對話式即時媒體（conversational real-time media）

看一場錄好的節目和跟人即時交談，是天差地別的兩件事。看節目時，播放開始前幾秒的延遲是看不見的。但當你在交談時，延遲卻很殘酷：對方停下來後你停頓太久，於是你們同時開口，接著同時停，又同時開。對話式即時媒體就是雙向、互動的音訊與視訊——一通透過網際網路的電話（網路電話）或一場視訊會議——人們在即時地彼此回應，所以它的時間預算是所有媒體類別中最緊的。

它之所以如此苛求，是因為你無法靠緩衝來脫困。在儲存式串流中你可以囤積十秒；但在對話中，你每緩衝一秒，就是對方多等一秒才聽到你說話，所以播放緩衝區必須維持很小——通常是數十毫秒，而非數秒。一個粗略的經驗法則：單向「嘴到耳」延遲在約 150 毫秒以內，對話感覺自然；150 到 400 之間就明顯尷尬；超過 400 就會崩壞成搶話與「你說——不，你先」的笨拙場面。遺失也很重要，但因為沒有時間要求重送，遺失的封包通常是被隱藏或直接略過，而非重傳。

為什麼重要：這一類驅動了大部分服務品質的思考，因為它正是盡力而為的傳遞最可能讓人感覺糟糕的情況。它幾乎總是透過 UDP（藉由 RTP）承載，而非 TCP，原因很直接：TCP 的重送會送來一份雖晚卻完美、但其實早已無用的聲音複本，同時還卡住排在它後面的一切。在這裡，及時勝過完整。誠實的提醒：即使協定再完美，你也無法打敗傳播延遲——一通繞著地球路由的電話，有一個由光速設下、無法避免的物理下限。