Les spectateurs remarquent un son qui arrive seulement 45 ms avant l’image, mais tolèrent jusqu’à 125 ms de son arrivant après elle, la fenêtre de détectabilité asymétrique qui sous-tend la recommandation internationale de diffusion sur le calage du son et de l’image (ITU-R BT.1359-1, 1998). Les chaînes de lecture réelles manquent souvent cette fenêtre : une étude à la photodiode de novembre 2026 a mesuré des retards de son médians de 79,2 à 210,9 ms sur 24 combinaisons de lecteurs et de résolutions, avec jusqu’à 88,4% des essais au-delà du seuil de détectabilité (Ho et Li, Preprints.org 2026). La tolérance dépend aussi de ce qui est à l’écran, avec des seuils d’acceptabilité allant de 200 ms pour un présentateur de journal à 1,3 s pour le football américain (Ebenezer, arXiv 2022). La dérive de synchronisation labiale (l’écart entre le moment où une bouche bouge et celui où son son est entendu) est un problème différent du calage des sous-titres, que nous avons traité dans nos statistiques sur le retard et la précision du sous-titrage codé. Nous avons agrégé des données de l’EBU, de l’ATSC, de la SMPTE, d’IEEE Transactions on Broadcasting, du Journal of the Acoustical Society of America, de PLOS ONE, d’Allion Labs, d’Amazon Science et d’une douzaine d’autres sources primaires.
TL;DR
- Seuil moyen de détectabilité : environ 45 ms de son en avance à 125 ms de son en retard (ITU-R BT.1359-1, 1998).
- Limite européenne de diffusion : 40 ms de son avant l’image et 60 ms après, de bout en bout (EBU R37, 2007).
- Recommandation américaine pour la TV numérique à l’entrée de l’encodeur : pas plus de 15 ms de son en avance ni de 45 ms de retard (ATSC IS/191, rapporté par TV Technology 2004).
- Seuil moyen de détection d’un son en avance dans un test en laboratoire d’Intel : 185,19 ms, écart type 42,32 ms (Younkin et Corriveau, IEEE Transactions on Broadcasting 2008).
- Parole jugée synchrone de 131 ms d’avance du son à 225 ms d’avance de l’image (Conrey et Pisoni, JASA 2006).
- Seuil d’acceptabilité d’un son en avance sur l’image : 200 ms pour un présentateur de journal contre 1,3 s pour le football américain (Ebenezer, arXiv 2022).
- Décalages médians délivrés dans la lecture testée d’une personne qui parle face caméra : son en retard de 79,2 à 210,9 ms dans chaque cellule (Ho et Li, Preprints.org 2026).
- Zoom mesuré de 92 ms d’avance de l’image à 73 ms d’avance du son sur cinq ordinateurs (tests AV-Sync d’Allion Labs).
- Pire écart moyen d’apparition audio-visuelle sur un casque de réalité mixte non calibré : 156,63 ms (Eckhoff et al., PLOS ONE 2024).
- Fenêtre de synchronie pour un locuteur dont l’anglais est la langue maternelle : 100 ms chez de jeunes auditeurs normo-entendants contre 250 ms chez des auditeurs plus âgés (Gordon-Salant et al., Frontiers in Psychology 2022).
- Précision d’un classifieur de synchronisation labiale sur le jeu de données LRS2 : 96,5% pour IC-SyncNet contre 75,8% pour le SyncNet d’origine (Park et al., arXiv 2024).
1. Seuils de détection : quand les spectateurs remarquent une erreur de synchronisation labiale
Le constat le plus constant en 80 ans de recherche est l’asymétrie. Un son en avance est repéré pour environ un tiers du décalage qu’exige un son en retard : environ 45 ms de son en avance contre 125 ms de son en retard dans les tests subjectifs (des tests où les spectateurs notent des extraits) résumés par la recommandation ITU-R BT.1359-1. La nature explique ce biais : la lumière se déplace plus vite que le son, et dans la parole naturelle la bouche commence à bouger avant la voix. Dans le stimulus de parole analysé par Venezia et al., la fermeture de la bouche précédait le son de 163 ms, si bien que le cerveau est déjà habitué à accepter un son en retard.
L’écart entre les études compte autant que les moyennes. Une étude des Bell Laboratories des années 1940 situait la détection à 35 ms d’avance et 100 ms de retard, tandis qu’un test en laboratoire d’Intel sur les erreurs de son en avance a trouvé une moyenne bien plus lâche, de 185,19 ms (Younkin et Corriveau, IEEE Transactions on Broadcasting 2008). La lecture pratique : les seuils sont des moyennes sur une population, et les spectateurs les plus sensibles se situent bien en deçà. Un stream conçu pour la moyenne irrite quand même une partie de son audience.
| Métrique | Valeur | Source |
|---|---|---|
| Seuil moyen de détectabilité, son en avance sur l’image et son en retard sur l’image | Environ +45 ms à -125 ms | ITU-R BT.1359-1 (1998) |
| Seuil de détection dans une étude ancienne des Bell Laboratories, audio en avance et audio en retard | Plus de 35 ms d’avance ou plus de 100 ms de retard | Étude des Bell Laboratories, rapportée dans TV Technology (Hoffner) 2003 |
| Seuil moyen de détection d’un son en avance sur les lèvres | 185,19 ms (écart type 42,32 ms) | Younkin et Corriveau, IEEE Transactions on Broadcasting 2008 |
| Parole jugée synchrone, plus grande avance du son et plus grande avance de l’image (30 adultes) | De 131 ms d’avance du son à 225 ms d’avance de l’image | Conrey et Pisoni, JASA 2006 |
| Non-parole (flash et tonalité) jugée synchrone, avance du son et avance de l’image | De 153 ms d’avance du son à 247 ms d’avance de l’image | Conrey et Pisoni, JASA 2006 |
| Largeur de la fenêtre de synchronie à mi-hauteur de son pic, parole et non-parole | 357 ms et 400 ms | Conrey et Pisoni, JASA 2006 |
| Seuil de détection pour la parole, image en avance sur le son et son en avance sur l’image | 258 ms et 131 ms | Dixon et Spitz 1980, cités dans Venezia et al., Attention, Perception, and Psychophysics 2016 |
| Seuil de détection pour un marteau frappant un piquet, image en avance et son en avance | 188 ms et 75 ms | Dixon et Spitz 1980, cités dans Venezia et al. 2016 |
Note de contexte : Conrey et Pisoni ont constaté que le centre de la fenêtre de synchronie se situait à 47 ms d’avance de l’image, et non à zéro, pour la parole comme pour la non-parole (Conrey et Pisoni, JASA 2006). La revue de Venezia et al. retrace le même schéma à travers les réplications. Données les plus récentes disponibles pour les seuils en population : Younkin et Corriveau 2008 ; aucune étude de seuil plus récente, à grand échantillon, sur la synchronisation labiale en diffusion n’est apparue dans nos recherches.
2. Tolérances de diffusion et budgets de synchronisation
Les études de perception disent où les spectateurs remarquent un défaut ; les normes disent aux ingénieurs quelle part de cette marge chaque maillon de la chaîne peut dépenser. Le constat frappant est à quel point les limites d’ingénierie sont plus serrées que les limites de perception. L’EBU R37 n’accorde à chaque étape que 5 ms d’avance et 15 ms de retard, alors que l’ensemble de la chaîne doit rester dans une limite de bout en bout de 40 ms d’avance et 60 ms de retard (EBU R37, 2007). L’EBU précise que ses limites reposent sur le retard à partir duquel 50% des observateurs remarquent un défaut de synchronisation labiale.
Les États-Unis ont fixé des limites encore plus strictes. Le sous-comité de mise en œuvre de l’ATSC a jugé les limites internationales de 1998 insuffisantes pour la télévision numérique et a demandé que l’audio entrant dans l’encodeur ne devance jamais la vidéo de plus de 15 ms ni ne soit en retard de plus de 45 ms (TV Technology, ATSC Recommends AV Sync Rules, 2004). À titre de comparaison, l’ancienne règle empirique NTSC était de +1 et -2 images, soit +33 et -66 ms. La recommandation de 1998 répartit aussi son propre budget, ne laissant aux segments hors du contrôle du diffuseur que ±2 ms.
| Métrique | Valeur | Source |
|---|---|---|
| Tolérance globale son-image (également le seuil moyen d’acceptabilité) | +90 ms à -185 ms | ITU-R BT.1359-1 (1998) |
| Répartition du budget : de la source caméra au point de référence zéro (la référence de calage du studio) et du point de référence zéro à l’entrée de l’émetteur | +25 / -100 ms et +22,5 / -30 ms | ITU-R BT.1359-1 (1998) |
| Limite de bout en bout à toute sortie destinée à l’émission, son avant l’image et son après l’image | 40 ms et 60 ms | EBU R37 (2007) |
| Limite par étape individuelle de la chaîne de production | De 5 ms d’avance à 15 ms de retard | EBU R37 (2007) |
| Limite TV numérique pour l’audio à l’entrée de l’encodeur, avance et retard | 15 ms et 45 ms | ATSC IS/191, rapporté par TV Technology 2004 |
| Limite TV numérique pour toute la chaîne, audio en avance et audio en retard sur la vidéo | +30 ms à -90 ms | ATSC IS/191, rapporté par TV Technology 2004 |
| Limite de qualité d’expérience IPTV, audio en avance et audio en retard sur la vidéo (provisoire, définition standard) | 15 ms et 45 ms au maximum | ITU-T G.1080 (2008) |
| Règle empirique NTSC analogique en images et en millisecondes | +1 / -2 images (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
Note sur les valeurs atypiques : ces documents sont anciens mais toujours en vigueur. La recommandation sur le son et l’image a été approuvée le 30 novembre 1998 et la recommandation sur la qualité IPTV le 7 décembre 2008, et toutes deux sont indiquées comme en vigueur. Données les plus récentes disponibles : EBU R37, 2007.
3. Type de contenu et audience : qui tolère quoi
Un visage qui parle est le test le plus difficile qu’un stream puisse affronter. Dans une étude auprès de 20 spectateurs portant sur 45 extraits, le seuil d’acceptabilité d’un son en avance sur l’image était de 200 ms pour un présentateur de journal mais de 1,3 s pour le football américain (Ebenezer, arXiv 2022). Les plans larges de sport offrent peu d’événements audio-visuels nets pour caler le timing ; un stream de jeu ou de sport avec la caméra du streamer à l’écran est donc jugé selon la norme plus stricte, fondée sur le visage.
L’audience compte aussi. Avec un locuteur dont l’anglais est la langue maternelle, les auditeurs plus âgés présentent des fenêtres de synchronie (la plage de décalages encore perçus comme simultanés) au moins deux fois plus larges que les jeunes adultes, mais perdent quand même en reconnaissance de la parole lorsque le signal est désaligné, même lorsqu’ils ne remarquent pas l’erreur (Gordon-Salant et al., Frontiers in Psychology 2022). Une fenêtre large n’est pas une immunité : des erreurs de synchronisation peuvent coûter de la compréhension sans jamais être signalées comme une plainte.
| Métrique | Valeur | Source |
|---|---|---|
| Seuil d’acceptabilité d’un son en avance sur l’image, extrait de présentateur de journal | 200 ms | Ebenezer, arXiv 2022 |
| Seuil d’acceptabilité d’un son en avance sur l’image, extrait de cricket | 500 ms | Ebenezer, arXiv 2022 |
| Seuil d’acceptabilité d’un son en avance sur l’image, extraits de football et de tennis | 1 s | Ebenezer, arXiv 2022 |
| Seuil d’acceptabilité d’un son en avance sur l’image, extrait de football américain | 1,3 s | Ebenezer, arXiv 2022 |
| Fenêtre de synchronie pour un locuteur dont l’anglais est la langue maternelle, jeunes auditeurs normo-entendants et auditeurs plus âgés (17 par groupe) | 100 ms et 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Largeur typique de la fenêtre de synchronie, paires où l’image précède et paires où le son précède | 200-250 ms et 100-150 ms | Cecere et al., European Journal of Neuroscience 2016 |
| Score de sensibilité de base (d prime, plus il est élevé, meilleure est la détection), paires où le son précède et paires où l’image précède, 30 adultes | 1,58 et 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Participants à une étude de 2026 sur l’asynchronie de la parole dans le bruit, utilisateurs d’implants cochléaires et adultes entendant normalement (décalages jusqu’à 400 ms) | 15 et 31 | Salagovic et al., Journal of Speech, Language, and Hearing Research 2026 |
Note de contexte : l’écart de sensibilité de Cecere et al. était statistiquement robuste (F(1,27) = 37,10, p < 0,0001) (Cecere et al., European Journal of Neuroscience 2016). Dans l’étude de 2026, l’intelligibilité culminait près de la synchronie pour les deux groupes, et les utilisateurs d’implants cochléaires montraient des baisses plus marquées à mesure que l’asynchronie augmentait (Salagovic et al., JSLHR 2026). L’étude sur le sport est une prépublication et a plus de trois ans ; données les plus récentes disponibles : Ebenezer, 2022.
4. Décalages mesurés dans les lecteurs, les applications d’appel et les casques
Les normes supposent que chaque appareil signale et corrige son propre retard. Les mesures montrent que cette hypothèse échoue. Une étude à la photodiode et en sortie ligne de novembre 2026, portant sur quatre systèmes vidéo de personne qui parle face caméra, trois lecteurs et deux résolutions, a trouvé un son en retard dans chacune des 24 cellules, avec des décalages médians de 79,2 à 210,9 ms, et 60,9% à 88,4% des 3 637 essais au-delà du seuil de détectabilité de la diffusion (Ho et Li, Preprints.org 2026). Leur propre incertitude de mesure entre les canaux était de 0,0144 ms : l’erreur se trouve donc dans la chaîne de lecture, pas dans l’instrument.
Les applications d’appel et de streaming se dispersent des deux côtés de zéro. Lors des tests d’Allion Labs avec une webcam USB sur cinq ordinateurs, la même application pouvait être en avance sur une machine et en retard sur une autre (tests AV-Sync d’Allion Labs). C’est pourquoi les correctifs au niveau des paquets, abordés dans nos statistiques sur la dissimulation de perte de paquets WebRTC, ne peuvent pas à eux seuls garantir la synchronisation labiale : elle se joue aux extrémités. Chaque étape de traitement qu’un streamer ajoute au chemin du microphone, de la suppression de bruit à un changeur de voix dans OBS, ajoute son propre retard à ce budget, et c’est pourquoi l’EBU R37 budgétise chaque étape séparément.
| Métrique | Valeur | Source |
|---|---|---|
| Décalage audio-vidéo médian délivré sur 24 cellules lecteur-résolution (une valeur négative signifie un son en retard) | -210,9 ms à -79,2 ms | Ho et Li, Preprints.org 2026 |
| Part des essais au-delà du seuil de détectabilité de la diffusion, plage selon les cellules | 60,9% à 88,4% | Ho et Li, Preprints.org 2026 |
| Part des essais au-delà du seuil d’acceptabilité de la diffusion, plage selon les cellules | 31,6% à 59,4% | Ho et Li, Preprints.org 2026 |
| Zoom, plage sur cinq ordinateurs (une valeur positive signifie que l’audio vient en premier) | -92 ms à +73 ms | Tests AV-Sync d’Allion Labs (non daté) |
| Microsoft Teams, plage sur cinq ordinateurs | -95 ms à -20 ms | Tests AV-Sync d’Allion Labs (non daté) |
| Twitch, plage sur quatre ordinateurs | -90 ms à +32 ms | Tests AV-Sync d’Allion Labs (non daté) |
| Google Meet, plage sur cinq ordinateurs | -100 ms à +42 ms | Tests AV-Sync d’Allion Labs (non daté) |
| Plus grand écart moyen d’apparition audio-visuelle sur un casque de réalité mixte non calibré, avec une gigue pouvant atteindre | 156,63 ms, gigue jusqu’à ±11,82 ms | Eckhoff et al., PLOS ONE 2024 |
Note de contexte : l’étalonnage fonctionne. Retarder l’image sur un Varjo XR-3 a fait passer son écart de 53,49 ± 3,15 ms à -3,89 ± 1,56 ms sur 100 présentations (Eckhoff et al., PLOS ONE 2024). L’étude à la photodiode placée en tête de cette section a été publiée le 3 novembre 2026 et n’a pas encore été évaluée par les pairs.
5. Dérive sur longue session : horloges, cartes de capture et mesure de la synchronisation
Les décalages statiques se corrigent une fois pour toutes. La dérive, non, car elle croît avec le temps. Lorsque l’audio et la vidéo sont cadencés indépendamment, une erreur de fréquence s’accumule tant que le stream dure. Une horloge à la limite de ±1 ppm d’une référence audio numérique de classe 1 (DARS, l’horloge maîtresse qui fixe la fréquence d’échantillonnage audio) dérive de 3,6 ms par heure : 0,000001 x 3 600 secondes = 0,0036 s, soit 28,8 ms sur un stream de huit heures (notre calcul à partir de la tolérance de classe 1 du tableau ci-dessous). Les installations de diffusion évitent cela en verrouillant tout sur une seule référence, la même logique que celle de la migration vers l’IP suivie dans nos statistiques sur l’AoIP, Dante et AES67 en diffusion.
Le matériel de capture grand public est moins rigoureux. L’éditeur de logiciels LEADTOOLS documente des périphériques de capture qui démarrent avec 60 à 90 ms de désynchronisation et des périphériques qui commencent à dériver après 8 à 24 heures (LEADTOOLS, Timestamp Drifting in Live Capture Situations). Pour un stream 24h/24 et 7j/7, la dérive n’est pas un cas limite ; c’est un poste de maintenance planifié.
| Métrique | Valeur | Source |
|---|---|---|
| Précision de fréquence à long terme d’une référence audio numérique de classe 1 | À ±1 ppm près | ITU-R BS.2032-0 (2013) |
| Dérive à la limite de ±1 ppm, par heure et sur 8 heures (notre calcul) | 3,6 ms par heure ; 28,8 ms sur 8 heures | Calculé à partir de ITU-R BS.2032-0 (2013) |
| Cartes de capture observées en dérive après une capture continue de | 8 à 24 heures | Documentation LEADTOOLS (observation de l’éditeur lui-même) |
| Décalage audio-vidéo initial sur certains périphériques de capture | Environ 60-90 ms | Documentation LEADTOOLS (observation de l’éditeur lui-même) |
| Différence d’horodatage sur des périphériques de capture aux horloges non concordantes | Plus de 500 ms | Documentation LEADTOOLS (observation de l’éditeur lui-même) |
| Précision du banc de mesure de synchronisation open source de la BBC (capteur de lumière plus entrée audio) | Précision d’environ une milliseconde | BBC R&D dvbcss-synctiming |
| Exemple de tolérance de réussite/échec dans le banc de la BBC, application de second écran et téléviseur | ±8 ms et ±23 ms | BBC R&D dvbcss-synctiming |
| Méthodes de transport des empreintes de synchronisation labiale (SDI, UDP sur IP, flux de transport MPEG-2), un conteneur par image | 3 | SMPTE ST 2064-2 (2015) |
Note de contexte : le banc de la BBC lit une vidéo de test avec des flashs et des bips et les chronomètre à l’écran et au haut-parleur, le seul endroit où la synchronisation est réellement vécue (BBC R&D dvbcss-synctiming). L’approche par empreintes de la SMPTE mesure les variations de timing sans signaux de test, en comparant des empreintes prélevées en amont et en aval (SMPTE ST 2064-2:2015).
6. Détection automatisée de la synchronisation labiale : ce que les machines peuvent et ne peuvent pas repérer
Les services de streaming vérifient désormais la synchronisation par apprentissage automatique plutôt que par des contrôles ponctuels humains. Prime Video a conçu des détecteurs pour 18 types de défauts, dont la synchronisation audio-vidéo, et exécute son détecteur de synchronisation labiale sur des extraits de quatre secondes centrés sur un seul visage, sur des milliers de chaînes et d’événements en direct (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). La précision des classifieurs a rapidement progressé : 96,5% sur le jeu de données LRS2 en 2024, contre 75,8% pour le SyncNet d’origine (Park et al., Interpretable Convolutional SyncNet, arXiv 2024).
Le hic est que les scores au niveau du fichier ne voient pas la chaîne de lecture. Ho et Li ont constaté que les scores de synchronisation de SyncNet n’étaient pas corrélés aux décalages qu’ils ont mesurés à l’écran, et que l’estimation de décalage de SyncNet elle-même ne concordait avec la mesure que dans une demi-largeur de 282,2 ms. Un fichier propre peut quand même être lu en désynchronisation, et le second contrôle doit avoir lieu sur l’appareil.
| Métrique | Valeur | Source |
|---|---|---|
| Types de défauts vidéo couverts par les détecteurs de Prime Video (dont la synchronisation audio-vidéo) | 18 | Amazon Science (Prime Video) 2022 |
| Base de données d’erreurs de synchronisation audio-vidéo au tennis constituée par des chercheurs d’Amazon | 504 300 images tirées de 6 heures de vidéo | Ebenezer et al., ICASSP 2021 (Amazon) |
| Précision de classification de la synchronisation, IC-SyncNet sur LRS2 et sur LRS3 | 96,5% et 93,8% | Park et al., arXiv 2024 |
| Précision de classification de la synchronisation, SyncNet d’origine sur LRS2 | 75,8% | Park et al., arXiv 2024 |
| Évaluations humaines recueillies pour un jeu de données de qualité perceptive de synchronisation (100+ heures, 80+ annotateurs) | 120 000 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Corrélation de la métrique PEAVS avec les évaluations humaines, au niveau de l’ensemble et au niveau de l’extrait | 0,79 et 0,54 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Corrélation entre les scores de synchronisation de SyncNet et l’amplitude du décalage mesuré | r = -0,066 à +0,083 | Ho et Li, Preprints.org 2026 |
Note de contexte : dans les données PEAVS, les scores humains comme la métrique culminaient au-dessus de 4 sur une échelle de 5 points pour un décalage audio de 45 ms, puis baissaient à mesure que le décalage augmentait (Goncalves et al., PEAVS, ECCV 2024). La méthode d’Amazon pour le tennis signale une erreur lorsqu’un coup de raquette apparaît dans l’audio mais pas dans la vidéo proche (Amazon Science, Detection of audio-video synchronization errors via event detection).
Résumé : la dérive de synchronisation audio-vidéo (synchro labiale) en streaming en direct en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Seuil moyen de détectabilité, son en avance et son en retard | Environ +45 ms à -125 ms | ITU-R BT.1359-1 (1998) |
| Largeur de la fenêtre de synchronie à mi-hauteur de son pic, parole et non-parole | 357 ms et 400 ms | Conrey et Pisoni, JASA 2006 |
| Limite d’émission de bout en bout, son avant l’image et son après l’image | 40 ms et 60 ms | EBU R37 (2007) |
| Limite par étape dans la chaîne de production | De 5 ms d’avance à 15 ms de retard | EBU R37 (2007) |
| Limite TV numérique à l’entrée de l’encodeur, avance et retard | 15 ms et 45 ms | ATSC IS/191, via TV Technology 2004 |
| Limite TV numérique pour toute la chaîne | +30 ms à -90 ms | ATSC IS/191, via TV Technology 2004 |
| Seuil moyen de détection d’un son en avance sur les lèvres | 185,19 ms (écart type 42,32 ms) | Younkin et Corriveau, IEEE Transactions on Broadcasting 2008 |
| Parole jugée synchrone, avance du son et avance de l’image | 131 ms et 225 ms | Conrey et Pisoni, JASA 2006 |
| Seuil d’acceptabilité d’un son en avance, présentateur de journal et football américain | 200 ms et 1,3 s | Ebenezer, arXiv 2022 |
| Fenêtre de synchronie, jeunes auditeurs et auditeurs plus âgés | 100 ms et 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Sensibilité, paires où le son précède et paires où l’image précède | d prime 1,58 et 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Décalages médians délivrés dans la lecture testée d’une personne qui parle face caméra | Son en retard de 79,2 à 210,9 ms | Ho et Li, Preprints.org 2026 |
| Plage de décalage de Microsoft Teams sur cinq ordinateurs | -95 ms à -20 ms | Tests AV-Sync d’Allion Labs |
| Plage de décalage de Zoom sur cinq ordinateurs | -92 ms à +73 ms | Tests AV-Sync d’Allion Labs |
| Pire écart moyen d’apparition, casque de réalité mixte non calibré | 156,63 ms | Eckhoff et al., PLOS ONE 2024 |
| Décalage initial sur certains périphériques de capture | Environ 60-90 ms | Documentation LEADTOOLS (éditeur) |
| Précision d’un classifieur de synchronisation labiale sur LRS2, IC-SyncNet et SyncNet | 96,5% et 75,8% | Park et al., arXiv 2024 |
| Corrélation de PEAVS avec les évaluations humaines, au niveau de l’ensemble | 0,79 | Goncalves et al. (Amazon), ECCV 2024 |
Méthodologie et sources
- Recommandations de l’UIT : 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 et seuil des Bell Laboratories, d’après les chroniques de Randy Hoffner dans TV Technology : ATSC Recommends AV Sync Rules (2004) et A/V Synchronization: How Bad Is Bad? (2003).
- Younkin et Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey et Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia et al., Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere, Gross et Thut, European Journal of Neuroscience (2016).
- Gordon-Salant et al., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson et Butler, 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 et Li, 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, Schnupp et Cassinelli, 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 et SMPTE ST 2064-2:2015, Audio to Video Synchronization Measurement, Fingerprint Transport.
- Amazon : Prime Video video quality analysis (2022), Detection of audio-video synchronization errors via event detection, ICASSP (2021) et Goncalves et al., PEAVS, ECCV (2024).
- Park et al., Interpretable Convolutional SyncNet, arXiv (2024).
- Note sur les données : les chiffres de détectabilité se contredisent d’une étude à l’autre. La recommandation de diffusion de 1998 situe la détection d’un son en avance à environ 45 ms, l’étude des Bell Laboratories à 35 ms et Younkin et Corriveau à une moyenne de 185,19 ms ; nous rapportons les trois plutôt que d’en choisir un, et les différences de stimuli et de méthode expliquent probablement l’écart. Les conventions de signe diffèrent aussi : la plupart des documents de diffusion et Allion Labs utilisent le positif pour un son en premier, tandis que l’étude à la photodiode de 2026 note le retard du son en négatif. La page d’Allion Labs ne porte aucune date de publication, et l’étude à la photodiode (publiée le 3 novembre 2026) ainsi que l’étude sportive d’Ebenezer sont des prépublications qui n’ont pas été évaluées par les pairs. Les chiffres de LEADTOOLS sont les observations propres d’un éditeur de logiciels. Les valeurs ATSC IS/191 proviennent des articles de TV Technology, car le document de l’ATSC lui-même n’était pas accessible. Le chiffre de dérive de 3,6 ms par heure est notre calcul à partir de la tolérance de ±1 ppm, pas une valeur mesurée. La plupart des données de seuils et de tolérances ont plus de trois ans et sont signalées comme les plus récentes disponibles.
Dernière mise à jour : 6 novembre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue à la publication de la version évaluée par les pairs de l’étude à la photodiode de novembre 2026 sur la synchronisation labiale effectivement délivrée.