視聴者は映像のわずか45 ms前に届く音声に気づく一方で、映像の後に届く音声は最大125 msまで許容する。 これは、音声と映像のタイミングに関する国際的な放送勧告(ITU-R BT.1359-1, 1998)の根拠となった、非対称な検知ウィンドウである。実際の再生チェーンは、この範囲から外れることが多い。2026年11月のフォトダイオード研究では、24通りのプレーヤーと解像度の組み合わせで音声遅延の中央値が79.2〜210.9 msと測定され、最大88.4%の試行が検知閾値を超えていた(HoとLi, Preprints.org 2026)。許容度は画面に映るものにも左右され、許容閾値はニュースキャスターの200 msからアメリカンフットボールの1.3秒まで幅がある(Ebenezer, arXiv 2022)。リップシンクのドリフト(口が動くタイミングと、その音が聞こえるタイミングの差)は、当社のクローズドキャプションの遅延と精度の統計で扱った字幕のタイミングとは別の問題である。EBU、ATSC、SMPTE、IEEE Transactions on Broadcasting、Journal of the Acoustical Society of America、PLOS ONE、Allion Labs、Amazon Science、そのほか十数件の一次情報源からデータを集計した。
主なポイント
- 平均検知閾値:音声先行約45 msから音声遅延125 msまで(ITU-R BT.1359-1, 1998)。
- 欧州の放送上限:エンドツーエンドで、音声が映像より先で40 ms、後で60 ms(EBU R37, 2007)。
- 米国のデジタルテレビ向けガイダンス(エンコーダー入力):音声先行は15 ms以内、音声遅延は45 ms以内(ATSC IS/191, TV Technology 2004の報道による)。
- Intelの実験室試験における音声先行の平均検知閾値:185.19 ms、SD 42.32 ms(YounkinとCorriveau, IEEE Transactions on Broadcasting 2008)。
- 音声先行131 msから映像先行225 msまでの発話が同期していると判断された(ConreyとPisoni, JASA 2006)。
- 音声が映像に先行する場合の許容閾値:ニュースキャスターは200 ms、アメリカンフットボールは1.3秒(Ebenezer, arXiv 2022)。
- 検証した話者の顔の動画再生で実際に届いたずれの中央値:すべてのセルで音声が79.2〜210.9 ms遅れ(HoとLi, Preprints.org 2026)。
- Zoomは5台のコンピューターで、映像先行92 msから音声先行73 msの範囲で測定された(Allion LabsのAV-Syncテスト)。
- 未較正の複合現実ヘッドセットにおける、音声と映像の開始時刻のずれの平均の最悪値:156.63 ms(Eckhoff ら, PLOS ONE 2024)。
- 英語を母語とする話者に対する同期ウィンドウ:聴力が正常な若年の聴取者で100 ms、高齢の聴取者で250 ms(Gordon-Salant ら, Frontiers in Psychology 2022)。
- LRS2データセットにおけるリップシンク分類器の精度:IC-SyncNetは96.5%、元のSyncNetは75.8%(Park ら, arXiv 2024)。
1. 検知閾値:視聴者がリップシンクのずれに気づくとき
80年にわたる研究を通じて最も一貫している知見は、非対称性である。早く届いた音声は、遅れて届く音声が必要とするずれの約3分の1で検知される。ITU-R BT.1359-1勧告がまとめた主観評価試験(視聴者がクリップを評価する試験)では、音声先行約45 msに対して音声遅延125 msだった。この偏りは自然界で説明できる。光は音より速く進み、自然な発話では声より先に口が動き始める。Venezia らが分析した発話刺激では、口の閉鎖が音声より163 ms先行しており、脳はすでに遅れた音声を受け入れるように訓練されている。
研究間のばらつきも、平均値と同じくらい重要である。1940年代のBell Laboratoriesの研究は、検知を先行35 ms、遅れ100 msとしたが、Intelの音声先行エラーの実験室試験では、平均185.19 msとはるかに緩い値が得られた(YounkinとCorriveau, IEEE Transactions on Broadcasting 2008)。実用上の読み方はこうだ。閾値は母集団全体の平均であり、最も敏感な視聴者はその内側のかなり手前にいる。平均に合わせて設計された配信でも、視聴者の一部には不快感が残る。
| 指標 | 値 | 出典 |
|---|---|---|
| 平均検知閾値、音声が映像に先行する場合と遅れる場合 | 約+45 msから-125 ms | ITU-R BT.1359-1 (1998) |
| 初期のBell Laboratories研究における検知閾値、音声先行と音声遅延 | 35 ms超の先行、または100 ms超の遅れ | Bell Laboratoriesの研究、TV Technology (Hoffner) 2003で報告 |
| 音声が唇の動きに先行する場合の平均検知閾値 | 185.19 ms(SD 42.32 ms) | YounkinとCorriveau, IEEE Transactions on Broadcasting 2008 |
| 同期していると判断された発話、音声先行の最大値と映像先行の最大値(成人30人) | 音声先行131 msから映像先行225 ms | ConreyとPisoni, JASA 2006 |
| 同期していると判断された非発話(閃光と音)、音声先行と映像先行 | 音声先行153 msから映像先行247 ms | ConreyとPisoni, JASA 2006 |
| ピークの半分の高さにおける同期ウィンドウの幅、発話と非発話 | 357 ms対400 ms | ConreyとPisoni, JASA 2006 |
| 発話に対する検知閾値、映像が音声に先行する場合と音声が映像に先行する場合 | 258 ms対131 ms | Dixon と Spitz 1980、Venezia ら, Attention, Perception, and Psychophysics 2016で引用 |
| ハンマーが杭を打つ場面の検知閾値、映像先行と音声先行 | 188 ms対75 ms | Dixon と Spitz 1980、Venezia ら 2016で引用 |
文脈の注記:ConreyとPisoniは、同期ウィンドウの中心が、発話でも非発話でもゼロではなく映像先行47 msにあることを見いだした(ConreyとPisoni, JASA 2006)。Venezia らのレビューは、追試を通じて同じパターンをたどっている。母集団の閾値に関する入手可能な最新データ:YounkinとCorriveau 2008。放送のリップシンクについて、これより新しい大規模サンプルの閾値研究は、当社の調査では見つからなかった。
2. 放送の許容値と同期バジェット
知覚研究は視聴者がどこで気づくかを教え、規格はチェーンの各部分がそのマージンをどれだけ使ってよいかをエンジニアに教える。際立っているのは、エンジニアリング上の限界が知覚の限界よりはるかに厳しいことだ。EBU R37は各段階に先行5 ms、遅れ15 msしか認めておらず、チェーン全体はエンドツーエンドで先行40 ms、遅れ60 msの上限内に収まらなければならない(EBU R37, 2007)。EBUは、これらの上限が、観察者の50%がリップシンクの不具合に気づく遅延に基づいていると述べている。
米国はさらに厳しくした。ATSCの実装小委員会は、1998年の国際的な上限ではデジタルテレビには不十分と判断し、エンコーダーに入る音声が映像に15 msを超えて先行せず、45 msを超えて遅れないよう求めた(TV Technology, ATSC Recommends AV Sync Rules, 2004)。比較として、旧来のNTSCの経験則は+1フレームと-2フレーム、つまり+33 msと-66 msだった。1998年の勧告は自らのバジェットも分割しており、放送事業者の管理外の区間には±2 msしか割り当てていない。
| 指標 | 値 | 出典 |
|---|---|---|
| 音声と映像の全体の許容値(平均許容閾値でもある) | +90 msから-185 ms | ITU-R BT.1359-1 (1998) |
| バジェットの分割:カメラソースからゼロ基準点(スタジオのタイミング基準)まで、とゼロ基準点から送信機入力まで | +25 / -100 ms対+22.5 / -30 ms | ITU-R BT.1359-1 (1998) |
| 送出を目的とする任意の出力におけるエンドツーエンドの上限、音声が映像より先と後 | 40 ms対60 ms | EBU R37 (2007) |
| 制作チェーンの個々の段階ごとの上限 | 先行5 msから遅れ15 ms | EBU R37 (2007) |
| エンコーダー入力における音声のデジタルテレビ上限、先行と遅れ | 15 ms対45 ms | ATSC IS/191、TV Technology 2004の報道による |
| チェーン全体のデジタルテレビ上限、音声先行と音声遅延 | +30 msから-90 ms | ATSC IS/191、TV Technology 2004の報道による |
| IPTVの体感品質(QoE)上限、音声先行と音声遅延(暫定、標準画質) | 最大15 ms対45 ms | ITU-T G.1080 (2008) |
| アナログNTSCの経験則(フレームとミリ秒) | +1 / -2フレーム(+33 / -66 ms) | TV Technology (Hoffner) 2004 |
例外の注記:これらの文書は古いが、今も有効である。音声と映像に関する勧告は1998年11月30日に、IPTV品質に関する勧告は2008年12月7日に承認され、どちらも有効なものとして掲載されている。入手可能な最新データ:EBU R37, 2007。
3. コンテンツの種類と視聴者:誰がどれだけ許容するか
話している顔は、配信が直面しうる最も厳しいテストである。45本のクリップを使った視聴者20人の研究では、音声が映像に先行する場合の許容閾値は、ニュースキャスターで200 ms、アメリカンフットボールで1.3秒だった(Ebenezer, arXiv 2022)。引きのスポーツ映像には、タイミングの基準となる鋭い視聴覚イベントが少ない。そのため、配信者のフェイスカメラが画面に映るゲーム配信やスポーツ配信は、より厳しい顔基準で判断される。
視聴者の特性も影響する。英語を母語とする話者の場合、高齢の聴取者は若年成人の少なくとも2倍の幅の同期ウィンドウ(同時と知覚されるずれの範囲)を示すが、信号がずれているときには、そのエラーに気づかなくても、発話の認識が低下する(Gordon-Salant ら, Frontiers in Psychology 2022)。ウィンドウが広いことは免疫があることとは違う。同期エラーは、苦情として報告されることがないまま、理解度を損なうことがある。
| 指標 | 値 | 出典 |
|---|---|---|
| 音声が映像に先行する場合の許容閾値、ニュースキャスターのクリップ | 200 ms | Ebenezer, arXiv 2022 |
| 音声が映像に先行する場合の許容閾値、クリケットのクリップ | 500 ms | Ebenezer, arXiv 2022 |
| 音声が映像に先行する場合の許容閾値、サッカーとテニスのクリップ | 1秒 | Ebenezer, arXiv 2022 |
| 音声が映像に先行する場合の許容閾値、アメリカンフットボールのクリップ | 1.3秒 | Ebenezer, arXiv 2022 |
| 英語を母語とする話者に対する同期ウィンドウ、聴力が正常な若年の聴取者と高齢の聴取者(各群17人) | 100 ms対250 ms | Gordon-Salant ら, Frontiers in Psychology 2022 |
| 同期ウィンドウの典型的な幅、映像先行ペアと音声先行ペア | 200-250 ms対100-150 ms | Cecere ら, European Journal of Neuroscience 2016 |
| 基準感度スコア(d prime、高いほど検知力が高い)、音声先行ペアと映像先行ペア、成人30人 | 1.58対0.98 | Cecere ら, European Journal of Neuroscience 2016 |
| 2026年の雑音下発話の非同期研究の参加者数、人工内耳ユーザーと通常の聴力の成人(ずれは最大400 ms) | 15対31 | Salagovic ら, Journal of Speech, Language, and Hearing Research 2026 |
文脈の注記:Cecere らの感度差は統計的に頑健だった(F(1,27) = 37.10, p < 0.0001)(Cecere ら, European Journal of Neuroscience 2016)。2026年の研究では、どちらの群でも聞き取りやすさは同期の近くでピークに達し、人工内耳ユーザーは非同期が大きくなるにつれてより大きな低下を示した(Salagovic ら, JSLHR 2026)。スポーツの研究はプレプリントであり、3年以上前のものである。入手可能な最新データ:Ebenezer, 2022。
4. プレーヤー、通話アプリ、ヘッドセットで実測されたずれ
規格は、各機器が自らの遅延を報告し補正することを前提としている。測定は、その前提が崩れていることを示している。話者の顔を映す4つの動画システム、3つのプレーヤー、2つの解像度を対象に、2026年11月に行われたフォトダイオードとライン出力の研究では、24セルのすべてで音声が遅れており、ずれの中央値は79.2〜210.9 msで、3,637回の試行のうち60.9%〜88.4%が放送の検知閾値を超えていた(HoとLi, Preprints.org 2026)。チャンネル間の測定自体の不確かさは0.0144 msだったため、誤差は測定器ではなく再生チェーンにある。
通話アプリや配信アプリのずれは、ゼロの両側にばらつく。1台のUSBウェブカメラを5台のコンピューターで使ったAllion Labsの試験では、同じアプリが、あるマシンでは先行し、別のマシンでは遅れることがあった(Allion LabsのAV-Syncテスト)。そのため、当社のWebRTC音声パケットロス隠蔽の統計で扱ったパケットレベルの修正だけでは、リップシンクを保証できない。同期はエンドポイントで決まるからだ。配信者がマイク経路に加えるあらゆる処理段階は、ノイズ抑制からOBSのボイスチェンジャーまで、そのバジェットに独自の遅延を加える。EBU R37が各段階に個別にバジェットを割り当てているのはそのためである。
| 指標 | 値 | 出典 |
|---|---|---|
| 24通りのプレーヤーと解像度のセル全体で実際に届いた音声と映像のずれの中央値(負の値は音声遅延を意味する) | -210.9 msから-79.2 ms | HoとLi, Preprints.org 2026 |
| 放送の検知閾値を超えた試行の割合、セル全体の範囲 | 60.9%から88.4% | HoとLi, Preprints.org 2026 |
| 放送の許容閾値を超えた試行の割合、セル全体の範囲 | 31.6%から59.4% | HoとLi, Preprints.org 2026 |
| Zoom、5台のコンピューター全体の範囲(正の値は音声が先を意味する) | -92 msから+73 ms | Allion LabsのAV-Syncテスト(日付なし) |
| Microsoft Teams、5台のコンピューター全体の範囲 | -95 msから-20 ms | Allion LabsのAV-Syncテスト(日付なし) |
| Twitch、4台のコンピューター全体の範囲 | -90 msから+32 ms | Allion LabsのAV-Syncテスト(日付なし) |
| Google Meet、5台のコンピューター全体の範囲 | -100 msから+42 ms | Allion LabsのAV-Syncテスト(日付なし) |
| 未較正の複合現実ヘッドセットにおける、音声と映像の開始時刻のずれの平均の最大値、ジッターの上限つき | 156.63 ms、ジッターは最大±11.82 ms | Eckhoff ら, PLOS ONE 2024 |
文脈の注記:較正は効果がある。Varjo XR-3で映像を遅延させると、100回の提示にわたってそのずれが53.49 ± 3.15 msから-3.89 ± 1.56 msに移った(Eckhoff ら, PLOS ONE 2024)。このセクションの冒頭のフォトダイオード研究は2026年11月3日に公開されたもので、まだ査読を受けていない。
5. 長時間セッションのドリフト:クロック、キャプチャーカード、同期の測定
固定のずれは一度調整すれば取り除ける。しかしドリフトは時間とともに増えるため、そうはいかない。音声と映像が独立してクロックされている場合、周波数誤差は配信が続く限り蓄積する。グレード1のデジタルオーディオ基準(DARS、音声サンプルレートを決めるマスタークロック)の許容限界である±1 ppmのクロックは、1時間あたり3.6 msずつドリフトする。0.000001 x 3,600秒 = 0.0036秒、つまり8時間の配信では28.8 msとなる(下の表のグレード1の許容値から求めた当社の計算)。放送施設は、すべてを単一の基準にロックすることでこれを避けている。これは、当社のAoIP、Dante、AES67放送スタジオ移行の統計で追跡しているIP移行と同じ考え方である。
民生用のキャプチャー機器はもっと緩い。ソフトウェアベンダーのLEADTOOLSは、60〜90 msずれた状態で動作を開始する機器や、8〜24時間後にドリフトし始める機器を文書化している(LEADTOOLS, Timestamp Drifting in Live Capture Situations)。24時間365日の配信では、ドリフトは例外的なケースではなく、計画的なメンテナンス項目である。
| 指標 | 値 | 出典 |
|---|---|---|
| グレード1のデジタルオーディオ基準の長期周波数精度 | ±1 ppm以内 | ITU-R BS.2032-0 (2013) |
| ±1 ppmの限界でのドリフト、1時間あたりと8時間あたり(当社の計算) | 1時間あたり3.6 ms、8時間あたり28.8 ms | ITU-R BS.2032-0 (2013)からの算出 |
| 連続キャプチャー後にドリフトが観測されたキャプチャーカード | 8〜24時間 | LEADTOOLSの文書(ベンダー自身の観測) |
| 一部のキャプチャー機器における音声と映像の初期のずれ | 約60-90 ms | LEADTOOLSの文書(ベンダー自身の観測) |
| クロックが一致しないキャプチャー機器でのタイムスタンプ差 | 500 ms超 | LEADTOOLSの文書(ベンダー自身の観測) |
| BBCのオープンソース同期測定装置(光センサーと音声入力)の精度 | ミリ秒に近い精度 | BBC R&D dvbcss-synctiming |
| BBCの装置における合否の許容値の例、セカンドスクリーンアプリとテレビ | ±8 ms対±23 ms | BBC R&D dvbcss-synctiming |
| リップシンク用フィンガープリントの伝送方式(SDI、IP経由のUDP、MPEG-2トランスポートストリーム)、1フレームにつき1コンテナ | 3 | SMPTE ST 2064-2 (2015) |
文脈の注記:BBCの装置は、閃光とビープ音を含むテスト動画を再生し、画面とスピーカーでそのタイミングを測定する。そこは同期が実際に体験される唯一の地点である(BBC R&D dvbcss-synctiming)。SMPTEのフィンガープリント方式は、上流と下流で取得したフィンガープリントを比較することで、テスト信号なしにタイミングの変化を測定する(SMPTE ST 2064-2:2015)。
6. リップシンクの自動検知:機械が捉えられるものと捉えられないもの
ストリーミングサービスは現在、人間による抜き取り検査ではなく機械学習で同期を確認している。Prime Videoは、音声と映像の同期を含む18種類の不具合の検出器を構築し、1つの顔を中心とした4秒のクリップでリップシンク検出器を、数千のチャンネルとライブイベントで稼働させている(Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022)。分類器の精度は急速に向上した。**2024年のLRS2データセットで96.5%、元のSyncNetは75.8%**だった(Park ら, Interpretable Convolutional SyncNet, arXiv 2024)。
問題は、ファイル単位のスコアでは再生チェーンが見えないことだ。HoとLiは、SyncNetの同期スコアが、彼らが画面上で測定したずれと相関しないことを見いだした。SyncNet自身のずれの推定値も、半幅282.2 msの範囲内でしか測定値と一致しなかった。きれいなファイルでも、再生時にずれることがあり、2度目のチェックは機器側で行う必要がある。
| 指標 | 値 | 出典 |
|---|---|---|
| Prime Videoの検出器が対象とする動画の不具合の種類(音声と映像の同期を含む) | 18 | Amazon Science (Prime Video) 2022 |
| Amazonの研究者が構築したテニスの音声・映像同期エラーのデータベース | 6時間の動画から504,300フレーム | Ebenezer ら, ICASSP 2021 (Amazon) |
| 同期分類の精度、LRS2とLRS3でのIC-SyncNet | 96.5%対93.8% | Park ら, arXiv 2024 |
| 同期分類の精度、LRS2での元のSyncNet | 75.8% | Park ら, arXiv 2024 |
| 知覚的な同期品質データセットのために収集された人間による評価(100時間超、アノテーター80人超) | 120,000 | Goncalves ら (Amazon), PEAVS, ECCV 2024 |
| PEAVS指標と人間による評価の相関、セットレベルとクリップレベル | 0.79対0.54 | Goncalves ら (Amazon), PEAVS, ECCV 2024 |
| SyncNetの同期スコアと実測したずれの大きさとの相関 | r = -0.066から+0.083 | HoとLi, Preprints.org 2026 |
文脈の注記:PEAVSのデータでは、人間のスコアも指標も、45 msの音声シフトで5段階評価の4を超えるピークに達し、シフトが大きくなるにつれて低下した(Goncalves ら, PEAVS, ECCV 2024)。Amazonのテニスの手法は、ラケットの打球が音声にあるのに近くの映像にない場合にエラーとして検出する(Amazon Science, Detection of audio-video synchronization errors via event detection)。
数字で見るライブ配信の音声・映像同期(リップシンク)ずれ(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| 平均検知閾値、音声先行と音声遅延 | 約+45 msから-125 ms | ITU-R BT.1359-1 (1998) |
| ピークの半分の高さにおける同期ウィンドウの幅、発話と非発話 | 357 ms対400 ms | ConreyとPisoni, JASA 2006 |
| エンドツーエンドの送出上限、音声が映像より先と後 | 40 ms対60 ms | EBU R37 (2007) |
| 制作チェーンの段階ごとの上限 | 先行5 msから遅れ15 ms | EBU R37 (2007) |
| エンコーダー入力でのデジタルテレビ上限、先行と遅れ | 15 ms対45 ms | ATSC IS/191、TV Technology 2004経由 |
| チェーン全体のデジタルテレビ上限 | +30 msから-90 ms | ATSC IS/191、TV Technology 2004経由 |
| 音声が唇の動きに先行する場合の平均検知閾値 | 185.19 ms(SD 42.32 ms) | YounkinとCorriveau, IEEE Transactions on Broadcasting 2008 |
| 同期していると判断された発話、音声先行と映像先行 | 131 ms対225 ms | ConreyとPisoni, JASA 2006 |
| 音声先行の許容閾値、ニュースキャスターとアメリカンフットボール | 200 ms対1.3秒 | Ebenezer, arXiv 2022 |
| 同期ウィンドウ、若年と高齢の聴取者 | 100 ms対250 ms | Gordon-Salant ら, Frontiers in Psychology 2022 |
| 感度、音声先行ペアと映像先行ペア | d prime 1.58対0.98 | Cecere ら, European Journal of Neuroscience 2016 |
| 検証した話者の顔の動画再生で実際に届いたずれの中央値 | 音声が79.2〜210.9 ms遅れ | HoとLi, Preprints.org 2026 |
| Microsoft Teamsのずれの範囲(5台のコンピューター全体) | -95 msから-20 ms | Allion LabsのAV-Syncテスト |
| Zoomのずれの範囲(5台のコンピューター全体) | -92 msから+73 ms | Allion LabsのAV-Syncテスト |
| 開始時刻のずれの平均の最悪値、未較正の複合現実ヘッドセット | 156.63 ms | Eckhoff ら, PLOS ONE 2024 |
| 一部のキャプチャー機器における初期のずれ | 約60-90 ms | LEADTOOLSの文書(ベンダー) |
| LRS2でのリップシンク分類器の精度、IC-SyncNetとSyncNet | 96.5%対75.8% | Park ら, arXiv 2024 |
| 人間による評価とのPEAVS相関、セットレベル | 0.79 | Goncalves ら (Amazon), ECCV 2024 |
方法論と出典
- ITU勧告: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とBell Laboratoriesの閾値は、TV TechnologyのRandy Hoffnerのコラム経由:ATSC Recommends AV Sync Rules (2004)とA/V Synchronization: How Bad Is Bad? (2003)。
- Younkin と Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008)。
- Conrey と Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006)。
- Venezia ら, Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016)。
- Cecere、Gross、Thut, European Journal of Neuroscience (2016)。
- Gordon-Salant ら, Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022)。
- Salagovic、Stevenson、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 と 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、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と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)、Goncalves ら, PEAVS, ECCV (2024)。
- Park ら, Interpretable Convolutional SyncNet, arXiv (2024)。
- データウォッチ:検知に関する数値は研究間で食い違っている。1998年の放送勧告は音声先行の検知を約45 ms、Bell Laboratoriesの研究は35 ms、YounkinとCorriveauは平均185.19 msとしている。当社は1つを選ぶのではなく3つすべてを掲載しており、刺激と手法の違いがこの差を説明している可能性が高い。符号の取り決めも異なる。放送関連の文書の大半とAllion Labsは、音声が先の場合を正の値としているが、2026年のフォトダイオード研究は音声遅延を負の値で報告している。Allion Labsのページには公開日がなく、フォトダイオード研究(2026年11月3日公開)とEbenezerのスポーツ研究は、査読を受けていないプレプリントである。LEADTOOLSの数値は、ソフトウェアベンダー自身の観測である。ATSC IS/191の値は、ATSCの文書自体にアクセスできなかったため、TV Technologyの報道によるものである。1時間あたり3.6 msというドリフトの数値は、±1 ppmの許容値から求めた当社の計算であり、実測値ではない。閾値と許容値のデータの大半は3年以上前のもので、入手可能な最新データとして示している。
最終更新日:2026年11月6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、配信されたリップシンクに関する2026年11月のフォトダイオード研究の査読済み版が公開された時点を予定している。