Penonton menyadari suara yang datang hanya 45 ms sebelum gambar, tetapi menoleransi suara yang datang hingga 125 ms setelahnya, jendela keterdeteksian asimetris yang mendasari rekomendasi siaran internasional tentang pewaktuan suara dan gambar (ITU-R BT.1359-1, 1998). Rantai pemutaran yang sebenarnya sering meleset dari jendela itu: studi fotodioda November 2026 mengukur median keterlambatan suara 79,2 hingga 210,9 ms pada 24 kombinasi pemutar dan resolusi, dengan hingga 88,4% percobaan melampaui ambang keterdeteksian (Ho dan Li, Preprints.org 2026). Toleransi juga bergantung pada apa yang tampil di layar, dengan ambang keberterimaan berkisar dari 200 ms untuk pembaca berita hingga 1,3 s untuk sepak bola Amerika (Ebenezer, arXiv 2022). Drift lip-sync (selisih antara saat mulut bergerak dan saat suaranya terdengar) adalah masalah yang berbeda dari pewaktuan teks tertutup, yang telah kami bahas dalam statistik keterlambatan dan akurasi teks tertutup kami. Kami menghimpun data dari EBU, ATSC, SMPTE, IEEE Transactions on Broadcasting, Journal of the Acoustical Society of America, PLOS ONE, Allion Labs, Amazon Science, dan selusin sumber primer lainnya.
TL;DR
- Ambang keterdeteksian rata-rata: sekitar 45 ms audio mendahului hingga 125 ms audio tertinggal (ITU-R BT.1359-1, 1998).
- Batas siaran Eropa: 40 ms suara sebelum gambar dan 60 ms sesudahnya, ujung ke ujung (EBU R37, 2007).
- Panduan DTV AS pada input encoder: audio tidak lebih dari 15 ms mendahului atau 45 ms tertinggal (ATSC IS/191, dilaporkan TV Technology 2004).
- Ambang deteksi rata-rata untuk audio yang mendahului dalam uji laboratorium Intel: 185,19 ms, SD 42,32 ms (Younkin dan Corriveau, IEEE Transactions on Broadcasting 2008).
- Ucapan dinilai sinkron dari 131 ms audio mendahului hingga 225 ms visual mendahului (Conrey dan Pisoni, JASA 2006).
- Ambang keberterimaan untuk audio mendahului video: 200 ms untuk pembaca berita dibandingkan 1,3 s untuk sepak bola Amerika (Ebenezer, arXiv 2022).
- Median selisih yang sampai ke penonton pada pemutaran video sosok berbicara yang diuji: suara terlambat 79,2 hingga 210,9 ms di setiap sel (Ho dan Li, Preprints.org 2026).
- Zoom terukur dari 92 ms video mendahului hingga 73 ms audio mendahului pada lima komputer (pengujian AV-Sync Allion Labs).
- Selisih awal kemunculan audio-visual rata-rata terburuk pada headset realitas campuran yang belum dikalibrasi: 156,63 ms (Eckhoff dkk., PLOS ONE 2024).
- Jendela sinkroni untuk pembicara berbahasa ibu Inggris: 100 ms pada pendengar muda berpendengaran normal dibandingkan 250 ms pada pendengar yang lebih tua (Gordon-Salant dkk., Frontiers in Psychology 2022).
- Akurasi pengklasifikasi lip-sync pada dataset LRS2: 96,5% untuk IC-SyncNet dibandingkan 75,8% untuk SyncNet asli (Park dkk., arXiv 2024).
1. Ambang Deteksi: Kapan Penonton Menyadari Kesalahan Lip-Sync
Temuan yang paling konsisten dari 80 tahun penelitian adalah asimetri. Suara yang datang lebih awal terdeteksi pada selisih kira-kira sepertiga dari yang dibutuhkan suara yang terlambat: sekitar 45 ms audio mendahului dibandingkan 125 ms audio tertinggal dalam uji subjektif (uji ketika penonton menilai klip) yang diringkas oleh rekomendasi ITU-R BT.1359-1. Alam menjelaskan bias ini: cahaya bergerak lebih cepat daripada suara, dan dalam ucapan alami mulut mulai bergerak sebelum suara keluar. Pada stimulus ucapan yang dianalisis Venezia dkk., penutupan mulut mendahului suara sebesar 163 ms, sehingga otak sudah terlatih menerima audio yang terlambat.
Sebaran antar studi sama pentingnya dengan rata-ratanya. Studi Bell Laboratories pada 1940-an menetapkan deteksi pada 35 ms mendahului dan 100 ms tertinggal, sedangkan uji laboratorium Intel terhadap kesalahan audio mendahului menemukan rata-rata yang jauh lebih longgar, yaitu 185,19 ms (Younkin dan Corriveau, IEEE Transactions on Broadcasting 2008). Pembacaan praktisnya: ambang adalah rata-rata dari sebuah populasi, dan penonton yang paling sensitif berada jauh di dalamnya. Siaran yang direkayasa mengikuti rata-rata tetap mengganggu sebagian audiensnya.
| Metrik | Nilai | Sumber |
|---|---|---|
| Ambang keterdeteksian rata-rata, suara mendahului gambar dan suara tertinggal dari gambar | Sekitar +45 ms hingga -125 ms | ITU-R BT.1359-1 (1998) |
| Ambang deteksi dalam studi awal Bell Laboratories, audio mendahului dan audio tertinggal | Lebih dari 35 ms mendahului atau lebih dari 100 ms tertinggal | Studi Bell Laboratories, dilaporkan dalam TV Technology (Hoffner) 2003 |
| Ambang deteksi rata-rata untuk audio yang mendahului gerak bibir | 185,19 ms (SD 42,32 ms) | Younkin dan Corriveau, IEEE Transactions on Broadcasting 2008 |
| Ucapan dinilai sinkron, audio mendahului terbesar dan visual mendahului terbesar (30 orang dewasa) | 131 ms audio mendahului hingga 225 ms visual mendahului | Conrey dan Pisoni, JASA 2006 |
| Non-ucapan (kilatan dan nada) dinilai sinkron, audio mendahului dan visual mendahului | 153 ms audio mendahului hingga 247 ms visual mendahului | Conrey dan Pisoni, JASA 2006 |
| Lebar jendela sinkroni pada setengah puncaknya, ucapan dan non-ucapan | 357 ms dan 400 ms | Conrey dan Pisoni, JASA 2006 |
| Ambang deteksi untuk ucapan, video mendahului suara dan suara mendahului video | 258 ms dan 131 ms | Dixon dan Spitz 1980, dikutip dalam Venezia dkk., Attention, Perception, and Psychophysics 2016 |
| Ambang deteksi untuk palu yang memukul pasak, video mendahului dan suara mendahului | 188 ms dan 75 ms | Dixon dan Spitz 1980, dikutip dalam Venezia dkk. 2016 |
Catatan konteks: Conrey dan Pisoni menemukan bahwa pusat jendela sinkroni berada pada 47 ms visual mendahului, bukan pada nol, baik untuk ucapan maupun non-ucapan (Conrey dan Pisoni, JASA 2006). Tinjauan Venezia dkk. menelusuri pola yang sama di berbagai replikasi. Data terbaru yang tersedia untuk ambang populasi: Younkin dan Corriveau 2008; tidak ada studi ambang berskala sampel besar yang lebih baru untuk lip-sync siaran yang muncul dalam penelusuran kami.
2. Toleransi Siaran dan Anggaran Sinkronisasi
Studi persepsi memberi tahu di mana penonton menyadari masalah; standar memberi tahu para insinyur berapa banyak dari margin itu yang boleh dihabiskan tiap bagian rantai. Pola yang mencolok adalah betapa lebih ketatnya batas rekayasa dibandingkan batas persepsi. EBU R37 hanya mengizinkan setiap tahap 5 ms lebih awal dan 15 ms lebih lambat, sementara seluruh rantai harus tetap berada dalam batas ujung ke ujung 40 ms mendahului dan 60 ms tertinggal (EBU R37, 2007). EBU menyatakan batasnya didasarkan pada keterlambatan ketika 50% pengamat menyadari kegagalan lip-sync.
AS menetapkan batas yang lebih ketat lagi. Subkomite Implementasi ATSC menilai batas internasional 1998 tidak memadai untuk televisi digital dan meminta agar audio yang masuk ke encoder tidak pernah mendahului video lebih dari 15 ms atau tertinggal lebih dari 45 ms (TV Technology, ATSC Recommends AV Sync Rules, 2004). Sebagai perbandingan, aturan praktis NTSC lama adalah +1 dan -2 frame, atau +33 dan -66 ms. Rekomendasi 1998 juga membagi anggarannya sendiri, dan hanya menyisakan ±2 ms untuk segmen di luar kendali penyiar.
| Metrik | Nilai | Sumber |
|---|---|---|
| Toleransi suara-ke-gambar keseluruhan (sekaligus ambang keberterimaan rata-rata) | +90 ms hingga -185 ms | ITU-R BT.1359-1 (1998) |
| Pembagian anggaran: dari sumber kamera ke titik referensi nol (acuan pewaktuan studio) dan dari referensi nol ke input pemancar | +25 / -100 ms dan +22,5 / -30 ms | ITU-R BT.1359-1 (1998) |
| Batas ujung ke ujung pada setiap keluaran yang ditujukan untuk siaran, suara sebelum gambar dan suara sesudah gambar | 40 ms dan 60 ms | EBU R37 (2007) |
| Batas per tahap individual dalam rantai produksi | 5 ms lebih awal hingga 15 ms lebih lambat | EBU R37 (2007) |
| Batas DTV untuk audio pada input encoder, mendahului dan tertinggal | 15 ms dan 45 ms | ATSC IS/191, dilaporkan TV Technology 2004 |
| Batas DTV untuk seluruh rantai, audio mendahului video dan audio tertinggal dari video | +30 ms hingga -90 ms | ATSC IS/191, dilaporkan TV Technology 2004 |
| Batas kualitas pengalaman IPTV, audio mendahului video dan audio tertinggal dari video (sementara, definisi standar) | Maksimum 15 ms dan 45 ms | ITU-T G.1080 (2008) |
| Aturan praktis NTSC analog dalam frame dan milidetik | +1 / -2 frame (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
Catatan pencilan: dokumen-dokumen ini sudah lama tetapi masih berlaku. Rekomendasi suara dan gambar disetujui pada 30 November 1998 dan rekomendasi kualitas IPTV pada 7 Desember 2008, dan keduanya tercatat masih berlaku. Data terbaru yang tersedia: EBU R37, 2007.
3. Jenis Konten dan Audiens: Siapa Menoleransi Seberapa Banyak
Wajah yang sedang berbicara adalah ujian tersulit yang bisa dihadapi sebuah siaran. Dalam studi terhadap 20 penonton atas 45 klip, ambang keberterimaan untuk audio mendahului video adalah 200 ms untuk pembaca berita tetapi 1,3 s untuk sepak bola Amerika (Ebenezer, arXiv 2022). Bidikan lebar olahraga hanya menyediakan sedikit peristiwa audio-visual tajam sebagai jangkar pewaktuan, sehingga siaran gim atau olahraga dengan kamera wajah streamer di layar dinilai dengan standar yang lebih ketat berbasis wajah.
Audiens juga berpengaruh. Dengan pembicara berbahasa ibu Inggris, pendengar yang lebih tua menunjukkan jendela sinkroni (rentang selisih yang masih dipersepsikan serentak) setidaknya dua kali lebih lebar daripada orang dewasa muda, namun tetap kehilangan pengenalan ucapan ketika sinyal tidak selaras, bahkan ketika mereka tidak menyadari kesalahannya (Gordon-Salant dkk., Frontiers in Psychology 2022). Jendela yang lebar tidak sama dengan kekebalan: kesalahan sinkronisasi dapat mengorbankan pemahaman tanpa pernah dilaporkan sebagai keluhan.
| Metrik | Nilai | Sumber |
|---|---|---|
| Ambang keberterimaan untuk audio mendahului video, klip pembaca berita | 200 ms | Ebenezer, arXiv 2022 |
| Ambang keberterimaan untuk audio mendahului video, klip kriket | 500 ms | Ebenezer, arXiv 2022 |
| Ambang keberterimaan untuk audio mendahului video, klip sepak bola dan tenis | 1 s | Ebenezer, arXiv 2022 |
| Ambang keberterimaan untuk audio mendahului video, klip sepak bola Amerika | 1,3 s | Ebenezer, arXiv 2022 |
| Jendela sinkroni untuk pembicara berbahasa ibu Inggris, pendengar muda berpendengaran normal dan pendengar yang lebih tua (17 per kelompok) | 100 ms dan 250 ms | Gordon-Salant dkk., Frontiers in Psychology 2022 |
| Lebar jendela sinkroni yang umum, pasangan visual mendahului dan pasangan audio mendahului | 200-250 ms dan 100-150 ms | Cecere dkk., European Journal of Neuroscience 2016 |
| Skor sensitivitas dasar (d prime, semakin tinggi berarti deteksi semakin baik), pasangan audio mendahului dan pasangan visual mendahului, 30 orang dewasa | 1,58 dan 0,98 | Cecere dkk., European Journal of Neuroscience 2016 |
| Peserta dalam studi asinkroni ucapan di tengah bising tahun 2026, pengguna implan koklea dan orang dewasa berpendengaran tipikal (selisih hingga 400 ms) | 15 dan 31 | Salagovic dkk., Journal of Speech, Language, and Hearing Research 2026 |
Catatan konteks: kesenjangan sensitivitas Cecere dkk. kuat secara statistik (F(1,27) = 37,10, p < 0,0001) (Cecere dkk., European Journal of Neuroscience 2016). Dalam studi 2026, kejelasan ucapan memuncak mendekati sinkroni pada kedua kelompok, dan pengguna implan koklea menunjukkan penurunan yang lebih besar seiring bertambahnya asinkroni (Salagovic dkk., JSLHR 2026). Studi olahraga itu adalah pracetak dan berusia lebih dari tiga tahun; data terbaru yang tersedia: Ebenezer, 2022.
4. Selisih yang Terukur pada Pemutar, Aplikasi Panggilan, dan Headset
Standar mengasumsikan setiap perangkat melaporkan dan mengoreksi keterlambatannya sendiri. Pengukuran menunjukkan asumsi itu gagal. Studi fotodioda dan keluaran saluran November 2026 terhadap empat sistem video sosok berbicara, tiga pemutar, dan dua resolusi menemukan suara tertinggal di seluruh 24 sel, dengan median selisih 79,2 hingga 210,9 ms, dan 60,9% hingga 88,4% dari 3.637 percobaan melampaui ambang keterdeteksian siaran (Ho dan Li, Preprints.org 2026). Ketidakpastian pengukuran mereka sendiri antar kanal adalah 0,0144 ms, sehingga kesalahannya ada pada rantai pemutaran, bukan pada instrumen.
Aplikasi panggilan dan streaming tersebar di kedua sisi nol. Dalam pengujian Allion Labs dengan satu webcam USB pada lima komputer, aplikasi yang sama bisa mendahului di satu mesin dan tertinggal di mesin lain (pengujian AV-Sync Allion Labs). Itulah sebabnya perbaikan tingkat paket, yang kami bahas dalam statistik penyamaran kehilangan paket WebRTC kami, tidak dapat menjamin lip-sync dengan sendirinya: sinkronisasi ditentukan di ujung-ujungnya. Setiap tahap pemrosesan yang ditambahkan streamer pada jalur mikrofon, dari peredam bising hingga pengubah suara di OBS, menambahkan keterlambatannya sendiri ke anggaran itu, dan itulah mengapa EBU R37 menganggarkan setiap tahap secara terpisah.
| Metrik | Nilai | Sumber |
|---|---|---|
| Median selisih audio-video yang sampai ke penonton pada 24 sel pemutar dan resolusi (negatif berarti suara terlambat) | -210,9 ms hingga -79,2 ms | Ho dan Li, Preprints.org 2026 |
| Persentase percobaan yang melampaui ambang keterdeteksian siaran, rentang antar sel | 60,9% hingga 88,4% | Ho dan Li, Preprints.org 2026 |
| Persentase percobaan yang melampaui ambang keberterimaan siaran, rentang antar sel | 31,6% hingga 59,4% | Ho dan Li, Preprints.org 2026 |
| Zoom, rentang pada lima komputer (positif berarti audio lebih dulu) | -92 ms hingga +73 ms | Pengujian AV-Sync Allion Labs (tanpa tanggal) |
| Microsoft Teams, rentang pada lima komputer | -95 ms hingga -20 ms | Pengujian AV-Sync Allion Labs (tanpa tanggal) |
| Twitch, rentang pada empat komputer | -90 ms hingga +32 ms | Pengujian AV-Sync Allion Labs (tanpa tanggal) |
| Google Meet, rentang pada lima komputer | -100 ms hingga +42 ms | Pengujian AV-Sync Allion Labs (tanpa tanggal) |
| Selisih awal kemunculan audio-visual rata-rata terbesar pada headset realitas campuran yang belum dikalibrasi, dengan jitter hingga | 156,63 ms, jitter hingga ±11,82 ms | Eckhoff dkk., PLOS ONE 2024 |
Catatan konteks: kalibrasi berhasil. Menunda gambar pada Varjo XR-3 menggeser selisihnya dari 53,49 ± 3,15 ms menjadi -3,89 ± 1,56 ms dalam 100 penyajian (Eckhoff dkk., PLOS ONE 2024). Studi fotodioda di awal bagian ini diunggah pada 3 November 2026 dan belum ditinjau sejawat.
5. Drift pada Sesi Panjang: Jam, Kartu Tangkap, dan Pengukuran Sinkronisasi
Selisih statis bisa dikoreksi sekali saja. Drift tidak bisa, karena ia tumbuh seiring waktu. Ketika audio dan video diberi detak jam secara terpisah, kesalahan frekuensi menumpuk selama siaran berjalan. Jam pada batas ±1 ppm dari referensi audio digital Grade 1 (DARS, jam induk yang menetapkan laju sampel audio) bergeser 3,6 ms per jam: 0,000001 x 3.600 detik = 0,0036 s, atau 28,8 ms dalam siaran delapan jam (perhitungan kami dari toleransi Grade 1 pada tabel di bawah). Fasilitas siaran menghindari hal ini dengan mengunci semuanya ke satu referensi, logika yang sama dengan migrasi IP yang kami lacak dalam statistik siaran AoIP, Dante, dan AES67 kami.
Perangkat keras tangkap konsumen lebih longgar. Vendor perangkat lunak LEADTOOLS mendokumentasikan perangkat tangkap yang mulai dengan selisih sinkronisasi 60 hingga 90 ms dan perangkat yang mulai bergeser setelah 8 hingga 24 jam (LEADTOOLS, Timestamp Drifting in Live Capture Situations). Untuk siaran 24/7, drift bukan kasus pinggiran; ia adalah butir pemeliharaan terjadwal.
| Metrik | Nilai | Sumber |
|---|---|---|
| Akurasi frekuensi jangka panjang dari referensi audio digital Grade 1 | Dalam ±1 ppm | ITU-R BS.2032-0 (2013) |
| Drift pada batas ±1 ppm, per jam dan selama 8 jam (perhitungan kami) | 3,6 ms per jam; 28,8 ms per 8 jam | Dihitung dari ITU-R BS.2032-0 (2013) |
| Kartu tangkap yang teramati bergeser setelah penangkapan terus-menerus selama | 8 hingga 24 jam | Dokumentasi LEADTOOLS (pengamatan vendor sendiri) |
| Selisih audio-video awal pada beberapa perangkat tangkap | Sekitar 60-90 ms | Dokumentasi LEADTOOLS (pengamatan vendor sendiri) |
| Selisih stempel waktu pada perangkat tangkap dengan jam yang tidak cocok | Lebih dari 500 ms | Dokumentasi LEADTOOLS (pengamatan vendor sendiri) |
| Akurasi rig pengukur sinkronisasi sumber terbuka BBC (sensor cahaya plus input audio) | Akurasi sekitar satu milidetik | BBC R&D dvbcss-synctiming |
| Contoh toleransi lulus/gagal pada rig BBC, aplikasi layar pendamping dan TV | ±8 ms dan ±23 ms | BBC R&D dvbcss-synctiming |
| Metode transpor untuk sidik jari lip-sync (SDI, UDP lewat IP, transport stream MPEG-2), satu kontainer per frame | 3 | SMPTE ST 2064-2 (2015) |
Catatan konteks: rig BBC memutar video uji dengan kilatan dan bunyi bip lalu mengukur waktunya di layar dan pengeras suara, satu-satunya titik tempat sinkronisasi benar-benar dialami (BBC R&D dvbcss-synctiming). Pendekatan sidik jari SMPTE mengukur perubahan pewaktuan tanpa sinyal uji dengan membandingkan sidik jari yang diambil di hulu dan hilir (SMPTE ST 2064-2:2015).
6. Deteksi Lip-Sync Otomatis: Apa yang Bisa dan Tidak Bisa Ditangkap Mesin
Layanan streaming kini memeriksa sinkronisasi dengan pembelajaran mesin, bukan pemeriksaan acak oleh manusia. Prime Video membangun detektor untuk 18 jenis cacat, termasuk sinkronisasi audio-video, dan menjalankan detektor lip-sync-nya pada klip empat detik yang berpusat pada satu wajah di ribuan kanal dan acara langsung (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). Akurasi pengklasifikasi naik dengan cepat: 96,5% pada dataset LRS2 pada 2024, dibandingkan 75,8% untuk SyncNet asli (Park dkk., Interpretable Convolutional SyncNet, arXiv 2024).
Masalahnya, skor pada tingkat berkas tidak melihat rantai pemutaran. Ho dan Li menemukan skor sinkronisasi SyncNet tidak berkorelasi dengan selisih yang mereka ukur di layar, dan perkiraan selisih dari SyncNet sendiri hanya cocok dengan pengukuran dalam setengah lebar 282,2 ms. Berkas yang bersih tetap bisa diputar tidak sinkron, dan pemeriksaan kedua harus dilakukan pada perangkat.
| Metrik | Nilai | Sumber |
|---|---|---|
| Jenis cacat video yang dicakup detektor Prime Video (termasuk sinkronisasi audio-video) | 18 | Amazon Science (Prime Video) 2022 |
| Basis data kesalahan sinkronisasi audio-video tenis yang dibangun peneliti Amazon | 504.300 frame dari 6 jam video | Ebenezer dkk., ICASSP 2021 (Amazon) |
| Akurasi klasifikasi sinkronisasi, IC-SyncNet pada LRS2 dan LRS3 | 96,5% dan 93,8% | Park dkk., arXiv 2024 |
| Akurasi klasifikasi sinkronisasi, SyncNet asli pada LRS2 | 75,8% | Park dkk., arXiv 2024 |
| Penilaian manusia yang dikumpulkan untuk dataset kualitas sinkronisasi persepsual (100+ jam, 80+ anotator) | 120.000 | Goncalves dkk. (Amazon), PEAVS, ECCV 2024 |
| Korelasi metrik PEAVS dengan penilaian manusia, tingkat set dan tingkat klip | 0,79 dan 0,54 | Goncalves dkk. (Amazon), PEAVS, ECCV 2024 |
| Korelasi antara skor sinkronisasi SyncNet dan besar selisih terukur | r = -0,066 hingga +0,083 | Ho dan Li, Preprints.org 2026 |
Catatan konteks: dalam data PEAVS, baik skor manusia maupun metrik memuncak di atas 4 pada skala 5 poin pada pergeseran audio 45 ms dan turun seiring bertambahnya pergeseran (Goncalves dkk., PEAVS, ECCV 2024). Metode tenis Amazon menandai kesalahan ketika pukulan raket muncul di audio tetapi tidak di video terdekat (Amazon Science, Detection of audio-video synchronization errors via event detection).
Ringkasan: Drift Sinkronisasi Audio-Video (Lip-Sync) Siaran Langsung dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Ambang keterdeteksian rata-rata, suara mendahului dan tertinggal | Sekitar +45 ms hingga -125 ms | ITU-R BT.1359-1 (1998) |
| Lebar jendela sinkroni pada setengah puncaknya, ucapan dan non-ucapan | 357 ms dan 400 ms | Conrey dan Pisoni, JASA 2006 |
| Batas siaran ujung ke ujung, suara sebelum dan sesudah gambar | 40 ms dan 60 ms | EBU R37 (2007) |
| Batas per tahap dalam rantai produksi | 5 ms lebih awal hingga 15 ms lebih lambat | EBU R37 (2007) |
| Batas DTV pada input encoder, mendahului dan tertinggal | 15 ms dan 45 ms | ATSC IS/191, lewat TV Technology 2004 |
| Batas DTV untuk seluruh rantai | +30 ms hingga -90 ms | ATSC IS/191, lewat TV Technology 2004 |
| Ambang deteksi rata-rata untuk audio yang mendahului gerak bibir | 185,19 ms (SD 42,32 ms) | Younkin dan Corriveau, IEEE Transactions on Broadcasting 2008 |
| Ucapan dinilai sinkron, audio mendahului dan visual mendahului | 131 ms dan 225 ms | Conrey dan Pisoni, JASA 2006 |
| Ambang keberterimaan untuk audio mendahului, pembaca berita dan sepak bola Amerika | 200 ms dan 1,3 s | Ebenezer, arXiv 2022 |
| Jendela sinkroni, pendengar muda dan pendengar yang lebih tua | 100 ms dan 250 ms | Gordon-Salant dkk., Frontiers in Psychology 2022 |
| Sensitivitas, pasangan audio mendahului dan pasangan visual mendahului | d prime 1,58 dan 0,98 | Cecere dkk., European Journal of Neuroscience 2016 |
| Median selisih yang sampai ke penonton pada pemutaran video sosok berbicara yang diuji | Suara terlambat 79,2 hingga 210,9 ms | Ho dan Li, Preprints.org 2026 |
| Rentang selisih Microsoft Teams pada lima komputer | -95 ms hingga -20 ms | Pengujian AV-Sync Allion Labs |
| Rentang selisih Zoom pada lima komputer | -92 ms hingga +73 ms | Pengujian AV-Sync Allion Labs |
| Selisih awal kemunculan rata-rata terburuk, headset realitas campuran yang belum dikalibrasi | 156,63 ms | Eckhoff dkk., PLOS ONE 2024 |
| Selisih awal pada beberapa perangkat tangkap | Sekitar 60-90 ms | Dokumentasi LEADTOOLS (vendor) |
| Akurasi pengklasifikasi lip-sync pada LRS2, IC-SyncNet dan SyncNet | 96,5% dan 75,8% | Park dkk., arXiv 2024 |
| Korelasi PEAVS dengan penilaian manusia, tingkat set | 0,79 | Goncalves dkk. (Amazon), ECCV 2024 |
Metodologi dan Sumber
- Rekomendasi 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 dan ambang Bell Laboratories, lewat kolom Randy Hoffner di TV Technology: ATSC Recommends AV Sync Rules (2004) dan A/V Synchronization: How Bad Is Bad? (2003).
- Younkin dan Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey dan Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia dkk., Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere, Gross dan Thut, European Journal of Neuroscience (2016).
- Gordon-Salant dkk., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson dan 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 dan 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 dan 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 dan 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) dan Goncalves dkk., PEAVS, ECCV (2024).
- Park dkk., Interpretable Convolutional SyncNet, arXiv (2024).
- Catatan data: angka keterdeteksian saling bertentangan antar studi. Rekomendasi siaran 1998 menetapkan deteksi audio mendahului sekitar 45 ms, studi Bell Laboratories 35 ms, dan Younkin dan Corriveau rata-rata 185,19 ms; kami melaporkan ketiganya alih-alih memilih satu, dan perbedaan stimulus serta metode kemungkinan menjelaskan kesenjangan tersebut. Konvensi tanda juga berbeda: sebagian besar dokumen siaran dan Allion Labs memakai positif untuk audio lebih dulu, sedangkan studi fotodioda 2026 melaporkan keterlambatan suara sebagai negatif. Halaman Allion Labs tidak mencantumkan tanggal publikasi, dan studi fotodioda (diunggah 3 November 2026) serta studi olahraga Ebenezer adalah pracetak yang belum ditinjau sejawat. Angka LEADTOOLS adalah pengamatan sendiri dari vendor perangkat lunak. Nilai ATSC IS/191 berasal dari pemberitaan TV Technology karena dokumen ATSC itu sendiri tidak dapat diakses. Angka drift 3,6 ms per jam adalah perhitungan kami dari toleransi ±1 ppm, bukan nilai terukur. Sebagian besar data ambang dan toleransi berusia lebih dari tiga tahun dan ditandai sebagai data terbaru yang tersedia.
Terakhir diperbarui: 6 November 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika versi yang telah ditinjau sejawat dari studi fotodioda November 2026 tentang lip-sync yang sampai ke penonton dipublikasikan.