك من منطقتك الحقيقية، وقارن p95 بدلاً من المتوسطات. المتصل الذي يغلق الخط عادة ما يكون عند مستوى p95.

هناك إعدادان يهمان أكثر من اختيار النموذج. أبقِ موجّه النظام قصيراً، لأن كل رمز فيه تتم معالجته قبل أول رمز للمخرجات. ووجه النموذج للبدء بجملة قصيرة. "بالتأكيد، دعني أتحقق من ذلك." تصل إلى TTS أسرع بكثير من افتتاحية مكونة من 30 كلمة.

تحويل النص إلى كلام (TTS): تدفق النص للداخل، وتدفق الصوت للخارج

استخدم نقطة نهاية الإدخال التدفقي لـ WebSocket من ElevenLabs، وليس نقطة نهاية REST. استدعاء REST ينتظر النص الكامل قبل أن تتمكن من البدء في إرساله. يقبل WebSocket النص كما ينتجه النموذج (LLM) ويعيد مقاطع (chunks) صوتية بمجرد توليدها.

قم بتخزين رموز النموذج (LLM) مؤقتاً حتى حدود الجملة، ثم أرسل تلك الجملة مع flush لكي يبدأ التوليف فوراً. اطلب مخرجات ulaw_8000 عندما يكون المتصل على خط هاتف. تنقل Twilio تنسيق 8kHz μ-law، لذا فإن مطابقته تزيل خطوة تحويل الترميز بالكامل.

خط المعالجة، في كود فعّال

القاعدة الأساسية هي أن إرسال النص إلى TTS وتوجيه الصوت إلى المتصل يجب أن يعملا بشكل متزامن. من الأخطاء الشائعة إرسال كل نص النموذج (LLM) أولاً ثم قراءة الصوت بعد ذلك. هذا لا يشغل أي شيء حتى يتم توليف الرد بالكامل، مما يضيع فائدة التدفق. الكود أدناه يعمل في كلا الاتجاهين في وقت واحد باستخدام asyncio.gather.

يستخدم Twilio Media Streams لمسار الهاتف و WebSockets خام لـ Deepgram و ElevenLabs، حتى تتمكن من رؤية كل رسالة. أسماء النماذج تأتي من الإعدادات لأنها تتغير بشكل أسرع مما ينبغي أن يتغير الكود الخاص بك.

import asyncio, base64, json, os
import websockets
from fastapi import FastAPI, WebSocket
from openai import AsyncOpenAI  # any OpenAI-compatible endpoint, incl. vLLM/SGLang

app = FastAPI()
llm = AsyncOpenAI(base_url=os.environ.get("LLM_BASE_URL"), api_key=os.environ["LLM_API_KEY"])
LLM_MODEL = os.environ["LLM_MODEL"]
VOICE_ID = os.environ["ELEVENLABS_VOICE_ID"]

DG_URL = (
    "wss://api.deepgram.com/v1/listen"
    f"?model={os.environ['DEEPGRAM_MODEL']}"
    "&encoding=mulaw&sample_rate=8000&channels=1"   # Twilio's native format
    "&interim_results=true"                          # required for UtteranceEnd
    "&endpointing=300"                               # speech_final after 300ms silence
    "&utterance_end_ms=1000"                         # backstop; 1000ms is the minimum
    "&smart_format=true"
)
EL_URL = (
    f"wss://api.elevenlabs.io/v1/text-to-speech/{VOICE_ID}/stream-input"
    f"?model_id={os.environ['ELEVENLABS_MODEL']}"   # a Flash-tier model
    "&output_format=ulaw_8000"                       # no transcoding for Twilio
)
SENTENCE_END = (".", "!", "?", "؟")                 # include the Arabic question mark
SYSTEM_PROMPT = "You are a phone assistant. Answer in one or two short sentences."

class Call:
    def __init__(self, twilio: WebSocket):
        self.twilio = twilio
        self.stream_sid = None
        self.history = [{"role": "system", "content": SYSTEM_PROMPT}]
        self.finals: list[str] = []
        self.reply_task: asyncio.Task | None = None

    def speaking(self) -> bool:
        return self.reply_task is not None and not self.reply_task.done()

    async def send_audio(self, b64_audio: str):
        await self.twilio.send_text(json.dumps({
            "event": "media", "streamSid": self.stream_sid,
            "media": {"payload": b64_audio},
        }))

    async def stop_speaking(self):
        """Barge-in: cancel generation and flush audio Twilio has buffered."""
        if self.speaking():
            self.reply_task.cancel()
            await self.twilio.send_text(json.dumps(
                {"event": "clear", "streamSid": self.stream_sid}))

    async def end_turn(self):
        text = " ".join(self.finals).strip()
        self.finals.clear()
        if not text:
            return
        await self.stop_speaking()
        self.history.append({"role": "user", "content": text})
        self.reply_task = asyncio.create_task(self.reply())

    async def reply(self):
        sent: list[str] = []  # text sent to TTS (not necessarily heard)
        headers = {"xi-api-key": os.environ["ELEVENLABS_API_KEY"]}
        async with websockets.connect(EL_URL, additional_headers=headers) as tts:
            await tts.send(json.dumps({"text": " "}))  # open the stream

            async def llm_to_tts():
                buf = ""
                stream = await llm.chat.completions.create(
                    model=LLM_MODEL, messages=self.history,
                    stream=True, max_tokens=150, temperature=0.3)
                async for chunk in stream:
                    if not chunk.choices:
                        continue
                    buf += chunk.choices[0].delta.content or ""
                    if buf.rstrip().endswith(SENTENCE_END):
                        await tts.send(json.dumps({"text": buf + " ", "flush": True}))
                        sent.append(buf)
                        buf = ""
                if buf.strip():
                    await tts.send(json.dumps({"text": buf + " ", "flush": True}))
                    sent.append(buf)
                await tts.send(json.dumps({"text": ""}))  # end of input

            async def tts_to_caller():
                async for raw in tts:
                    msg = json.loads(raw)
                    if msg.get("audio"):
                        await self.send_audio(msg["audio"])  # already base64 μ-law
                    if msg.get("isFinal"):
                        break

            try:
                # Both directions at once: audio plays while the LLM is still writing.
                await asyncio.gather(llm_to_tts(), tts_to_caller())
            finally:
                if sent:
                    self.history.append({"role": "assistant", "content": " ".join(sent)})

    async def listen(self, dg):
        async for raw in dg:
            msg = json.loads(raw)
            kind = msg.get("type")
            if kind == "Results":
                text = msg["channel"]["alternatives"][0]["transcript"]
                if text and self.speaking():
                    await self.stop_speaking()      # caller is talking over us
                if msg.get("is_final") and text:
                    self.finals.append(text)
                if msg.get("speech_final"):
                    await self.end_turn()           # primary trigger
            elif kind == "UtteranceEnd":
                await self.end_turn()               # backstop for noisy lines

@app.websocket("/voice")
async def voice(ws: WebSocket):
    await ws.accept()
    call = Call(ws)
    dg_headers = {"Authorization": f"Token {os.environ['DEEPGRAM_API_KEY']}"}
    async with websockets.connect(DG_URL, additional_headers=dg_headers) as dg:
        listener = asyncio.create_task(call.listen(dg))
        try:
            async for raw in ws.iter_text():
                msg = json.loads(raw)
                if msg["event"] == "start":
                    call.stream_sid = msg["start"]["streamSid"]
                elif msg["event"] == "media":
                    await dg.send(base64.b64decode(msg["media"]["payload"]))
                elif msg["event"] == "stop":
                    break
        finally:
            await dg.send(json.dumps({"type": "CloseStream"}))
            listener.cancel()
            if call.speaking():
                call.reply_task.cancel()

كود TwiML الذي يربط مكالمة واردة بهذا الخادم:

<Response>
  <Connect>
    <Stream url="wss://your-server.example.com/voice" />
  </Connect>
</Response>

ثلاثة تحسينات يجب إجراؤها قبل الإطلاق للإنتاج:

• ▸تقسيم الجمل ساذج. "د. أحمد" و "3.5" كلاهما ينتهي بنقطة. أضف قائمة اختصارات، واطلب حداً أدنى للطول قبل التفريغ.
• ▸قم بتفريغ المقطع الأول مبكراً. في المقطع الأول فقط، التفريغ عند فاصلة بعد بضع كلمات يوفر مقطعاً واحداً من وقت النموذج (LLM).
• ▸يسجل السجل ما تم إرساله، وليس ما تم سماعه. بعد المقاطعة، يكون المتصل قد سمع أقل مما يقوله السجل. إذا كان الوكيل يقتبس أسعاراً أو شروطاً، فتتبع موضع التشغيل بحيث يتطابق السجل مع ما تم سماعه بالفعل. الحل هو قطع السجل المخزن عند آخر كلمة سمعها المتصل.

المقاطعة (Barge-in): السماح للمتصلين بالمقاطعة

الناس يقاطعون. الوكيل الذي يستمر في التحدث فوقهم يبدو معطلاً، مهما كان سريعاً.

تحتاج المقاطعة إلى شيئين. تحتاج إلى اكتشاف حديث المتصل أثناء تحدث الوكيل، وتحتاج إلى إيقاف الصوت الذي لم يسمعه المتصل بعد. إلغاء مهام LLM و TTS يوقف فقط الصوت الجديد. قامت Twilio بالفعل بتخزين عدة مئات من المللي ثانية من الصوت مؤقتاً في جانبها. رسالة clear على تدفق الوسائط تتخلص من هذا التخزين المؤقت، وبدونها ينهي الوكيل جملته بعد مقاطعته. إيقاف الصوت هو نصف المهمة؛ أما ما يجب أن يسجله سجل المحادثة بعد المقاطعة فتمت تغطيته في مقال أنماط الفشل.

كيفية تشغيل المقاطعة هو قرار ضبط. يمكن لـ Deepgram إصدار أحداث SpeechStarted (vad_events=true)، وهو سريع ولكنه يعمل عند السعال، وصوت التلفزيون، وصدى صوت الوكيل نفسه على بعض الهواتف. التشغيل بناءً على نص مؤقت يحتوي على كلمات حقيقية، كما يفعل الكود أعلاه، أبطأ ولكنه يقلل من التوقفات الخاطئة بشكل كبير. بالنسبة لقاعدة متصلين مزعجة، اطلب كلمتين أو أكثر قبل قطع صوت الوكيل.

النقل: خطوط الهاتف مقابل WebRTC

في مكالمة هاتفية، يقرر مسار مزود الاتصالات وسيلة النقل الخاصة بك. تقدم Twilio تنسيق 8kHz μ-law عبر WebSocket، والمهمة هي مطابقة هذا التنسيق من البداية للنهاية والاستضافة بالقرب من منطقة الوسائط الخاصة بمزود الاتصالات.

يختلف الصوت في المتصفح والتطبيقات، واختيار النقل مهم هناك. تعمل WebSockets عبر TCP، ويقوم TCP بتسليم كل حزمة بالترتيب. حزمة واحدة مفقودة توقف كل شيء خلفها حتى يتم إعادة إرسالها، وهو ما يسمى حظر رأس الخط. بالنسبة لتنزيل ملف، هذا صحيح. أما بالنسبة للصوت المباشر، فهذا يعني تقطعات وارتفاعات في زمن الاستجابة على أي اتصال محمول متقطع.

WebRTC هو النقل الصحيح لعملاء المتصفح والتطبيقات. يقوم بتشغيل الوسائط عبر UDP باستخدام ترميز Opus. عند فقدان حزمة، يخفي الترميز الفجوة ويستمر التدفق. كما يتضمن التخزين المؤقت للتقطع وإلغاء الصدى، والتي كنت ستبنيها بنفسك لولا ذلك.

عند زيادة الحجم، ضع خادم وسائط بين العملاء وعمال الذكاء الاصطناعي لديك. وحدة التوجيه الانتقائي (SFU) مثل LiveKit أو Janus تنهي اتصالات WebRTC وتعيد توجيه الصوت إلى مجموعة العمال لديك. هذا يفصل معالجة الاتصال، الثقيلة على الشبكة، عن تنسيق الذكاء الاصطناعي، الذي ينتظر واجهات برمجة التطبيقات. يتوسع الاثنان بعد ذلك بشكل مستقل. توفر LiveKit أيضاً إطار عمل للوكلاء مبنياً حول هذا النمط. يستحق هذا التقييم قبل بناء البنية التحتية بنفسك.

التوسع لأكثر من مجرد مكالمات معدودة

يقضي خط المعالجة للنماذج المستضافة معظم وقته في انتظار مكالمات الشبكة، وليس في الحوسبة. لذلك، تقتصر الجلسات لكل خادم على صحة حلقة الأحداث، والذاكرة لكل اتصال، وحدود المقابس الصادرة، وليس على نوى وحدة المعالجة المركزية. لا يمكن لأحد أن يعطيك رقماً للجلسات لكل خادم ينطبق على حزمة التكنولوجيا الخاصة بك. قم باختبار الحمل.

معادلة تحديد الحجم بسيطة:

الخوادم المطلوبة = ذروة المكالمات المتزامنة ÷ الجلسات لكل خادم (مقاسة عند هدف زمن الاستجابة p95 الخاص بك) × عامل الاحتياطي (1.3 إلى 1.5 هو نطاق تخطيط منطقي)

قم بقياس الجلسات لكل خادم عن طريق زيادة المكالمات الاصطناعية حتى يتجاوز زمن الاستجابة p95 هدفك، وليس حتى ينهار الخادم. يتدهور زمن الاستجابة قبل وقت طويل من تعطل أي شيء.

عادة ما تظهر ثلاثة حواجز قبل أن تظهر قيود الحوسبة:

1. ▸حدود التزامن لمزود الخدمة. يحد مزودو STT و TTS من التدفقات المتزامنة حسب فئة الخطة. اكتشف حدودك قبل يوم الإطلاق، وليس أثناء الحملة.
2. ▸كود حظر في حلقة الأحداث. استدعاء قاعدة بيانات متزامن واحد أو خطوة ثقيلة على وحدة المعالجة المركزية داخل الحلقة غير المتزامنة يضيف زمن استجابة لكل مكالمة على هذا الخادم.
3. ▸الحالة الثابتة (Sticky state). احتفظ بالحالة لكل مكالمة داخل معالج الاتصال، كما هو موضح أعلاه، بحيث يمكن لأي خادم استقبال أي مكالمة. إذا كان يجب أن تنتقل مكالمة بين الخوادم، فضع الحالة المشتركة في Redis.

النماذج اللغوية (LLMs) ذاتية الاستضافة تغير الصورة. تصبح وحدة معالجة الرسومات (GPU) هي عنق الزجاجة، ويرتفع زمن الاستجابة لكل مكالمة مع الحمل المتزامن مع نمو الدفعات. حدد حجم تلك الفئة من خلال اختبار حمل لنموذجك على أجهزتك، عند هدف p95 الخاص بك.

اللغة العربية والتبديل بين اللغات (Code-switching)

خط المعالجة هو نفسه بالنسبة للغة العربية. الإعدادات هي التي تتغير.

ثبّت لغة STT عندما تعرفها. قبل الاعتماد على الوضع متعدد اللغات في Deepgram للتبديل بين العربية والإنجليزية في منتصف الجملة، تحقق من أن الوضع يغطي زوج اللغات الخاص بك. يقوم المتصلون في الخليج بتبديل اللغات باستمرار، ويختلف أداء اللهجات باختلاف مزود الخدمة. الاختبار على الصوت الخليجي أو المصري أو الشامي الذي يطابق متصليك أمر ضروري. اختبار اللهجة لمدة أسبوع لمحرك STT يحسم الأمر على تسجيلاتك الخاصة.

بالنسبة لـ TTS، استخدم صوتاً مبنياً للغة العربية بدلاً من صوت متعدد اللغات يقرأها بالصدفة. أضف ؟ إلى قائمة حدود الجملة الخاصة بك، وإلا فلن تؤدي الأسئلة العربية أبداً إلى تفريغ مبكر. اطلب من النموذج (LLM) الرد بلغة المتصل وإبقاء الردود قصيرة، حيث أن الردود باللغة العربية غالباً ما تكون أطول من الإنجليزية.

الأسئلة الشائعة

هل يجب أن نستخدم نموذج تحويل الكلام إلى كلام بدلاً من خط المعالجة المتسلسل هذا؟ يمكن لنماذج تحويل الكلام إلى كلام الأصلية أن تقلل زمن الاستجابة وتبدو طبيعية أكثر، لكن خط المعالجة المتسلسل لا يزال الخيار الأكثر أماناً إذا كنت بحاجة إلى فحوصات الامتثال، أو التحكم الدقيق في النطق، أو لهجة عربية محددة. راجع كيفية الاختيار بين تحويل الكلام إلى كلام أو المتسلسل حسب نوع المكالمة.

لماذا يبدو الوكيل لدينا بطيئاً بينما تُظهر لوحة معلومات كل مزود أرقاماً سريعة؟ تقيس لوحات معلومات المزودين مرحلتهم الخاصة، وليس الفجوة التي يسمعها المتصل. عادةً ما تكون المشكلة في انتظار اكتشاف الدور أو خطوة متسلسلة. سجل طابعاً زمنياً عند كل حد مرحلة لكل دور: speech_final، أول رمز LLM، أول جملة كاملة، أول صوت TTS، أول صوت يتم إرساله إلى مزود الاتصالات. الفجوة الأكبر هي ما تحتاج إلى إصلاحه.

هل يمكن لنسخة تجريبية تعمل لمختبر واحد أن تتعامل مع حملة مكالمات حقيقية؟ غالباً لا، ليس بدون تغييرات. تخفي النسخ التجريبية لمستخدم واحد حدود التزامن لمزود الخدمة، وكود الحظر، والافتقار إلى معالجة المقاطعة. تنجح النسخة التجريبية عندما تحافظ على هدف زمن الاستجابة p95 الخاص بك عند ذروة المكالمات المتزامنة المتوقعة في اختبار الحمل. اجعل ذلك معيار القبول قبل أن يحدد أي شخص موعداً للإطلاق.

قبل تغيير النماذج، أضف الطوابع الزمنية الخمسة المذكورة أعلاه إلى خط المعالجة الخاص بك وقم بإجراء 50 مكالمة حقيقية. سيهيمن عامل واحد، وعادة ما يكون انتظار اكتشاف الدور.