Estadísticas de Latencia de Talkback e IFB en Broadcast (2026): Más de 40 Datos sobre Límites de Sincronía Labial, Retardo de Autoescucha y Enlaces de Producción Remota

Estadísticas de latencia de talkback e IFB 2026: oír la propia voz con 20 a 30 ms de retardo resulta perturbador, y los enlaces por satélite GEO suman hasta 281 ms.

Oír la propia voz con apenas 25 a 30 milisegundos de retardo ya se califica como ‘perturbador’ entre personas que leen en voz alta, según un estudio de 32 participantes en Ear and Hearing, y esa cifra explica en buena medida por qué los retornos de auricular de los presentadores en la televisión en directo se diseñan en torno a eliminar la voz del propio presentador. La imagen se juzga con la misma dureza: la EBU permite que el sonido se adelante a la imagen como máximo 40 ms o se retrase como máximo 60 ms en cualquier salida destinada a la emisión. Mientras tanto, la propia producción se aleja del recinto, y dos tercios de los servicios remotos reservados en los Juegos Olímpicos de París 2024 viajaron por una plataforma en la nube en lugar de por satélite. Reunimos datos de la ITU, la EBU, la ATSC, investigaciones sobre audición publicadas en Ear and Hearing y PLoS ONE, un estudio de campo de la BBC R&D, la University of Strathclyde y TV2, la alianza AIMS, mediciones de satélite de IFIP Networking y la encuesta sectorial de 2026 de Haivision. Para el lado del aire de la narración en directo, consulta nuestro informe complementario sobre el audio de broadcast de narradores y comentaristas de esports.

Dos términos recorren este artículo. El talkback (también llamado intercomunicación o comunicaciones internas) es el canal de voz privado entre la sala de control, que las emisoras británicas llaman galería, y el equipo. El IFB, sigla de interruptible foldback (retorno interrumpible), es la señal que llega al auricular del presentador: normalmente el sonido del programa, que un productor puede interrumpir para dar instrucciones. Esa señal suele ser un mix-minus, es decir, la mezcla completa menos la voz del propio presentador, de modo que nunca se oiga a sí mismo regresar con retardo.

TL;DR

  • Los espectadores empiezan a detectar un error de sincronización entre sonido e imagen a partir de unos +45 ms (sonido adelantado) hasta -125 ms (sonido retrasado) (ITU-R BT.1359-1, 1998).
  • En cualquier salida destinada a la emisión, el sonido puede adelantarse a la imagen 40 ms o menos y retrasarse 60 ms o menos (EBU R37-2007).
  • En la entrada de los codificadores de DTV, el sonido nunca debe adelantarse más de 15 ms ni retrasarse más de 45 ms (ATSC IS-191).
  • Al leer en voz alta, 32 participantes calificaron como perturbador un retardo de 25 a 30 ms en su propia voz (Stone y Moore, Ear and Hearing 2002).
  • El umbral para notar que la propia voz está retrasada se situó en aproximadamente 100 ms, con una DE de 66,54 ms (Yamamoto y Kawabata, PLoS ONE 2011).
  • Los sistemas actuales de talkback DECT alcanzan menos de 40 ms hasta una petaca (beltpack) inalámbrica y menos de 70 ms de petaca a petaca (BBC R&D, Strathclyde y TV2, IBC2024).
  • Los Niveles B y C de SMPTE ST 2110-30 usan paquetes de audio de 125 microsegundos, frente a 1 ms en el Nivel A (AIMS, introducción a AES67 y ST 2110-30).
  • La latencia mediana de handshake TLS de Starlink fue de aproximadamente 80 ms en 2024 (Richter, Ververis y Bajpai, IFIP Networking 2025).
  • El 41% de más de 1.300 profesionales encuestados señaló la producción remota como su mayor prioridad tecnológica para 2026 (Haivision Broadcast Transformation Report 2026).
  • Dos tercios de los servicios remotos reservados entre 54 emisoras en París 2024 usaron OBS Live Cloud (Olympic Broadcasting Services, 2024).

1. Tolerancias de Sincronía Labial: Qué Permiten los Estándares de Broadcast

Toda decisión sobre talkback e IFB se sitúa dentro de un presupuesto de sincronización de la imagen que los espectadores vigilan sin saberlo. La asimetría es la clave: los espectadores toleran mucho mejor que el sonido llegue tarde (hasta unos -125 ms antes de detectarlo) que que llegue temprano (unos +45 ms), un patrón que coincide con la experiencia cotidiana, en la que la imagen de un suceso nos llega antes que su sonido. En estos estándares, un número positivo significa que el sonido va adelantado respecto de la imagen y un número negativo significa que va retrasado.

Los estándares reparten después ese presupuesto perceptivo a lo largo de la cadena. Las cifras de la EBU se fijaron a partir de pruebas subjetivas sobre el momento en que la pérdida de correspondencia entre los movimientos de los labios y el habla se vuelve perceptible para el 50% de los observadores, y la EBU pide solo de 5 ms de adelanto a 15 ms de retraso en cada etapa individual, para que los errores de muchas etapas no se acumulen más allá del límite de extremo a extremo. La ATSC fue todavía más estricta en la entrada del codificador, porque una segunda mitad de la cadena, del codificador al receptor, aún debe caber dentro de la tolerancia del espectador.

MétricaValorFuente
Umbral de detección de error de sincronización entre sonido e imagen (positivo = sonido adelantado respecto de la imagen)Unos +45 ms a -125 msITU-R BT.1359-1 (1998)
Umbral de aceptabilidad de error de sincronización entre sonido e imagenUnos +90 ms a -185 msITU-R BT.1359-1 (1998)
Error de sincronización permitido desde el punto final de selección de la fuente del programa (por ejemplo, el control maestro) hasta la entrada del transmisor+22,5 ms a -30 msITU-R BT.1359-1 (1998)
Límite de extremo a extremo en cualquier salida destinada a la emisión: sonido antes de la imagen frente a sonido después de la imagen40 ms o menos frente a 60 ms o menosEBU R37-2007
Precisión exigida en cada etapa de la cadena del programaSonido de 5 ms adelantado a 15 ms retrasadoEBU R37-2007
Sincronización del sonido en las entradas de los dispositivos de codificación de DTVNunca más de 15 ms adelantado ni 45 ms retrasadoATSC IS-191, según informó TV Technology, 7 de enero de 2004
Rango general de extremo a extremo del sistema de DTV+30 ms a -90 msATSC IS-191, según informó TV Technology, 2004

Nota de contexto: estos documentos son antiguos, pero siguen siendo las referencias de trabajo. Datos más recientes disponibles: Recomendación BT.1359-1 (1998), R37 (publicada por primera vez en 1986 y reeditada en 2007) y ATSC IS-191 (informada en 2004). El texto de R37 señala que hace falta especial cuidado en la producción en HD, así que conviene leer los límites como techos, no como objetivos.

2. Oír la Propia Voz con Retardo: Umbrales de Retardo de Autoescucha

Esta es la cifra que da forma al diseño del IFB. La investigación sobre audífonos es la mejor evidencia controlada de cómo reacciona un hablante ante su propia voz retrasada, y converge en una ventana estrecha: los retardos se vuelven perturbadores en algún punto entre 20 y 30 ms, mucho antes de que el habla misma se descomponga. Para un presentador, eso significa que un mix-minus no es un lujo. Cualquier camino que devuelva la voz del presentador a través de un códec, una red y una señal de retorno cruzará ese umbral muchas veces (compárense las cifras de satélite de un solo sentido en la sección 5).

La segunda constatación es que notar un retardo y que moleste son cosas distintas. En un pequeño experimento con auriculares, las personas solo percibían de forma fiable que su propia voz iba retrasada alrededor de los 100 ms, pero los estudios sobre molestia sitúan el malestar en una fracción de eso. La adaptación ayuda un poco, pero solo tras minutos u horas, algo que los invitados de un programa en directo nunca tienen. Los productores que se ocupan del monitoreo en el estudio reconocerán la misma aritmética en los búferes de audio de los ordenadores, tratados en nuestro informe sobre el tamaño del búfer de DAW y la latencia de audio.

MétricaValorFuente
Retardo con el que el eco de la propia voz se calificó como perturbador (20 oyentes con audición normal y pérdida auditiva leve a moderada simulada)Entre 20 y 30 msStone y Moore, Ear and Hearing 1999
Lectura en voz alta con un audífono digital en tiempo real, 32 participantes (16 hombres, 16 mujeres): retardo calificado como perturbador frente a retardo con el que cambiaron las medidas de producción del habla25 a 30 ms frente a más de 30 msStone y Moore, Ear and Hearing 2002
25 hablantes con discapacidad auditiva: rango de retardo con calificación 3 (probablemente apenas aceptable) y tiempo durante el cual se produjo cierta aclimatación14 a 30 ms; cerca de 1 horaStone y Moore, Ear and Hearing 2005
Punto en el que la propia voz retrasada se sintió simultánea, con retardos de 0 a 200 ms a través de auriculares (6 adultos de 21 a 24 años repitiendo un único sonido vocal)98,41 ms (DE 66,54 ms); umbral de detección de aproximadamente 100 msYamamoto y Kawabata, PLoS ONE 2011
Mismo estudio: punto de simultaneidad percibida tras 3 minutos de adaptación a 0, 66 o 133 ms de retardo67,60, 92,23 y 112,10 ms (F(2,10) = 15,80, p < 0,001)Yamamoto y Kawabata, PLoS ONE 2011
Retardo de procesamiento probado en 20 participantes con audición normal y 20 con discapacidad auditiva, que valoraron la molestia en una escala de 7 puntosHasta 50 ms; tolerancia significativamente mayor con pérdida auditiva en dos de tres condiciones de vozGoehring, Chapman, Bleeck y Monaghan, International Journal of Audiology 2018

Nota de contexto: las muestras son pequeñas y específicas (adultos con audición normal, hablantes con discapacidad auditiva, seis adultos jóvenes de 21 a 24 años), los retardos los crearon procesadores de audífonos o auriculares, y ninguno de los participantes era presentador de broadcast. Datos más recientes disponibles: Stone y Moore, 1999 a 2005; Yamamoto y Kawabata, 2011; Goehring et al., 2018.

3. Presupuestos de Latencia de Talkback, IFB e Intercomunicación

Las distintas personas de una producción en directo viven dentro de presupuestos de latencia muy diferentes. El monitor in-ear de un artista necesita unos 4 ms, un miembro del equipo con una petaca (beltpack) de talkback inalámbrica (la unidad de intercomunicación que se lleva en el cinturón) puede trabajar con decenas de milisegundos, y un operador remoto del mezclador de video (la persona que alterna entre las cámaras) puede tolerar más de medio segundo siempre que nadie en el recinto necesite ver el resultado en tiempo real. Los presupuestos difieren porque los lazos de retroalimentación son distintos: un cantante oye su propia voz, un operador de cámara solo oye instrucciones.

Por eso mismo el IFB se diseña como un mix-minus y no como un retorno completo del programa. Un informe internacional de 2004 sobre lazos de contribución enumera el uso de un mix-minus o señal limpia para el retorno, el silenciamiento del retorno cuando los micrófonos están abiertos y los auriculares cerrados o el monitoreo in-ear como las prácticas operativas que mantienen el eco fuera del lazo (ITU-R Report BT.2044). Como comparación con otra red donde la voz es crítica, la radio push-to-talk de los equipos de primera respuesta funciona con presupuestos parecidos, tratada en nuestro informe sobre la latencia del push-to-talk de misión crítica.

MétricaValorFuente
Objetivo de latencia de los monitores in-ear de artistas frente a la latencia de un solo sentido de los micrófonos inalámbricos y monitores in-ear en uso actualmente4 ms frente a menos de 3 msBBC R&D, University of Strathclyde y TV2, IBC2024
Talkback de producción digital (DECT): base a petaca inalámbrica frente a petaca a petacaPor debajo de 40 ms frente a por debajo de 70 msBBC R&D, University of Strathclyde y TV2, IBC2024
Petaca Clear-Com FreeSpeak Edge de 5 GHz: latencia de audio frente a petaca a petacaMenos de 35 ms frente a 60 ms (afirmación del propio fabricante)Hoja de datos Clear-Com FSE-BP50, revisión de agosto de 2023
Retardo de boca a oído por debajo del cual la mayoría de las aplicaciones de habla y de no habla tienen una interactividad esencialmente transparente (400 ms es el techo general de planificación de redes)150 msITU-T G.114 (2003)
Retardo entre la entrada y la respuesta del operador: punto en que caen la precisión y la velocidad frente a punto de reducción significativa de la sensación de controlUnos 100 ms frente a más de 300 msBBC R&D, University of Strathclyde y TV2, IBC2024
Retardo entre la cámara y el mezclador de video que los operadores remotos del mezclador toleran cuando no hace falta devolver señales al recintoMás de 600 msBBC R&D, University of Strathclyde y TV2, IBC2024

Nota sobre valores atípicos: la cifra de 150 ms de la telefonía es una referencia de conversación, no de IFB. Un presentador que oye su propia voz reacciona a 20 a 30 ms (sección 2), mientras que dos personas que hablan por un enlace toleran unas cinco veces más (150 ms frente a 30 ms).

4. Transporte AoIP: Sincronización de AES67 y SMPTE ST 2110-30

Dentro del edificio, el transporte en sí ha dejado de ser el cuello de botella. Los estándares de audio sobre IP (AoIP) definen tiempos de paquete de milisegundos o menos, de modo que elegir entre un tiempo de paquete de 1 ms y uno de 125 microsegundos es ahora una decisión de configuración, no un límite de la tecnología. La latencia real está en otra parte: en los códecs, los búferes y los enlaces de larga distancia (sección 5).

La segunda historia es la interoperabilidad. Los sistemas AoIP propietarios usaban cada uno su propio descubrimiento, su propio reloj y sus propios formatos de flujo, de modo que una matriz de talkback de un fabricante no podía simplemente suscribirse a una consola de otro. AES67 define un modo de operación común, y SMPTE ST 2110-30 lo restringe aún más para broadcast, lo que permite que los paneles de intercomunicación IP y las estaciones base de petacas compartan red con cámaras y consolas. Nuestro informe sobre la migración de estudios a AoIP, Dante y AES67 cubre hasta dónde ha avanzado esa migración.

MétricaValorFuente
Primera publicación de AES67 y actualizaciones posteriores2013; actualizado en 2015 y 2018AIMS, Introduction to AES67 and its relationship with SMPTE ST 2110-30
Conjunto SMPTE ST 2110: secciones iniciales publicadasDiciembre de 2017AIMS, introducción a AES67 y ST 2110-30
Punto de operación principal de ST 2110-30 (Nivel A): tiempo de paquete y canales por flujo1 ms; 2 y 8 canalesAIMS, introducción a AES67 y ST 2110-30
Niveles B y C de ST 2110-30: tiempo de paquete y máximo de canales por flujo125 microsegundos; hasta 8 (Nivel B) y hasta 64 (Nivel C)AIMS, introducción a AES67 y ST 2110-30
Modo de compatibilidad de AES67: formato de audio comúnLineal de 24 bits (L24), hasta 8 canales por flujo, 48 kHzAIMS, introducción a AES67 y ST 2110-30
Límites nativos de flujo antes del modo AES67: Dante frente a RAVENNAHasta 4 canales por flujo frente a hasta 64 canales por flujoAIMS, introducción a AES67 y ST 2110-30

Nota de contexto: AIMS (Alliance for IP Media Solutions) es una alianza del sector cuya hoja de ruta se basa en estos estándares. Las cifras anteriores son parámetros de diseño de los estándares, no mediciones de campo de ninguna instalación concreta.

5. Enlaces de Contribución: Satélite, 5G Privado, Celular y LEO

Cuando la señal sale del edificio, mandan la física y los códecs. Un solo salto por satélite geoestacionario añade unos 239 a 281 ms en un sentido solo por la distancia, aproximadamente diez veces los 20 a 30 ms con los que un hablante considera perturbadora su propia voz retrasada (sección 2). La codificación de audio con calidad de broadcast puede sumar entre 170 y 400 ms más. El mismo informe de 2004 señala que las dos mitades de un lazo de contribución rara vez son idénticas: las emisoras suelen poner un circuito de alta calidad en la línea del programa, uno de menor calidad en la línea de retorno, y a menudo envían un retorno solo de audio incluso en enlaces de video.

Las opciones más nuevas reducen el retardo, pero añaden variabilidad. El servicio de satélite de órbita baja (LEO) como Starlink redujo la latencia mediana a cerca de 80 ms, pero con dos grupos de latencia distintos y con una pérdida de paquetes que varió más de diez veces entre países vecinos. Las redes 5G privadas pueden transportar video de producción con unos 80 a 105 ms de retardo total, mientras que los equipos de noticias que usan celular agregado (enviar la señal de una cámara por varias redes móviles públicas a la vez) aceptan hasta dos segundos y renuncian por ello a la conversación bidireccional en directo.

MétricaValorFuente
Retardo del trayecto por satélite geoestacionario solo por la distancia: satélite justo encima frente a en el horizonteUnos 239 ms frente a unos 281 msITU-R Report BT.2044 (2004)
Retardo de codificación de audio: MPEG AAC con calidad de broadcast frente a AAC-LD de bajo retardo170 a 400 ms frente a unos 60 msITU-R Report BT.2044 (2004)
Latencia mediana de handshake TLS de Starlink en 2024 (RIPE Atlas, 146 sondas) y el segundo grupo de latenciaAproximadamente 80 ms; segundo grupo en torno a 150 a 250 msRichter, Ververis y Bajpai, IFIP Networking 2025
Pérdida de paquetes de Starlink, de enero de 2022 a junio de 2024: Alemania frente a Austria10,52% frente a 0,73%Richter, Ververis y Bajpai, IFIP Networking 2025
Tiempo de tránsito del enlace ascendente de 5G privado en 10 configuraciones probadas (20 Mb/s salvo indicación contraria): rango de las medias frente a rango de los máximos6,4 a 13,8 ms frente a 10,2 a 53,6 msBBC R&D, University of Strathclyde y TV2, IBC2024
Latencia de video, de la entrada del codificador a la salida del decodificador: 5G privado típico frente a optimizado, comparado con enlaces de cámara inalámbrica DVB-T COFDMUnos 100 a 105 ms frente a 80 ms frente a típicamente unos 50 msBBC R&D, University of Strathclyde y TV2, IBC2024
Retardo de video tolerado por la contribución de noticias agregada por redes móviles públicasHasta 2 segundosBBC R&D, University of Strathclyde y TV2, IBC2024

Nota sobre valores atípicos: las cifras de Starlink son tiempos de handshake TLS hasta servidores raíz, no un trayecto de audio de un solo sentido, y los autores señalan que su resultado contradice estudios anteriores que informaban medianas muy inferiores a 80 ms. Los resultados de 5G proceden de redes privadas de una sola celda, y los autores añaden que un traspaso de celda interrumpe los datos durante unos 20 ms. Datos más recientes disponibles sobre retardo de satélite y de códec: Report BT.2044, 2004.

6. Producción Remota y Adopción de la Nube

Las cifras de adopción explican por qué las cifras de latencia importan más cada año. La producción remota (a menudo llamada REMI, por modelo de integración remota: cámaras y micrófonos en el recinto, la galería y el equipo en otro lugar) traslada el lazo de talkback de un tendido de cable dentro de un camión a una red de área amplia. El 41% de más de 1.300 profesionales encuestados señaló la producción remota como su mayor prioridad tecnológica para 2026, y la proporción que usa redes celulares para la contribución en directo pasó del 46% al 54% en un año.

Las mayores producciones en directo ya han hecho el cambio. En París 2024, dos tercios de los servicios remotos reservados funcionaron sobre la nube, tomando el relevo del satélite, que se había introducido en los Juegos de Tokio 1964. Los datos de las encuestas requieren cautela, sin embargo: las dos encuestas siguientes se basan en encuestados autoseleccionados, y la mayor la realiza un proveedor de equipos de contribución.

MétricaValorFuente
Encuestados que señalan la producción remota como su mayor prioridad tecnológica para 2026 (más de 1.300 encuestados)41%Haivision Broadcast Transformation Report 2026, según informó SVG, marzo de 2026 (encuesta de proveedor)
Encuestados que usan redes celulares para la contribución de video en directo, informe de 2026 frente a informe de 202554% frente a 46%Haivision Broadcast Transformation Report 2026 (encuesta de proveedor)
Encuestados que usan redes celulares como respaldo de la fibra61%Haivision Broadcast Transformation Report 2026 (encuesta de proveedor)
Encuestados que usan el protocolo de transporte SRT, informe de 2020 frente a informe de 202647% frente a 78%Haivision Broadcast Transformation Report 2026 (encuesta de proveedor)
Profesionales de broadcast y medios que implementan herramientas de producción en la nube (312 lectores autoseleccionados, de noviembre de 2024 a enero de 2025)60%Encuesta sectorial de NewscastStudio, febrero de 2025
Principales barreras para la producción en la nube: costo frente a complejidad del flujo de trabajo frente a preocupaciones de seguridad33% frente a 25% frente a 17%Encuesta sectorial de NewscastStudio, 2025
París 2024: proporción de servicios remotos reservados que usaron OBS Live CloudDos tercios, entre 54 emisorasOlympic Broadcasting Services y Alibaba Cloud, según informó TV Technology, 2024
Señales transportadas por OBS Live Cloud en París 2024, frente a emisoras suscritas cuando el servicio pasó a ser estándar en Pekín 2022379 de video (11 UHD, 368 HD) y 100 de audio frente a 22 emisorasOlympic Broadcasting Services, según informó TV Technology, 2024

Nota de contexto: la proporción de OBS cuenta servicios remotos reservados, no todas las emisoras con derechos, y las cifras se anunciaron al comenzar los Juegos, no se midieron después.

Resumen: Latencia de Talkback e IFB en Broadcast en Cifras

MétricaValorFuente
Umbral de detección de error de sincronización entre sonido e imagenUnos +45 ms a -125 msITU-R BT.1359-1 (1998)
Umbral de aceptabilidad de error de sincronización entre sonido e imagenUnos +90 ms a -185 msITU-R BT.1359-1 (1998)
Límite de sincronía labial de extremo a extremo en cualquier salida destinada a la emisión (sonido antes frente a después de la imagen)40 ms o menos frente a 60 ms o menosEBU R37-2007
Sincronización del sonido en las entradas de los codificadores de DTVNunca más de 15 ms adelantado ni 45 ms retrasadoATSC IS-191 (informada en 2004)
Retardo de la propia voz calificado como perturbador al leer en voz alta (32 participantes)25 a 30 msStone y Moore, Ear and Hearing 2002
Rango de retardo de la propia voz calificado como probablemente apenas aceptable (25 hablantes con discapacidad auditiva)14 a 30 msStone y Moore, Ear and Hearing 2005
Umbral para notar una propia voz retrasada (6 participantes)Aproximadamente 100 ms (DE 66,54 ms)Yamamoto y Kawabata, PLoS ONE 2011
Retardo de procesamiento probado en 20 participantes con audición normal y 20 con discapacidad auditivaHasta 50 msGoehring et al., International Journal of Audiology 2018
Objetivo de latencia del monitor in-ear para artistas4 msBBC R&D, University of Strathclyde y TV2, IBC2024
Latencia del talkback DECT: hasta la petaca frente a petaca a petacaPor debajo de 40 ms frente a por debajo de 70 msBBC R&D, University of Strathclyde y TV2, IBC2024
Latencia de audio de la petaca inalámbrica, afirmación del propio fabricanteMenos de 35 msHoja de datos Clear-Com FSE-BP50, 2023
Tiempo de paquete de ST 2110-30: Nivel A frente a Niveles B y C1 ms frente a 125 microsegundosAIMS, introducción a AES67 y ST 2110-30
Latencia mediana de handshake TLS de Starlink, 2024Aproximadamente 80 msRichter, Ververis y Bajpai, IFIP Networking 2025
Pérdida de paquetes de Starlink en Alemania, de enero de 2022 a junio de 202410,52%Richter, Ververis y Bajpai, IFIP Networking 2025
Producción remota señalada como mayor prioridad tecnológica para 202641%Haivision Broadcast Transformation Report 2026 (encuesta de proveedor)
Profesionales que implementan herramientas de producción en la nube60%Encuesta sectorial de NewscastStudio, 2025
Servicios remotos reservados en OBS Live Cloud en París 2024Dos tercios, entre 54 emisorasOlympic Broadcasting Services, 2024

Metodología y Fuentes

Última actualización: 8 de noviembre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando Haivision publique su Broadcast Transformation Report de 2027.

Prueba VoxBooster — 3 días gratis.

Clonación de voz en tiempo real, soundboard y efectos — donde ya hablas.

  • Sin tarjeta
  • ~30ms de latencia
  • Discord · Teams · OBS
Probar 3 días gratis