放送のトークバックとIFB遅延の統計(2026年):リップシンクの限界、自己モニタリング遅延、リモートプロダクション回線に関する40以上のデータポイント

放送のトークバックとIFB遅延の統計2026:自分の声が20〜30 ms遅れて聞こえると妨害的と評価され、静止衛星(GEO)回線は最大281 msを加える。

自分の声がわずか25〜30ミリ秒遅れて聞こえるだけで、音読している人は「妨害的」と評価する。これはEar and Hearingに掲載された32人を対象とする研究の結果であり、生放送テレビで出演者のイヤピースへの音声が、出演者自身の声を除く方式で組まれている理由を大きく説明する数字だ。映像側も同様に厳しく評価される。EBUは、放送向けのあらゆる出力点で、音声が映像より40 ms以上進まず、60 ms以上遅れないことを求めている。一方で制作そのものは会場から離れつつあり、パリ2024オリンピックで予約されたリモートサービスの3分の2は、衛星ではなくクラウドプラットフォームで伝送された。本稿では、ITU、EBU、ATSC、Ear and HearingやPLoS ONEに掲載された聴覚研究、BBC R&D・ストラスクライド大学・TV2による現場研究、AIMS、IFIP NetworkingのStarlink測定、Haivisionの2026年業界調査のデータをまとめた。生放送の実況における放送側の音声については、関連記事eスポーツ実況者のコメンタリー放送音声をご覧ください。

本稿では2つの用語が繰り返し登場する。トークバック(インターカム、コムとも呼ばれる)は、コントロールルーム(英国の放送局ではギャラリーと呼ぶ)とクルーとの間の非公開の音声チャンネルだ。IFBは、interruptible foldback(割り込み可能なフォールドバック)の略で、出演者のイヤピースに送られる音声であり、通常は番組音声で、プロデューサーが割り込んで指示を出せる。この音声は通常ミックスマイナス(mix-minus)、つまり出演者本人の声を除いた全体のミックスであり、遅れて戻ってきた自分の声を聞かずに済む。

主なポイント

  • 視聴者は、音声と映像のタイミングのずれを、およそ+45 ms(音声が早い)から-125 ms(音声が遅い)で検知し始める(ITU-R BT.1359-1、1998年)。
  • 放送向けのあらゆる出力点で、音声は映像より40 ms以下の進み、60 ms以下の遅れでなければならない(EBU R37-2007)。
  • デジタルテレビのエンコーダ入力では、音声は15 msを超えて進んではならず、45 msを超えて遅れてもならない(ATSC IS-191)。
  • 音読中、32人の参加者は自分の声の25〜30 msの遅延を妨害的と評価した(Stone and Moore、Ear and Hearing 2002)。
  • 自分の声が遅れていることに気づく閾値はおよそ100 msで、SDは66.54 msだった(Yamamoto and Kawabata、PLoS ONE 2011)。
  • 現行のDECT方式トークバックは、ワイヤレスベルトパックまで40 ms未満、ベルトパック間で70 ms未満に達する(BBC R&D、ストラスクライド大学、TV2、IBC2024)。
  • SMPTE ST 2110-30のレベルBとCは125マイクロ秒の音声パケットを使い、レベルAは1 msである(AIMS、AES67とST 2110-30の紹介)。
  • StarlinkのTLSハンドシェイク遅延の中央値は、2024年でおよそ80 msだった(Richter、Ververis、Bajpai、IFIP Networking 2025)。
  • 調査対象の1,300人を超える専門家のうち41%が、リモートプロダクションを2026年の最大の技術的優先事項に挙げた(Haivision Broadcast Transformation Report 2026)。
  • パリ2024で54の放送局が予約したリモートサービスの3分の2が、OBS Live Cloudを使用した(Olympic Broadcasting Services、2024年)。

1. リップシンクの許容範囲:放送規格が認めるもの

トークバックとIFBに関するあらゆる判断は、視聴者が気づかないうちに監視している映像タイミングの許容枠の内側にある。重要なのは非対称性だ。視聴者は、音声が遅れて届く場合(気づくまで約-125 msまで)のほうが、早く届く場合(約+45 ms)よりもはるかに寛容である。これは、出来事の映像が音より先に届くという日常の経験と一致するパターンだ。これらの規格では、正の数は音声が映像より進んでいること、負の数は遅れていることを意味する。

規格はさらに、この知覚上の許容枠を制作チェーン全体に配分している。EBUの数値は、唇の動きと発話の不一致が観察者の50%に知覚可能になる点を調べる主観評価試験から定められており、EBUは個々の段階ごとに、早い側5 msから遅い側15 msまでしか求めていない。これは、多くの段階の誤差が積み重なって、エンドツーエンドの上限を超えないようにするためだ。ATSCはエンコーダ入力でさらに厳しくした。チェーンの後半、つまりエンコーダから受信機までの区間も、視聴者の許容範囲に収まる必要があるからだ。

指標値出典
音声と映像のタイミング誤差の検知閾値(正の値 = 音声が映像より進む)約+45 ms〜-125 msITU-R BT.1359-1 (1998)
音声と映像のタイミング誤差の許容閾値約+90 ms〜-185 msITU-R BT.1359-1 (1998)
最終的な番組ソース選択点(例:マスターコントロール)から送信機入力までに許容されるタイミング誤差+22.5 ms〜-30 msITU-R BT.1359-1 (1998)
放送向けのあらゆる出力点でのエンドツーエンドの上限:音声が映像より先 対 音声が映像より後40 ms以下 対 60 ms以下EBU R37-2007
番組チェーンの各段階で求められる精度音声は5 ms早い側から15 ms遅い側までEBU R37-2007
デジタルテレビのエンコード機器の入力での音声タイミング早い側は15 ms、遅い側は45 msまでATSC IS-191、TV Technology報道、2004年1月7日
デジタルテレビシステム全体のエンドツーエンドの範囲+30 ms〜-90 msATSC IS-191、TV Technology報道、2004年

文脈に関する注記:これらの文書は古いが、現在も実務上の基準である。入手可能な最新データ:勧告BT.1359-1(1998年)、R37(1986年に初版、2007年に再発行)、ATSC IS-191(2004年に報道)。R37の本文は、HD制作では特に注意が必要だと述べているため、これらの上限は目標ではなく天井として読むべきだ。

2. 自分の声が遅れて聞こえる:自己モニタリング遅延の閾値

IFBの設計を形づくる数字がこれだ。補聴器の研究は、話者が自分の遅れた声にどう反応するかについて最も統制された証拠であり、狭い範囲に収束している。遅延は20〜30 msのどこかで妨害的になり、発話そのものが崩れるはるか前である。出演者にとって、ミックスマイナスは気の利いた工夫ではなく必須ということだ。出演者の声をコーデック、ネットワーク、リターン音声経由で戻す経路は、この閾値を何倍も超えてしまう(セクション5の衛星の片道の数値と比較されたい)。

2つ目の知見は、遅延に気づくことと、それに悩まされることは別物だということだ。ヘッドホンを用いた小規模な実験では、自分の声が遅れていることを確実に感じ取れたのは約100 msからだったが、妨害を扱った研究では不快感はその何分の一かで生じるとされている。順応は少し役立つが、それは数分から1時間後のことであり、生放送のゲストにはその時間がない。スタジオ内のモニタリングを扱う制作者は、コンピュータの音声バッファでも同じ算術を目にするはずで、これは関連記事DAWバッファサイズと音声遅延で扱っている。

指標値出典
自分の声のエコーが妨害的と評価された遅延(軽度から中等度の難聴を模擬した、聴力正常者20人)20〜30 msStone and Moore, Ear and Hearing 1999
リアルタイムのデジタル補聴器を通した音読、参加者32人(男性16人、女性16人):妨害的と評価された遅延 対 発話産出の指標が変化した遅延25〜30 ms 対 30 ms超Stone and Moore, Ear and Hearing 2002
難聴のある話者25人:評価3(おそらくぎりぎり許容できる)となった遅延範囲と、ある程度の順応が起きた時間14〜30 ms、約1時間Stone and Moore, Ear and Hearing 2005
ヘッドホン経由で0〜200 msの遅延を与えたとき、遅れた自分の声が同時と感じられた点(21〜24歳の成人6人が単一の声の音を繰り返した)98.41 ms(SD 66.54 ms)、検知閾値はおよそ100 msYamamoto and Kawabata, PLoS ONE 2011
同じ研究:0、66、133 msの遅延に3分間順応した後の、同時と感じられた点67.60、92.23、112.10 ms(F(2,10) = 15.80、p < 0.001)Yamamoto and Kawabata, PLoS ONE 2011
聴力正常者20人と難聴者20人で、7段階の尺度で不快感を評価した処理遅延の試験最大50 ms、3つの音声条件のうち2つで、難聴者のほうが有意に許容度が高いGoehring, Chapman, Bleeck and Monaghan, International Journal of Audiology 2018

文脈に関する注記:標本は小規模で限定的であり(聴力正常の成人、難聴のある話者、21〜24歳の若い成人6人)、遅延は補聴器のプロセッサまたはヘッドホンによって作り出されたもので、参加者のなかに放送の出演者はいなかった。入手可能な最新データ:Stone and Moore、1999〜2005年、Yamamoto and Kawabata、2011年、Goehringら、2018年。

3. トークバック、IFB、インターカムの遅延許容枠

生制作に関わる人々は、それぞれまったく異なる遅延の許容枠の中で働いている。演奏者のインイヤーモニターに必要なのは約4 ms、ワイヤレスのトークバック用ベルトパック(ベルトに装着するインターカム機器)を使うクルーは数十ミリ秒でも作業でき、リモートのスイッチャー(カメラを切り替える担当者)は、会場の誰も結果をリアルタイムで見る必要がない限り、半秒以上でも許容できる。許容枠が違うのは、フィードバックループが違うからだ。歌手は自分の声を聞くが、カメラマンが聞くのは指示だけである。

IFBが番組全体のリターンではなくミックスマイナスとして設計されるのも、同じ理由による。コントリビューションループに関する2004年の国際報告書は、エコーをループの外に保つ運用慣行として、フォールドバックへのミックスマイナスまたはクリーンフィードの使用、マイクが開いているときのフォールドバックのミュート、密閉型ヘッドホンまたはインイヤーモニタリングを挙げている(ITU-R Report BT.2044)。音声が重要な別のネットワークとの比較として、初動対応者向けのプッシュ・トゥ・トークの無線も同様の許容枠で動いており、関連記事ミッションクリティカルなプッシュ・トゥ・トークの遅延で扱っている。

指標値出典
演奏者のインイヤーモニターの遅延目標 対 現在使用されているワイヤレスマイクとインイヤーモニターの片道遅延4 ms 対 3 ms未満BBC R&D, University of Strathclyde and TV2, IBC2024
デジタル(DECT)制作用トークバック:基地局からワイヤレスベルトパック 対 ベルトパックからベルトパック40 ms未満 対 70 ms未満BBC R&D, University of Strathclyde and TV2, IBC2024
Clear-Com FreeSpeak Edge 5 GHzベルトパック:音声遅延 対 ベルトパックからベルトパック35 ms未満 対 60 ms(製造元自身の主張)Clear-Com FSE-BP50データシート、2023年8月改訂
ほとんどの音声用途と非音声用途で、実質的に透過的な対話性が得られる口から耳までの遅延の上限(400 msは一般的なネットワーク計画の天井)150 msITU-T G.114 (2003)
オペレーターの入力から応答までの遅延:精度と速度が低下する点 対 操作感が大幅に低下する点約100 ms 対 300 ms超BBC R&D, University of Strathclyde and TV2, IBC2024
会場へのリターン映像が不要な場合に、リモートのスイッチャーのオペレーターが許容できるカメラからスイッチャーまでの遅延600 ms超BBC R&D, University of Strathclyde and TV2, IBC2024

外れ値に関する注記:150 msという電話の数値は会話の基準であり、IFBの基準ではない。出演者が自分の声を聞く場合は20〜30 msで反応する(セクション2)のに対し、回線越しに話す2人は約5倍まで許容する(150 ms 対 30 ms)。

4. AoIPトランスポート:AES67とSMPTE ST 2110-30のタイミング

建物内では、トランスポートそのものはもはやボトルネックではなくなった。IPオーディオ(AoIP)規格はパケット時間をミリ秒以下で定義しており、1 msのパケット時間と125マイクロ秒のパケット時間のどちらを選ぶかは、今や技術の限界ではなく設定上の判断だ。本当の遅延は別のところにある。コーデック、バッファ、長距離回線である(セクション5)。

2つ目の話は相互運用性だ。独自方式のAoIPシステムはそれぞれ独自のディスカバリ、クロック同期、ストリーム形式を使っていたため、あるベンダーのトークバックマトリクスが別のベンダーのコンソールを単純に購読することはできなかった。AES67は共通の動作モードを定め、SMPTE ST 2110-30は放送向けにそれをさらに絞り込む。これにより、IPインターカムのパネルやベルトパック基地局が、カメラやコンソールとネットワークを共有できる。この移行がどこまで進んだかは、関連記事AoIP、Dante、AES67によるスタジオ移行で扱っている。

指標値出典
AES67の初公開とその後の更新2013年、2015年と2018年に更新AIMS, Introduction to AES67 and its relationship with SMPTE ST 2110-30
SMPTE ST 2110スイート:最初に公開された部分2017年12月AIMS、AES67とST 2110-30の紹介
ST 2110-30の主要な動作点(レベルA):パケット時間と1ストリームあたりのチャンネル数1 ms、2チャンネルと8チャンネルAIMS、AES67とST 2110-30の紹介
ST 2110-30のレベルBとC:パケット時間と1ストリームあたりの最大チャンネル数125マイクロ秒、最大8(レベルB)と最大64(レベルC)AIMS、AES67とST 2110-30の紹介
AES67互換モード:共通の音声形式24ビットリニア(L24)、1ストリームあたり最大8チャンネル、48 kHzAIMS、AES67とST 2110-30の紹介
AES67モード以前のネイティブなストリーム上限:Dante 対 RAVENNA1フローあたり最大4チャンネル 対 1ストリームあたり最大64チャンネルAIMS、AES67とST 2110-30の紹介

文脈に関する注記:AIMS(Alliance for IP Media Solutions)は、これらの規格を基盤にロードマップを組んでいる業界団体である。上記の数値は規格に定められた設計パラメータであり、特定の設備を現場で測定した結果ではない。

5. コントリビューション回線:衛星、プライベート5G、セルラー、LEO

信号が建物を出ると、物理法則とコーデックが主役になる。静止衛星1ホップは、距離だけで片道およそ239〜281 msを追加する。これは、話者が自分の遅れた声を妨害的と感じる20〜30 msの約10倍にあたる(セクション2)。放送品質の音声符号化は、さらに170〜400 msを加えることがある。同じ2004年の報告書は、コントリビューションループの両半分が同一であることはまれだと指摘している。放送局は一般に、番組ラインには高品質の回線を、フォールドバックラインにはそれより低品質の回線を使い、映像回線でも音声のみのフォールドバックを送ることが多い。

新しい選択肢は遅延を減らす一方で、ばらつきを増やす。Starlinkのような低軌道(LEO)衛星サービスは、遅延の中央値を約80 msまで下げたが、遅延には2つの明確なまとまりがあり、パケット損失は隣接する国の間で10倍以上も異なった。プライベート5Gネットワークは、制作映像を総遅延およそ80〜105 msで伝送できる一方、セルラーボンディング(1台のカメラ映像を複数の公衆モバイル網に同時に送る方式)を使うニュースクルーは最大2秒を受け入れ、その結果、生の双方向会話を諦めている。

指標値出典
距離だけによる静止衛星経路の遅延:衛星が真上にある場合 対 水平線上にある場合約239 ms 対 約281 msITU-R Report BT.2044 (2004)
音声符号化の遅延:放送品質のMPEG AAC 対 低遅延のAAC-LD170〜400 ms 対 約60 msITU-R Report BT.2044 (2004)
2024年のStarlink TLSハンドシェイク遅延の中央値(RIPE Atlas、プローブ146台)と、第2の遅延のまとまり約80 ms、第2のまとまりは約150〜250 msRichter, Ververis and Bajpai, IFIP Networking 2025
Starlinkのパケット損失、2022年1月〜2024年6月:ドイツ 対 オーストリア10.52% 対 0.73%Richter, Ververis and Bajpai, IFIP Networking 2025
テストした10構成でのプライベート5G上りの伝送時間(特記なき限り20 Mb/s):平均の範囲 対 最大値の範囲6.4〜13.8 ms 対 10.2〜53.6 msBBC R&D, University of Strathclyde and TV2, IBC2024
映像遅延、エンコーダ入力からデコーダ出力まで:プライベート5Gの一般的な値 対 最適化後、DVB-T COFDM方式のワイヤレスカメラ回線との比較約100〜105 ms 対 80 ms 対 通常約50 msBBC R&D, University of Strathclyde and TV2, IBC2024
公衆モバイル網でボンディングされたニュース素材伝送が許容する映像遅延最大2秒BBC R&D, University of Strathclyde and TV2, IBC2024

外れ値に関する注記:Starlinkの数値はルートサーバーまでのTLSハンドシェイク時間であり、片道の音声経路ではない。また著者らは、自分たちの結果が80 msをはるかに下回る中央値を報告した以前の研究と食い違うと述べている。5Gの結果は単一セルのプライベートネットワークによるもので、著者らは、セルのハンドオーバーでデータが約20 ms中断されると付け加えている。衛星とコーデックの遅延に関する入手可能な最新データ:Report BT.2044、2004年。

6. リモートプロダクションとクラウドの導入

導入の数字を見ると、遅延の数字が年々重要になっている理由がわかる。リモートプロダクション(しばしばREMI、リモートインテグレーションモデルの略で呼ばれる。カメラとマイクは会場に置き、ギャラリーとクルーは別の場所にいる)は、トークバックのループを中継車内のケーブルから広域ネットワークへと移す。調査対象の1,300人を超える専門家のうち41%が、リモートプロダクションを2026年の最大の技術的優先事項に挙げ、生の素材伝送にセルラー網を使う割合は1年で46%から54%に上昇した。

最大規模の生制作はすでに転換している。パリ2024では、予約されたリモートサービスの3分の2がクラウド上で稼働し、1964年の東京大会で導入された衛星に取って代わった。ただし、調査データには注意が必要だ。以下の2つの調査はどちらも回答者が自ら参加したものであり、規模の大きいほうは素材伝送機器のベンダーが実施している。

指標値出典
リモートプロダクションを2026年の最大の技術的優先事項に挙げた回答者(1,300人超)41%Haivision Broadcast Transformation Report 2026、SVG報道、2026年3月(ベンダー調査)
生の映像素材伝送にセルラー網を使う回答者、2026年版 対 2025年版54% 対 46%Haivision Broadcast Transformation Report 2026(ベンダー調査)
光ファイバーのバックアップとしてセルラー網を使う回答者61%Haivision Broadcast Transformation Report 2026(ベンダー調査)
SRTトランスポートプロトコルを使う回答者、2020年版 対 2026年版47% 対 78%Haivision Broadcast Transformation Report 2026(ベンダー調査)
クラウド制作ツールを導入している放送・メディア専門家(自ら参加した読者312人、2024年11月〜2025年1月)60%NewscastStudio業界調査、2025年2月
クラウド制作の主な障壁:コスト 対 ワークフローの複雑さ 対 セキュリティ上の懸念33% 対 25% 対 17%NewscastStudio業界調査、2025年
パリ2024:OBS Live Cloudを使った予約済みリモートサービスの割合3分の2、54の放送局にわたるOlympic Broadcasting ServicesとAlibaba Cloud、TV Technology報道、2024年
パリ2024でOBS Live Cloudを通じて伝送された素材 対 北京2022でサービスが標準化された時点の契約放送局数映像379本(UHD 11本、HD 368本)と音声100本 対 22の放送局Olympic Broadcasting Services、TV Technology報道、2024年

文脈に関する注記:OBSの割合は、権利を持つすべての放送局ではなく、予約されたリモートサービスを数えたものであり、数値は大会の開始時に発表されたもので、事後に測定されたものではない。

数字で見る放送のトークバックとIFB遅延(まとめ)

指標値出典
音声と映像のタイミング誤差の検知閾値約+45 ms〜-125 msITU-R BT.1359-1 (1998)
音声と映像のタイミング誤差の許容閾値約+90 ms〜-185 msITU-R BT.1359-1 (1998)
放送向けのあらゆる出力点でのエンドツーエンドのリップシンク上限(音声が映像より先 対 後)40 ms以下 対 60 ms以下EBU R37-2007
デジタルテレビのエンコーダ入力での音声タイミング早い側は15 ms、遅い側は45 msまでATSC IS-191(2004年報道)
音読中に妨害的と評価された自分の声の遅延(32人)25〜30 msStone and Moore, Ear and Hearing 2002
おそらくぎりぎり許容できると評価された自分の声の遅延範囲(難聴のある話者25人)14〜30 msStone and Moore, Ear and Hearing 2005
遅れた自分の声に気づく閾値(6人)約100 ms(SD 66.54 ms)Yamamoto and Kawabata, PLoS ONE 2011
聴力正常者20人と難聴者20人で試験した処理遅延最大50 msGoehringら、International Journal of Audiology 2018
演奏者のインイヤーモニターの遅延目標4 msBBC R&D, University of Strathclyde and TV2, IBC2024
DECTトークバックの遅延:ベルトパックまで 対 ベルトパック間40 ms未満 対 70 ms未満BBC R&D, University of Strathclyde and TV2, IBC2024
ワイヤレスベルトパックの音声遅延、製造元自身の主張35 ms未満Clear-Com FSE-BP50データシート、2023年
ST 2110-30のパケット時間:レベルA 対 レベルBとC1 ms 対 125マイクロ秒AIMS、AES67とST 2110-30の紹介
2024年のStarlink TLSハンドシェイク遅延の中央値約80 msRichter, Ververis and Bajpai, IFIP Networking 2025
ドイツのStarlinkパケット損失、2022年1月〜2024年6月10.52%Richter, Ververis and Bajpai, IFIP Networking 2025
2026年の最大の技術的優先事項に挙げられたリモートプロダクション41%Haivision Broadcast Transformation Report 2026(ベンダー調査)
クラウド制作ツールを導入している専門家60%NewscastStudio業界調査、2025年
パリ2024でOBS Live Cloudを使った予約済みリモートサービス3分の2、54の放送局にわたるOlympic Broadcasting Services、2024年

方法論と出典

最終更新日:2026年11月8日。当社はこのまとめを四半期ごとに更新しており、次回の更新はHaivisionが2027年版のBroadcast Transformation Reportを発表する時期を予定している。

VoxBoosterを試す — 3日間無料。

リアルタイム音声クローン、サウンドボード、エフェクト — 会話するすべての場所で。

  • カード不要
  • ~30msのレイテンシ
  • Discord · Teams · OBS
3日間無料で試す