Az utóbbi két évtizedben különösen nagy figyelmet kapott a beszélőváltási rendszer temporális dimenziója, vagyis a beszélőváltások időzítése – más néven időtartama – és pszicholingvisztikai háttere, valamint ennek a nyelv egészét érintő interakciós-kognitív, evolúciós és neurobiológiai vonatkozásai (Magyari–de Ruiter 2012; Levinson 2016; Corps et al. 2018; Meyer 2023). Ehhez a fő kiindulást a társalgási korpuszokon végzett fonetikai kutatások adták, amelyek milliszekundum pontosságú mérései rámutattak, hogy a beszélők váltása, vagyis a szóátvétel a társalgásban többnyire igen gyorsan, 200 ms körüli, vagy annál rövidebb időn belül végbemegy: a szóátadás és szóátvétel közti időtartam hossza, az ún. FTO-érték (floor transfer offset) legtöbbször +250 és −250 ms között mozog, 0 és 200 ms közötti módusszal (de Ruiter et al. 2006; Wilson–Wilson 2005). A pozitív FTO itt a fordulók közti néma szünet hosszát, negatív FTO az átfedő beszédet, 0 az azonnali szóátvételt jelöli. Ezek az időtartamok és eloszlási mintázatuk különböző nyelvek társalgásaiban hasonlóan alakulnak (l. Stivers et al. 2009), amit megerősítettek Heldner és Edlund (2010) holland, angol és svéd nyelvű társalgási korpuszokban mért, valamint Markó és Gósy (2015), illetve Horváth és munkatársai (2021) magyar nyelvű háromfős társalgásokból kapott eredményei. A korpuszok és a kutatások kisebb módszertani különbségei miatt (pl. két- vagy háromfős társalgásról van‑e szó; csak a rövid, pozitív válaszok FTO-ját vizsgálják, vagy az összes beszélőváltásból számított FTO-átlagot), valamint nyelvtől függően, az FTO-értékek közt lehetnek ugyan kisebb eltérések, de ezek szűk sávon belül mozognak, a beszélőváltások átlagosan 200 milliszekundumon belüli időtartama univerzálisnak tűnik (Stivers et al. 2009; Levinson–Torreira 2015). Ez pszicholingvisztikai szempontból meglepően rövid időtartam, mivel kevesebb, mint amennyi a következő beszélő válaszának megtervezéséhez szükséges. A kutatási eredmények szerint ugyanis egyetlen szó előhívásakor a beszédprodukció előkészítése minimum 600 ms időt igényel (Indefrey–Levelt 2004), egy mondat esetén ez 1500 ms körülire tehető (Bögels–Levinson 2017). Az ennél rövidebb beszélőváltási időtartamok arra utalnak, hogy a hallgató nem beszédpartnere fordulójának befejezése után kezdi el válasza tervezését, hanem már korábban, a másik beszélő fordulója közben, megjósolva annak a várható befejezését (Sacks et al. 1974; de Ruiter et al. 2006). Ez egy összetett kognitív háttérmechanizmus működésére mutat rá, amely magában foglalja (a) a beszédpartner fordulója végének megjóslását (Magyari–de Ruiter 2012; Magyari et al. 2017); (b) a saját közlés megtervezését a hallott beszéd feldolgozásával párhuzamosan; (c) az előkészített válasz készenlétben tartását; (d) a megfelelő beszélőváltási pillanat detektálását; majd (e) a közlés kivitelezését (Corps et al. 2018). Maga ez a mechanizmus egyúttal azt is mutatja, hogy a beszélőváltások általános időzítési mintája nem a hallott közlés feldolgozásának és az arra adott válasz produkciójának természetes egymásutániságán és ezek időigényén alapszik, hanem valamilyen más, ezt felülíró temporális szabályozást követ; valamint azt is jelzi, hogy a társalgási fordulók váltakozásának ez a gyors és precíz időzítése kiemelten fontos a nyelvben, és a nyelvi rendszer egyik központi szervezőelvét alkotja. Ez feltehetően összefügg a társas interakciók általános működési elveivel és a nyelv alapvető interakcionális jellegével, kialakulásának és működésének a közös társas cselekvésbe ágyazottságával (Levinson 2016; Levinson–Torreira 2015), valamint az állatvilágban megfigyelhető interakciószervezés jellemzőivel (Okobi et al. 2019; Pika et al. 2018), a társas közelség jelzésével (Templeton et al. 2023) és a neurális szinkronizáció jelenségével (Piazza et al. 2021).

A beszélőváltások időzítése kapcsán központi kérdés, hogy azt milyen lokális és globális tényezők segítik vagy befolyásolják. Lokális tényezők az aktuális beszélő szóátadó jelzései (Duncan 1972), és fordulójának egyéb, prozódiai (Local–Walker 2012), szintaktikai, szemantikai, grammatikai, pragmatikai jellemzői (Ford–Thompson 1996; Magyari et al. 2017), a szóátvevő fél válaszának vagy egyéb fordulójának hossza és összetettsége (Garvey–Berninger 1981), és a társalgást kísérő nonverbális, multimodális jelenségek (pl. gesztusok, szemmozgás, Holler–Levinson 2019). Globális jellegű tényezőként befolyásolhatja például a beszélőváltás időtartamát a forduló helyzete a társalgáson belül (a társalgás vége felé a beszélőváltások többnyire rövidebb időtartammal mennek végbe, mint az elején, Krepsz et al. 2023), a szóátvétel típusa (külválasztás vagy önkijelölés, Markó‒Gósy 2015), a beszélők életkora (Bata 2009), társas viszonyai vagy ismerőssége (ismerősök között általában gyorsabb váltások jellemzők, Dér et al. 2022). A beszédtempó és a beszélőváltás-időzítés kapcsolatát azonban ritkábban érintették a kutatások, és azok is elsősorban a lokális hatókörű szóátadó vagy szómegtartó jelzésekre tértek ki (pl. frázisvégi nyújtás, szünet).