系统开口前的空白需要填充反馈
别名: 等待音 · 占住话轮的反馈 · thinking earcon
概念解释
「京都周四到周日的天气」说完了，识别、理解和查服务还要将近两秒。这两秒里房间没有声音。用户听成的不是「机器在算」，而是「没听见 / 死机 / 该我再喊一次」。开口前填充（pre-response filler）是系统在拿到话轮之后、第一句真正内容出来之前，用来占住话轮的信号：耳标、短促的「稍等」、屏幕上的聆听结束而计算开始。它处理的是系统侧延迟，不是用户还没说完。
机制
会话里，问句之后大约一秒量级的缝就会开始被听成麻烦：不情愿的回答、没听清、或者话轮掉在地上。人类用反馈（backchannel）和占轮声（「嗯」「我看看」）填这道缝。对话系统在算的时候若保持静音，就生产了一段无标记停顿：用户无法区分「我已经接过话轮」和「你的话丢了」。空白被拿去跟轮流规范对齐，不会去跟服务器延迟的服务指标对齐。
填充的作用是宣布：话轮在我这边，我在工作。它可以是非言语耳标，也可以是很短的话语。没有它，用户会在延迟里重说整句——这会被当成新输入，把正在算的那一轮挤掉，延迟进一步变长。填充若拖成一句完整的「好的我来帮你查询京都未来四天的天气」，又会变成新的可被打断的话轮，把延迟从「计算」转成「听废话」。
怎么研究
做延迟 × 填充的因子：从端点到首包音频设 300 / 800 / 1500 / 2500 毫秒，每档有无耳标或极短语。因变量用延迟期间的整句重说、「在吗」、以及对系统抢话（用户以为没接上而再唤醒）。不要只问满意度：人可以觉得「反应挺自然」同时在一点五秒处已经重问。
对照条件应排除「内容还没准备好却先播了一句假答案」。填充必须是占轮，不能是可被当成结果的命题。有屏设备可以另加一臂视觉旋转，看眼睛在设备上时听觉填充是否仍必要。
边界
首包已经能在约三百毫秒内出来时，再加填充是噪声，尤其在短命令上。填充太像一句真回答（「好的是」）会被听成确认，用户开始打岔。同一段思考音循环太多次会从占轮变成催促。公共场合里任何额外出声都有社交成本，此时灯或触感可能比「稍等」更合适。电话 IVR 的等待音乐是另一族填充，时长以分为单位，不能拿来设计助手的两秒缝。
怎么落地
- 只要从端点到第一句内容的预期时间会超过大约零点七秒，就在端点之后立刻发占轮信号，不要等大模型首 token。
- 「听见了」和「还在算」用不同声音；前者在端点瞬间，后者只在计算仍未结束时维持。
- 允许用户在填充期间打断；打断应取消这次计算，而不是把填充当一句需要理解的用户话。
- 把延迟和「延迟期间是否重说」画在一起。加上填充后，重说曲线若仍随延迟爬升，占轮信号不够早，或不够像占轮。