يلاحظ المشاهدون الصوت الذي يصل قبل الصورة بـ 45 ms فقط، لكنهم يتسامحون مع ما يصل إلى 125 ms من الصوت الذي يصل بعدها، وهي نافذة الاكتشاف غير المتماثلة التي تقوم عليها التوصية الدولية للبث بشأن توقيت الصوت والصورة (ITU-R BT.1359-1, 1998). وكثيرا ما تخرج سلاسل التشغيل الفعلية عن هذه النافذة: فقد قاست دراسة بالثنائي الضوئي في نوفمبر 2026 تأخرا وسيطا للصوت بين 79.2 و210.9 ms عبر 24 توليفة من المشغلات والدقات، مع تجاوز ما يصل إلى 88.4% من التجارب لعتبة الاكتشاف (Ho وLi, Preprints.org 2026). كما يعتمد التسامح على ما يظهر على الشاشة، إذ تتراوح عتبات القبول من 200 ms لمذيع نشرة الأخبار إلى 1.3 ثانية لكرة القدم الأمريكية (Ebenezer, arXiv 2022). وانحراف مزامنة الشفاه (الفجوة بين لحظة حركة الفم ولحظة سماع صوته) مشكلة مختلفة عن توقيت الترجمة النصية المرافقة، التي تناولناها في إحصائيات تأخر الترجمة النصية ودقتها. جمعنا بيانات من EBU وATSC وSMPTE وIEEE Transactions on Broadcasting وJournal of the Acoustical Society of America وPLOS ONE وAllion Labs وAmazon Science ونحو اثني عشر مصدرا أوليا آخر.
أبرز النقاط
- متوسط عتبة الاكتشاف: نحو 45 ms من تقدم الصوت إلى 125 ms من تأخره (ITU-R BT.1359-1, 1998).
- حد البث الأوروبي: 40 ms لتقدم الصوت على الصورة و60 ms لتأخره عنها، من البداية إلى النهاية (EBU R37, 2007).
- إرشادات التلفزيون الرقمي الأمريكية عند مدخل المرمّز: ألا يزيد تقدم الصوت على 15 ms ولا تأخره على 45 ms (ATSC IS/191, نقلا عن TV Technology 2004).
- متوسط عتبة اكتشاف تقدم الصوت في اختبار مختبري لدى Intel: 185.19 ms، بانحراف معياري 42.32 ms (Younkin وCorriveau, IEEE Transactions on Broadcasting 2008).
- حُكم على الكلام بأنه متزامن من 131 ms من تقدم الصوت إلى 225 ms من تقدم الصورة (Conrey وPisoni, JASA 2006).
- عتبة القبول لتقدم الصوت على الصورة: 200 ms لمذيع نشرة الأخبار مقابل 1.3 ثانية لكرة القدم الأمريكية (Ebenezer, arXiv 2022).
- الإزاحات الوسيطة الواصلة في تشغيل مقاطع الوجوه المتحدثة المختبرة: تأخر الصوت بين 79.2 و210.9 ms في كل خلية (Ho وLi, Preprints.org 2026).
- قيس Zoom من 92 ms من تقدم الصورة إلى 73 ms من تقدم الصوت عبر خمسة حواسيب (اختبارات AV-Sync لدى Allion Labs).
- أسوأ فجوة متوسطة في بدء الصوت والصورة على سماعة واقع مختلط غير معايَرة: 156.63 ms (Eckhoff وآخرون, PLOS ONE 2024).
- نافذة التزامن لمتحدث إنجليزي أصلي: 100 ms لدى المستمعين الشباب ذوي السمع الطبيعي مقابل 250 ms لدى المستمعين الأكبر سنا (Gordon-Salant وآخرون, Frontiers in Psychology 2022).
- دقة مصنِّف مزامنة الشفاه على مجموعة بيانات LRS2: 96.5% لـ IC-SyncNet مقابل 75.8% لـ SyncNet الأصلي (Park وآخرون, arXiv 2024).
1. عتبات الاكتشاف: متى يلاحظ المشاهدون خطأ مزامنة الشفاه
النتيجة الأكثر ثباتا عبر 80 عاما من الأبحاث هي عدم التماثل. يُلتقط الصوت المبكر عند ما يقارب ثلث الإزاحة التي يتطلبها الصوت المتأخر: نحو 45 ms من تقدم الصوت مقابل 125 ms من تأخره في الاختبارات الذاتية (اختبارات يقيّم فيها المشاهدون مقاطع) التي لخصتها توصية ITU-R BT.1359-1. وتفسر الطبيعة هذا الانحياز: فالضوء ينتقل أسرع من الصوت، وفي الكلام الطبيعي يبدأ الفم بالحركة قبل الصوت. وفي مادة الكلام التي حللها Venezia وآخرون، سبق انغلاق الفم الصوت بـ 163 ms، ولذلك فالدماغ مدرَّب أصلا على قبول الصوت المتأخر.
الفارق بين الدراسات لا يقل أهمية عن المتوسطات. فقد وضعت دراسة من مختبرات Bell Laboratories في أربعينيات القرن الماضي الاكتشاف عند 35 ms من التقدم و100 ms من التأخر، بينما وجد اختبار مختبري لدى Intel لأخطاء تقدم الصوت متوسطا أكثر تساهلا بكثير بلغ 185.19 ms (Younkin وCorriveau, IEEE Transactions on Broadcasting 2008). والقراءة العملية: العتبات متوسطات على مستوى مجموعة سكانية، وأكثر المشاهدين حساسية يقعون داخلها بمسافة كبيرة. فالبث المصمم وفق المتوسط يظل مزعجا لشريحة من جمهوره.
| المقياس | القيمة | المصدر |
|---|---|---|
| متوسط عتبة الاكتشاف، تقدم الصوت مقابل تأخره عن الصورة | نحو +45 ms إلى -125 ms | ITU-R BT.1359-1 (1998) |
| عتبة الاكتشاف في دراسة مبكرة لمختبرات Bell Laboratories، تقدم الصوت مقابل تأخره | أكثر من 35 ms تقدما أو أكثر من 100 ms تأخرا | دراسة Bell Laboratories، نقلا عن TV Technology (Hoffner) 2003 |
| متوسط عتبة الاكتشاف عندما يتقدم الصوت على حركة الشفاه | 185.19 ms (انحراف معياري 42.32 ms) | Younkin وCorriveau, IEEE Transactions on Broadcasting 2008 |
| الكلام المحكوم بتزامنه، أكبر تقدم للصوت مقابل أكبر تقدم للصورة (30 بالغا) | من 131 ms تقدما للصوت إلى 225 ms تقدما للصورة | Conrey وPisoni, JASA 2006 |
| الأصوات غير الكلامية (وميض ونغمة) المحكوم بتزامنها، تقدم الصوت مقابل تقدم الصورة | من 153 ms تقدما للصوت إلى 247 ms تقدما للصورة | Conrey وPisoni, JASA 2006 |
| عرض نافذة التزامن عند نصف ذروتها، الكلام مقابل غير الكلام | 357 ms مقابل 400 ms | Conrey وPisoni, JASA 2006 |
| عتبة الاكتشاف للكلام، تقدم الصورة على الصوت مقابل تقدم الصوت على الصورة | 258 ms مقابل 131 ms | Dixon وSpitz 1980، مذكور في Venezia وآخرون, Attention, Perception, and Psychophysics 2016 |
| عتبة الاكتشاف لمطرقة تضرب وتدا، تقدم الصورة مقابل تقدم الصوت | 188 ms مقابل 75 ms | Dixon وSpitz 1980، مذكور في Venezia وآخرون 2016 |
ملاحظة سياقية: وجد Conrey وPisoni أن مركز نافذة التزامن يقع عند 47 ms من تقدم الصورة وليس عند الصفر، للكلام وغير الكلام معا (Conrey وPisoni, JASA 2006). وتتتبع مراجعة Venezia وآخرين النمط نفسه عبر دراسات مكررة. أحدث بيانات متاحة لعتبات المجموعات السكانية: Younkin وCorriveau 2008؛ ولم تظهر في بحثنا دراسة عتبات أحدث بعينة كبيرة لمزامنة الشفاه في البث.
2. حدود التسامح في البث وميزانيات المزامنة
تخبرنا دراسات الإدراك أين يلاحظ المشاهدون الخلل؛ وتخبر المعايير المهندسين كم من ذلك الهامش يجوز أن ينفقه كل جزء من السلسلة. والنمط اللافت هو مدى صرامة الحدود الهندسية مقارنة بحدود الإدراك. تسمح EBU R37 لكل مرحلة بـ 5 ms تقدما و15 ms تأخرا فقط، بينما يجب أن تبقى السلسلة كلها داخل حد من البداية إلى النهاية قدره 40 ms تقدما و60 ms تأخرا (EBU R37, 2007). وتذكر EBU أن حدودها مبنية على التأخر الذي يلاحظ عنده 50% من المراقبين فشل مزامنة الشفاه.
وذهبت الولايات المتحدة إلى أشد من ذلك. فقد وجدت اللجنة الفرعية للتنفيذ في ATSC أن حدود عام 1998 الدولية غير كافية للتلفزيون الرقمي، وطلبت ألا يتقدم الصوت الداخل إلى المرمّز على الصورة بأكثر من 15 ms ولا يتأخر عنها بأكثر من 45 ms (TV Technology, ATSC Recommends AV Sync Rules, 2004). وللمقارنة، كانت القاعدة التقريبية القديمة في NTSC هي +1 و-2 إطار، أي +33 و-66 ms. كما تقسم توصية 1998 ميزانيتها هي أيضا، فتترك للمقاطع الخارجة عن سيطرة جهة البث ±2 ms فقط.
| المقياس | القيمة | المصدر |
|---|---|---|
| التسامح الكلي بين الصوت والصورة (وهو أيضا متوسط عتبة القبول) | +90 ms إلى -185 ms | ITU-R BT.1359-1 (1998) |
| تقسيم الميزانية: من مصدر الكاميرا إلى نقطة المرجع الصفري (المرجع الزمني للاستوديو) مقابل من المرجع الصفري إلى مدخل جهاز الإرسال | +25 / -100 ms مقابل +22.5 / -30 ms | ITU-R BT.1359-1 (1998) |
| الحد من البداية إلى النهاية عند أي مخرج مخصص للبث، تقدم الصوت على الصورة مقابل تأخره عنها | 40 ms مقابل 60 ms | EBU R37 (2007) |
| الحد لكل مرحلة منفردة من سلسلة الإنتاج | من 5 ms تقدما إلى 15 ms تأخرا | EBU R37 (2007) |
| حد التلفزيون الرقمي للصوت عند مدخل المرمّز، التقدم مقابل التأخر | 15 ms مقابل 45 ms | ATSC IS/191، نقلا عن TV Technology 2004 |
| حد التلفزيون الرقمي للسلسلة كلها، تقدم الصوت على الصورة مقابل تأخره عنها | +30 ms إلى -90 ms | ATSC IS/191، نقلا عن TV Technology 2004 |
| حد جودة التجربة في IPTV، تقدم الصوت على الصورة مقابل تأخره عنها (مؤقت، الدقة القياسية) | الحد الأقصى 15 ms مقابل 45 ms | ITU-T G.1080 (2008) |
| القاعدة التقريبية في NTSC التناظري بالإطارات والملّي ثانية | +1 / -2 إطار (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
ملاحظة استثنائية: هذه الوثائق قديمة لكنها لا تزال سارية. فقد أُقرت توصية توقيت الصوت والصورة في 30 نوفمبر 1998 وتوصية جودة IPTV في 7 ديسمبر 2008، وكلتاهما مدرجة على أنها نافذة. أحدث بيانات متاحة: EBU R37, 2007.
3. نوع المحتوى والجمهور: من يتسامح بقدر كم
الوجه المتحدث هو أصعب اختبار يمكن أن يواجهه البث. ففي دراسة شملت 20 مشاهدا و45 مقطعا، بلغت عتبة القبول لتقدم الصوت على الصورة 200 ms لمذيع نشرة الأخبار و1.3 ثانية لكرة القدم الأمريكية (Ebenezer, arXiv 2022). فاللقطات الرياضية الواسعة تقدم أحداثا سمعية بصرية حادة قليلة تُرسى عليها نقطة التوقيت، ولذلك يُحكم على بث الألعاب أو الرياضة الذي تظهر فيه كاميرا وجه البث على الشاشة بالمعيار الأشد القائم على الوجه.
والجمهور مهم أيضا. فمع متحدث إنجليزي أصلي، يُظهر المستمعون الأكبر سنا نوافذ تزامن (نطاق الإزاحات التي لا تزال تُدرك على أنها متزامنة) أعرض بمرتين على الأقل من البالغين الشباب، ومع ذلك يفقدون جزءا من التعرف على الكلام عندما تكون الإشارة غير متوافقة، حتى حين لا يلاحظون الخطأ (Gordon-Salant وآخرون, Frontiers in Psychology 2022). والنافذة العريضة لا تعني المناعة: فأخطاء المزامنة قد تكلف الفهم دون أن يُبلَّغ عنها أبدا كشكوى.
| المقياس | القيمة | المصدر |
|---|---|---|
| عتبة القبول لتقدم الصوت على الصورة، مقطع مذيع نشرة الأخبار | 200 ms | Ebenezer, arXiv 2022 |
| عتبة القبول لتقدم الصوت على الصورة، مقطع الكريكت | 500 ms | Ebenezer, arXiv 2022 |
| عتبة القبول لتقدم الصوت على الصورة، مقطعا كرة القدم والتنس | ثانية واحدة | Ebenezer, arXiv 2022 |
| عتبة القبول لتقدم الصوت على الصورة، مقطع كرة القدم الأمريكية | 1.3 ثانية | Ebenezer, arXiv 2022 |
| نافذة التزامن لمتحدث إنجليزي أصلي، المستمعون الشباب ذوو السمع الطبيعي مقابل الأكبر سنا (17 في كل مجموعة) | 100 ms مقابل 250 ms | Gordon-Salant وآخرون, Frontiers in Psychology 2022 |
| عرض نافذة التزامن المعتاد، الأزواج التي تتقدم فيها الصورة مقابل التي يتقدم فيها الصوت | 200-250 ms مقابل 100-150 ms | Cecere وآخرون, European Journal of Neuroscience 2016 |
| درجة الحساسية الأساسية (d prime، وكلما ارتفعت دل ذلك على اكتشاف أفضل)، الأزواج التي يتقدم فيها الصوت مقابل التي تتقدم فيها الصورة، 30 بالغا | 1.58 مقابل 0.98 | Cecere وآخرون, European Journal of Neuroscience 2016 |
| المشاركون في دراسة عام 2026 عن عدم التزامن في الكلام وسط الضوضاء، مستخدمو زراعة القوقعة مقابل البالغين ذوي السمع الطبيعي (إزاحات حتى 400 ms) | 15 مقابل 31 | Salagovic وآخرون, Journal of Speech, Language, and Hearing Research 2026 |
ملاحظة سياقية: كان فارق الحساسية عند Cecere وآخرين قويا إحصائيا (F(1,27) = 37.10, p < 0.0001) (Cecere وآخرون, European Journal of Neuroscience 2016). وفي دراسة عام 2026 بلغ وضوح الكلام ذروته قرب التزامن لدى المجموعتين، وأظهر مستخدمو زراعة القوقعة انخفاضات أكبر كلما اتسع عدم التزامن (Salagovic وآخرون, JSLHR 2026). ودراسة الرياضة نسخة أولية (preprint) وأقدم من ثلاث سنوات؛ أحدث بيانات متاحة: Ebenezer, 2022.
4. الإزاحات المقيسة في المشغلات وتطبيقات الاتصال وسماعات الرأس
تفترض المعايير أن كل جهاز يبلغ عن تأخره الخاص ويصححه. وتُظهر القياسات فشل هذا الافتراض. فقد وجدت دراسة بالثنائي الضوئي وخرج الخط في نوفمبر 2026 شملت أربعة أنظمة فيديو لوجوه متحدثة وثلاثة مشغلات ودقتين تأخر الصوت في كل خلية من الخلايا الـ 24، بإزاحات وسيطة بين 79.2 و210.9 ms، مع تجاوز ما بين 60.9% و88.4% من 3,637 تجربة لعتبة الاكتشاف في البث (Ho وLi, Preprints.org 2026). وبلغت عدم اليقين في قياسهم الخاص بين القناتين 0.0144 ms، فالخطأ إذن في سلسلة التشغيل وليس في الأداة.
وتتشتت تطبيقات الاتصال والبث على جانبي الصفر. ففي اختبارات Allion Labs بكاميرا ويب USB واحدة على خمسة حواسيب، قد يتقدم التطبيق نفسه على جهاز ويتأخر على آخر (اختبارات AV-Sync لدى Allion Labs). ولهذا لا تستطيع الإصلاحات على مستوى الحزم، التي تناولناها في إحصائيات إخفاء فقد حزم WebRTC، أن تضمن وحدها مزامنة الشفاه: فالمزامنة تُحسم عند النقاط الطرفية. وكل مرحلة معالجة يضيفها البث إلى مسار الميكروفون، من كتم الضوضاء إلى مغير الصوت في OBS، تضيف تأخرها الخاص إلى تلك الميزانية، ولهذا تضع EBU R37 ميزانية لكل مرحلة على حدة.
| المقياس | القيمة | المصدر |
|---|---|---|
| الإزاحة الوسيطة بين الصوت والصورة الواصلة عبر 24 خلية من المشغلات والدقات (السالب يعني تأخر الصوت) | من -210.9 ms إلى -79.2 ms | Ho وLi, Preprints.org 2026 |
| حصة التجارب التي تجاوزت عتبة الاكتشاف في البث، النطاق عبر الخلايا | 60.9% إلى 88.4% | Ho وLi, Preprints.org 2026 |
| حصة التجارب التي تجاوزت عتبة القبول في البث، النطاق عبر الخلايا | 31.6% إلى 59.4% | Ho وLi, Preprints.org 2026 |
| Zoom، النطاق عبر خمسة حواسيب (الموجب يعني أن الصوت يأتي أولا) | من -92 ms إلى +73 ms | اختبارات AV-Sync لدى Allion Labs (بلا تاريخ) |
| Microsoft Teams، النطاق عبر خمسة حواسيب | من -95 ms إلى -20 ms | اختبارات AV-Sync لدى Allion Labs (بلا تاريخ) |
| Twitch، النطاق عبر أربعة حواسيب | من -90 ms إلى +32 ms | اختبارات AV-Sync لدى Allion Labs (بلا تاريخ) |
| Google Meet، النطاق عبر خمسة حواسيب | من -100 ms إلى +42 ms | اختبارات AV-Sync لدى Allion Labs (بلا تاريخ) |
| أكبر فجوة متوسطة في بدء الصوت والصورة على سماعة واقع مختلط غير معايَرة، مع ارتعاش (jitter) يصل إلى | 156.63 ms، وارتعاش يصل إلى ±11.82 ms | Eckhoff وآخرون, PLOS ONE 2024 |
ملاحظة سياقية: المعايرة تنجح. فتأخير الصورة على Varjo XR-3 نقل فجوته من 53.49 ± 3.15 ms إلى -3.89 ± 1.56 ms عبر 100 عرض (Eckhoff وآخرون, PLOS ONE 2024). أما دراسة الثنائي الضوئي في بداية هذا القسم فقد نُشرت في 3 نوفمبر 2026 ولم تخضع بعد لمراجعة الأقران.
5. الانحراف في الجلسات الطويلة: الساعات وبطاقات الالتقاط وقياس المزامنة
الإزاحات الثابتة يمكن ضبطها مرة واحدة. أما الانحراف فلا، لأنه ينمو مع الوقت. فعندما يعمل الصوت والصورة بساعتين مستقلتين، يتراكم خطأ التردد طوال مدة البث. ساعة عند حد ±1 ppm لمرجع صوتي رقمي من الدرجة الأولى (DARS، الساعة الرئيسية التي تحدد معدل أخذ عينات الصوت) تنحرف بمقدار 3.6 ms في الساعة: 0.000001 x 3,600 ثانية = 0.0036 ثانية، أو 28.8 ms على مدى بث مدته ثماني ساعات (حسابنا انطلاقا من تسامح الدرجة الأولى في الجدول أدناه). وتتجنب محطات البث هذا بربط كل شيء بمرجع واحد، وهو المنطق نفسه وراء الانتقال إلى IP الذي نتتبعه في إحصائيات AoIP وDante وAES67 في البث.
أما عتاد الالتقاط الاستهلاكي فأكثر تساهلا. فشركة البرمجيات LEADTOOLS توثق أجهزة التقاط تبدأ بفارق 60 إلى 90 ms في المزامنة وأجهزة تبدأ بالانحراف بعد 8 إلى 24 ساعة (LEADTOOLS, Timestamp Drifting in Live Capture Situations). وفي البث على مدار الساعة طوال أيام الأسبوع، لا يكون الانحراف حالة هامشية؛ بل بند صيانة مجدول.
| المقياس | القيمة | المصدر |
|---|---|---|
| دقة التردد على المدى الطويل لمرجع صوتي رقمي من الدرجة الأولى | ضمن ±1 ppm | ITU-R BS.2032-0 (2013) |
| الانحراف عند حد ±1 ppm، في الساعة وعلى مدى 8 ساعات (حسابنا) | 3.6 ms في الساعة؛ 28.8 ms كل 8 ساعات | محسوب انطلاقا من ITU-R BS.2032-0 (2013) |
| بطاقات التقاط لوحظ أنها تنحرف بعد التقاط متواصل لمدة | 8 إلى 24 ساعة | وثائق LEADTOOLS (ملاحظة الشركة المصنعة نفسها) |
| الإزاحة الأولية بين الصوت والصورة في بعض أجهزة الالتقاط | نحو 60-90 ms | وثائق LEADTOOLS (ملاحظة الشركة المصنعة نفسها) |
| فارق الطابع الزمني في أجهزة الالتقاط ذات الساعات غير المتطابقة | أكثر من 500 ms | وثائق LEADTOOLS (ملاحظة الشركة المصنعة نفسها) |
| دقة جهاز قياس المزامنة مفتوح المصدر من BBC (مستشعر ضوء مع مدخل صوتي) | دقة تقارب الملّي ثانية | BBC R&D dvbcss-synctiming |
| مثال على تسامح النجاح والرسوب في جهاز BBC، تطبيق الشاشة الثانية مقابل التلفزيون | ±8 ms مقابل ±23 ms | BBC R&D dvbcss-synctiming |
| طرق نقل بصمات مزامنة الشفاه (SDI وUDP عبر IP وتدفق نقل MPEG-2)، حاوية واحدة لكل إطار | 3 | SMPTE ST 2064-2 (2015) |
ملاحظة سياقية: يشغل جهاز BBC مقطع اختبار فيه ومضات وصفارات ويقيس توقيتها عند الشاشة والسماعة، وهما النقطة الوحيدة التي تُعاش فيها المزامنة فعلا (BBC R&D dvbcss-synctiming). أما نهج البصمات لدى SMPTE فيقيس تغيرات التوقيت دون إشارات اختبار، بمقارنة بصمات مأخوذة في مرحلة سابقة وأخرى لاحقة (SMPTE ST 2064-2:2015).
6. الكشف الآلي عن مزامنة الشفاه: ما تستطيع الآلات التقاطه وما لا تستطيع
تتحقق خدمات البث اليوم من المزامنة بالتعلم الآلي بدلا من الفحص البشري العشوائي. فقد بنت Prime Video كواشف لـ 18 نوعا من العيوب، منها مزامنة الصوت والصورة، وتشغل كاشف مزامنة الشفاه لديها على مقاطع مدتها أربع ثوان تتمركز حول وجه واحد عبر آلاف القنوات والفعاليات المباشرة (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). وقد ارتفعت دقة المصنِّفات بسرعة: 96.5% على مجموعة بيانات LRS2 في عام 2024، مقابل 75.8% لـ SyncNet الأصلي (Park وآخرون, Interpretable Convolutional SyncNet, arXiv 2024).
لكن العقبة أن الدرجات على مستوى الملف لا ترى سلسلة التشغيل. فقد وجد Ho وLi أن درجات المزامنة في SyncNet غير مرتبطة بالإزاحات التي قاساها عند الشاشة، وأن تقدير الإزاحة الصادر عن SyncNet نفسه لم يتفق مع القياس إلا ضمن نصف عرض قدره 282.2 ms. فقد يُشغَّل ملف سليم خارج التزامن، ويجب أن يحدث الفحص الثاني عند الجهاز.
| المقياس | القيمة | المصدر |
|---|---|---|
| أنواع عيوب الفيديو التي تغطيها كواشف Prime Video (ومنها مزامنة الصوت والصورة) | 18 | Amazon Science (Prime Video) 2022 |
| قاعدة بيانات أخطاء مزامنة الصوت والصورة في التنس التي بناها باحثو Amazon | 504,300 إطار من 6 ساعات من الفيديو | Ebenezer وآخرون, ICASSP 2021 (Amazon) |
| دقة تصنيف المزامنة، IC-SyncNet على LRS2 مقابل LRS3 | 96.5% مقابل 93.8% | Park وآخرون, arXiv 2024 |
| دقة تصنيف المزامنة، SyncNet الأصلي على LRS2 | 75.8% | Park وآخرون, arXiv 2024 |
| التقييمات البشرية المجمعة لمجموعة بيانات جودة المزامنة الإدراكية (أكثر من 100 ساعة، وأكثر من 80 مقيّما) | 120,000 | Goncalves وآخرون (Amazon), PEAVS, ECCV 2024 |
| ارتباط مقياس PEAVS بالتقييمات البشرية، على مستوى المجموعة مقابل مستوى المقطع | 0.79 مقابل 0.54 | Goncalves وآخرون (Amazon), PEAVS, ECCV 2024 |
| الارتباط بين درجات مزامنة SyncNet ومقدار الإزاحة المقيسة | r = -0.066 إلى +0.083 | Ho وLi, Preprints.org 2026 |
ملاحظة سياقية: في بيانات PEAVS، بلغت درجات البشر والمقياس ذروتها فوق 4 على مقياس من 5 نقاط عند إزاحة صوت قدرها 45 ms ثم انخفضت مع اتساع الإزاحة (Goncalves وآخرون, PEAVS, ECCV 2024). وتشير طريقة Amazon للتنس إلى وجود خطأ عندما تظهر ضربة المضرب في الصوت ولا تظهر في الفيديو القريب (Amazon Science, Detection of audio-video synchronization errors via event detection).
الخلاصة: انحراف مزامنة الصوت والصورة (مزامنة الشفاه) في البث المباشر بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| متوسط عتبة الاكتشاف، تقدم الصوت مقابل تأخره | نحو +45 ms إلى -125 ms | ITU-R BT.1359-1 (1998) |
| عرض نافذة التزامن عند نصف ذروتها، الكلام مقابل غير الكلام | 357 ms مقابل 400 ms | Conrey وPisoni, JASA 2006 |
| حد البث من البداية إلى النهاية، الصوت قبل الصورة مقابل بعدها | 40 ms مقابل 60 ms | EBU R37 (2007) |
| الحد لكل مرحلة في سلسلة الإنتاج | من 5 ms تقدما إلى 15 ms تأخرا | EBU R37 (2007) |
| حد التلفزيون الرقمي عند مدخل المرمّز، التقدم مقابل التأخر | 15 ms مقابل 45 ms | ATSC IS/191، عبر TV Technology 2004 |
| حد التلفزيون الرقمي للسلسلة كلها | +30 ms إلى -90 ms | ATSC IS/191، عبر TV Technology 2004 |
| متوسط عتبة الاكتشاف عندما يتقدم الصوت على حركة الشفاه | 185.19 ms (انحراف معياري 42.32 ms) | Younkin وCorriveau, IEEE Transactions on Broadcasting 2008 |
| الكلام المحكوم بتزامنه، تقدم الصوت مقابل تقدم الصورة | 131 ms مقابل 225 ms | Conrey وPisoni, JASA 2006 |
| عتبة القبول لتقدم الصوت، مذيع نشرة الأخبار مقابل كرة القدم الأمريكية | 200 ms مقابل 1.3 ثانية | Ebenezer, arXiv 2022 |
| نافذة التزامن، المستمعون الشباب مقابل الأكبر سنا | 100 ms مقابل 250 ms | Gordon-Salant وآخرون, Frontiers in Psychology 2022 |
| الحساسية، الأزواج التي يتقدم فيها الصوت مقابل التي تتقدم فيها الصورة | d prime 1.58 مقابل 0.98 | Cecere وآخرون, European Journal of Neuroscience 2016 |
| الإزاحات الوسيطة الواصلة في تشغيل مقاطع الوجوه المتحدثة المختبرة | تأخر الصوت بمقدار 79.2 إلى 210.9 ms | Ho وLi, Preprints.org 2026 |
| نطاق إزاحة Microsoft Teams عبر خمسة حواسيب | من -95 ms إلى -20 ms | اختبارات AV-Sync لدى Allion Labs |
| نطاق إزاحة Zoom عبر خمسة حواسيب | من -92 ms إلى +73 ms | اختبارات AV-Sync لدى Allion Labs |
| أسوأ فجوة بدء متوسطة، سماعة واقع مختلط غير معايَرة | 156.63 ms | Eckhoff وآخرون, PLOS ONE 2024 |
| الإزاحة الأولية في بعض أجهزة الالتقاط | نحو 60-90 ms | وثائق LEADTOOLS (الشركة المصنعة) |
| دقة مصنِّف مزامنة الشفاه على LRS2، IC-SyncNet مقابل SyncNet | 96.5% مقابل 75.8% | Park وآخرون, arXiv 2024 |
| ارتباط PEAVS بالتقييمات البشرية، على مستوى المجموعة | 0.79 | Goncalves وآخرون (Amazon), ECCV 2024 |
المنهجية والمصادر
- توصيات ITU: ITU-R BT.1359-1, Relative timing of sound and vision for broadcasting (1998)؛ ITU-T G.1080, Quality of experience requirements for IPTV services (2008)؛ ITU-R BS.2032-0, Synchronization of digital audio sample clock to video references (2013).
- EBU R37, Relative timing of the sound and vision components of a television signal (2007).
- ATSC IS/191 وعتبة Bell Laboratories، عبر أعمدة Randy Hoffner في TV Technology: ATSC Recommends AV Sync Rules (2004) وA/V Synchronization: How Bad Is Bad? (2003).
- Younkin وCorriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey وPisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia وآخرون, Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere وGross وThut, European Journal of Neuroscience (2016).
- Gordon-Salant وآخرون, Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic وStevenson وButler, Journal of Speech, Language, and Hearing Research (2026).
- Ebenezer, A subjective study of the perceptual acceptability of audio-video desynchronization in sports videos, arXiv (2022).
- Ho وLi, Software Lip-Sync Metrics Do Not Predict Delivered Audio-Visual Synchronisation, Preprints.org (2026).
- Allion Labs, Audio-to-Video Synchronization (AV-Sync) Testing of Webcam and Video Software.
- Eckhoff وSchnupp وCassinelli, Temporal precision and accuracy of audio-visual stimuli in mixed reality systems, PLOS ONE (2024).
- LEADTOOLS, Timestamp Drifting in Live Capture Situations.
- BBC R&D, dvbcss-synctiming وSMPTE ST 2064-2:2015, Audio to Video Synchronization Measurement, Fingerprint Transport.
- Amazon: Prime Video video quality analysis (2022) وDetection of audio-video synchronization errors via event detection, ICASSP (2021) وGoncalves وآخرون, PEAVS, ECCV (2024).
- Park وآخرون, Interpretable Convolutional SyncNet, arXiv (2024).
- ملاحظة حول البيانات: أرقام الاكتشاف متضاربة بين الدراسات. فتوصية البث لعام 1998 تضع اكتشاف تقدم الصوت عند نحو 45 ms، ودراسة Bell Laboratories عند 35 ms، بينما يضعه Younkin وCorriveau عند متوسط 185.19 ms؛ ونحن نعرض الثلاثة بدلا من اختيار أحدها، ويرجح أن اختلاف المحفزات والمنهج يفسر الفجوة. كما تختلف اصطلاحات الإشارة: فمعظم وثائق البث وAllion Labs تستخدم الموجب للصوت الأول، بينما تبلغ دراسة الثنائي الضوئي لعام 2026 عن تأخر الصوت بقيمة سالبة. وصفحة Allion Labs لا تحمل تاريخ نشر، ودراسة الثنائي الضوئي (نُشرت في 3 نوفمبر 2026) ودراسة Ebenezer للرياضة نسخ أولية لم تخضع لمراجعة الأقران. وأرقام LEADTOOLS هي ملاحظات الشركة المصنعة للبرمجيات نفسها. وقيم ATSC IS/191 مأخوذة من تغطية TV Technology لأن وثيقة ATSC نفسها تعذر الوصول إليها. ورقم الانحراف 3.6 ms في الساعة هو حسابنا انطلاقا من تسامح ±1 ppm وليس قيمة مقيسة. ومعظم بيانات العتبات والتسامح أقدم من ثلاث سنوات وقد وُسمت بأنها أحدث بيانات متاحة.
آخر تحديث: 6 نوفمبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عند نشر النسخة المراجعة من الأقران لدراسة الثنائي الضوئي لشهر نوفمبر 2026 حول مزامنة الشفاه الواصلة إلى المشاهد.