Widzowie zauważają dźwięk, który dociera zaledwie 45 ms przed obrazem, ale tolerują nawet 125 ms dźwięku docierającego po nim, czyli asymetryczne okno wykrywalności, na którym opiera się międzynarodowe zalecenie nadawcze dotyczące czasowego zgrania dźwięku i obrazu (ITU-R BT.1359-1, 1998). Rzeczywiste tory odtwarzania często nie mieszczą się w tym oknie: badanie z fotodiodą z listopada 2026 roku zmierzyło mediany opóźnienia dźwięku od 79,2 do 210,9 ms w 24 kombinacjach odtwarzacza i rozdzielczości, przy czym do 88,4% prób przekraczało próg wykrywalności (Ho i Li, Preprints.org 2026). Tolerancja zależy też od tego, co widać na ekranie: progi akceptowalności wahają się od 200 ms dla prezentera wiadomości do 1,3 s dla futbolu amerykańskiego (Ebenezer, arXiv 2022). Dryf lip-sync (różnica między chwilą, gdy porusza się usta, a chwilą, gdy słychać ich dźwięk) to inny problem niż synchronizacja napisów, o której pisaliśmy w naszych statystykach opóźnienia i dokładności napisów dla niesłyszących. Zebraliśmy dane z EBU, ATSC, SMPTE, IEEE Transactions on Broadcasting, Journal of the Acoustical Society of America, PLOS ONE, Allion Labs, Amazon Science i kilkunastu innych źródeł pierwotnych.
TL;DR
- Średni próg wykrywalności: około 45 ms wyprzedzenia dźwięku do 125 ms jego opóźnienia (ITU-R BT.1359-1, 1998).
- Europejski limit nadawczy: 40 ms dźwięku przed obrazem i 60 ms po nim, od końca do końca (EBU R37, 2007).
- Wytyczne dla amerykańskiej telewizji cyfrowej na wejściu enkodera: nie więcej niż 15 ms wyprzedzenia lub 45 ms opóźnienia dźwięku (ATSC IS/191, za TV Technology 2004).
- Średni próg wykrywania wyprzedzającego dźwięku w teście laboratoryjnym Intela: 185,19 ms, SD 42,32 ms (Younkin i Corriveau, IEEE Transactions on Broadcasting 2008).
- Mowa uznana za zsynchronizowaną od 131 ms wyprzedzenia dźwięku do 225 ms wyprzedzenia obrazu (Conrey i Pisoni, JASA 2006).
- Próg akceptowalności dla dźwięku wyprzedzającego obraz: 200 ms dla prezentera wiadomości wobec 1,3 s dla futbolu amerykańskiego (Ebenezer, arXiv 2022).
- Mediany dostarczonych przesunięć w testowanym odtwarzaniu mówiących twarzy: dźwięk spóźniony o 79,2 do 210,9 ms w każdej komórce (Ho i Li, Preprints.org 2026).
- Zoom zmierzony od 92 ms wyprzedzenia obrazu do 73 ms wyprzedzenia dźwięku na pięciu komputerach (testy AV-Sync Allion Labs).
- Najgorsza średnia różnica początku dźwięku i obrazu na nieskalibrowanych goglach rzeczywistości mieszanej: 156,63 ms (Eckhoff i in., PLOS ONE 2024).
- Okno synchronizacji dla rodzimego mówcy angielskiego: 100 ms u młodych słuchaczy z prawidłowym słuchem wobec 250 ms u starszych słuchaczy (Gordon-Salant i in., Frontiers in Psychology 2022).
- Dokładność klasyfikatora lip-sync na zbiorze LRS2: 96,5% dla IC-SyncNet wobec 75,8% dla oryginalnego SyncNet (Park i in., arXiv 2024).
1. Progi wykrywalności: kiedy widzowie zauważają błąd lip-sync
Najbardziej spójnym wnioskiem z 80 lat badań jest asymetria. Dźwięk, który przychodzi za wcześnie, jest wychwytywany przy mniej więcej jednej trzeciej przesunięcia, jakiego wymaga dźwięk spóźniony: około 45 ms wyprzedzenia wobec 125 ms opóźnienia w testach subiektywnych (testach, w których widzowie oceniają klipy) podsumowanych w zaleceniu ITU-R BT.1359-1. Tę tendencję tłumaczy natura: światło porusza się szybciej niż dźwięk, a w mowie naturalnej usta zaczynają się poruszać przed głosem. W materiale mowy analizowanym przez Venezia i in. zamknięcie ust poprzedzało dźwięk o 163 ms, więc mózg jest już wytrenowany w akceptowaniu spóźnionego dźwięku.
Rozrzut między badaniami liczy się tak samo jak średnie. Badanie Bell Laboratories z lat 40. XX wieku wyznaczyło wykrywalność na 35 ms wyprzedzenia i 100 ms opóźnienia, podczas gdy test laboratoryjny Intela dla błędów z wyprzedzającym dźwiękiem dał znacznie luźniejszą średnią 185,19 ms (Younkin i Corriveau, IEEE Transactions on Broadcasting 2008). Praktyczny wniosek: progi to średnie z całej populacji, a najbardziej wrażliwi widzowie mieszczą się znacznie poniżej nich. Transmisja zaprojektowana pod średnią wciąż irytuje część swojej widowni.
| Metryka | Wartość | Źródło |
|---|---|---|
| Średni próg wykrywalności, dźwięk wyprzedzający obraz wobec dźwięku opóźnionego względem obrazu | Ok. +45 ms do -125 ms | ITU-R BT.1359-1 (1998) |
| Próg wykrywalności we wczesnym badaniu Bell Laboratories, dźwięk wyprzedzający wobec opóźnionego | Ponad 35 ms wyprzedzenia lub ponad 100 ms opóźnienia | Badanie Bell Laboratories, za TV Technology (Hoffner) 2003 |
| Średni próg wykrywalności dźwięku wyprzedzającego ruch warg | 185,19 ms (SD 42,32 ms) | Younkin i Corriveau, IEEE Transactions on Broadcasting 2008 |
| Mowa uznana za zsynchronizowaną, największe wyprzedzenie dźwięku wobec największego wyprzedzenia obrazu (30 dorosłych) | Od 131 ms wyprzedzenia dźwięku do 225 ms wyprzedzenia obrazu | Conrey i Pisoni, JASA 2006 |
| Bodźce niemowne (błysk i ton) uznane za zsynchronizowane, wyprzedzenie dźwięku wobec wyprzedzenia obrazu | Od 153 ms wyprzedzenia dźwięku do 247 ms wyprzedzenia obrazu | Conrey i Pisoni, JASA 2006 |
| Szerokość okna synchronizacji w połowie jego szczytu, mowa wobec bodźców niemownych | 357 ms wobec 400 ms | Conrey i Pisoni, JASA 2006 |
| Próg wykrywalności dla mowy, obraz wyprzedzający dźwięk wobec dźwięku wyprzedzającego obraz | 258 ms wobec 131 ms | Dixon i Spitz 1980, cytowani w Venezia i in., Attention, Perception, and Psychophysics 2016 |
| Próg wykrywalności dla młotka uderzającego w kołek, obraz wyprzedzający wobec dźwięku wyprzedzającego | 188 ms wobec 75 ms | Dixon i Spitz 1980, cytowani w Venezia i in. 2016 |
Uwaga kontekstowa: Conrey i Pisoni stwierdzili, że środek okna synchronizacji leży przy 47 ms wyprzedzenia obrazu, a nie przy zerze, zarówno dla mowy, jak i bodźców niemownych (Conrey i Pisoni, JASA 2006). Przegląd Venezia i in. śledzi ten sam wzorzec w kolejnych replikacjach. Najnowsze dostępne dane o progach populacyjnych: Younkin i Corriveau 2008; w naszym przeglądzie nie znaleźliśmy nowszego badania progów na dużej próbie dla lip-sync w nadawaniu.
2. Tolerancje nadawcze i budżety synchronizacji
Badania percepcji mówią, gdzie widzowie coś zauważają; normy mówią inżynierom, ile z tego marginesu może zużyć każda część toru. Uderzające jest to, o ile ciaśniejsze są limity inżynieryjne niż progi percepcyjne. EBU R37 dopuszcza na każdy etap tylko 5 ms wyprzedzenia i 15 ms opóźnienia, podczas gdy cały tor musi mieścić się w limicie końcowym 40 ms wyprzedzenia i 60 ms opóźnienia (EBU R37, 2007). EBU zaznacza, że jej limity opierają się na opóźnieniu, przy którym 50% obserwatorów zauważa błąd lip-sync.
USA poszły jeszcze dalej. Podkomitet wdrożeniowy ATSC uznał międzynarodowe limity z 1998 roku za niewystarczające dla telewizji cyfrowej i zażądał, by dźwięk wchodzący do enkodera nigdy nie wyprzedzał obrazu o więcej niż 15 ms ani nie opóźniał się względem niego o więcej niż 45 ms (TV Technology, ATSC Recommends AV Sync Rules, 2004). Dla porównania, dawna reguła kciuka dla NTSC to +1 i -2 klatki, czyli +33 i -66 ms. Zalecenie z 1998 roku dzieli też własny budżet, zostawiając odcinkom poza kontrolą nadawcy tylko ±2 ms.
| Metryka | Wartość | Źródło |
|---|---|---|
| Ogólna tolerancja dźwięk-obraz (to także średni próg akceptowalności) | +90 ms do -185 ms | ITU-R BT.1359-1 (1998) |
| Podział budżetu: od źródła kamery do zerowego punktu odniesienia (studyjnego wzorca czasu) wobec od zerowego punktu odniesienia do wejścia nadajnika | +25 / -100 ms wobec +22,5 / -30 ms | ITU-R BT.1359-1 (1998) |
| Limit końcowy na dowolnym wyjściu przeznaczonym do emisji, dźwięk przed obrazem wobec dźwięku po obrazie | 40 ms wobec 60 ms | EBU R37 (2007) |
| Limit na pojedynczy etap toru produkcyjnego | Od 5 ms wyprzedzenia do 15 ms opóźnienia | EBU R37 (2007) |
| Limit telewizji cyfrowej dla dźwięku na wejściu enkodera, wyprzedzenie wobec opóźnienia | 15 ms wobec 45 ms | ATSC IS/191, za TV Technology 2004 |
| Limit telewizji cyfrowej dla całego toru, dźwięk wyprzedzający wobec opóźnionego względem obrazu | +30 ms do -90 ms | ATSC IS/191, za TV Technology 2004 |
| Limit jakości odbioru (QoE) w IPTV, dźwięk wyprzedzający wobec opóźnionego względem obrazu (tymczasowy, standardowa rozdzielczość) | Maksymalnie 15 ms wobec 45 ms | ITU-T G.1080 (2008) |
| Analogowa reguła kciuka NTSC w klatkach i milisekundach | +1 / -2 klatki (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
Uwaga o wyjątku: te dokumenty są stare, ale wciąż obowiązujące. Zalecenie dotyczące dźwięku i obrazu zatwierdzono 30 listopada 1998 roku, a zalecenie jakości IPTV 7 grudnia 2008 roku, i oba figurują jako obowiązujące. Najnowsze dostępne dane: EBU R37, 2007.
3. Rodzaj treści i widownia: kto toleruje ile
Mówiąca twarz to najtrudniejszy test, jakiemu może sprostać transmisja. W badaniu 20 widzów na 45 klipach próg akceptowalności dla dźwięku wyprzedzającego obraz wynosił 200 ms dla prezentera wiadomości, ale 1,3 s dla futbolu amerykańskiego (Ebenezer, arXiv 2022). Szerokie ujęcia sportowe dają niewiele ostrych zdarzeń audio-wizualnych, które mogłyby zakotwiczyć czas, więc transmisję z gry lub sportu z kamerką z twarzą streamera na ekranie ocenia się według ostrzejszego standardu opartego na twarzy.
Liczy się też widownia. Przy rodzimym mówcy angielskim starsi słuchacze mają okna synchronizacji (zakres przesunięć nadal odbieranych jako jednoczesne) co najmniej dwa razy szersze niż młodzi dorośli, a mimo to gorzej rozpoznają mowę, gdy sygnał jest niewyrównany, nawet gdy błędu nie zauważają (Gordon-Salant i in., Frontiers in Psychology 2022). Szerokie okno to nie odporność: błędy synchronizacji mogą kosztować zrozumienie, nigdy nie będąc zgłaszane jako skarga.
| Metryka | Wartość | Źródło |
|---|---|---|
| Próg akceptowalności dla dźwięku wyprzedzającego obraz, klip z prezenterem wiadomości | 200 ms | Ebenezer, arXiv 2022 |
| Próg akceptowalności dla dźwięku wyprzedzającego obraz, klip z krykietem | 500 ms | Ebenezer, arXiv 2022 |
| Próg akceptowalności dla dźwięku wyprzedzającego obraz, klipy z piłką nożną i tenisem | 1 s | Ebenezer, arXiv 2022 |
| Próg akceptowalności dla dźwięku wyprzedzającego obraz, klip z futbolem amerykańskim | 1,3 s | Ebenezer, arXiv 2022 |
| Okno synchronizacji dla rodzimego mówcy angielskiego, młodzi słuchacze z prawidłowym słuchem wobec starszych (po 17 w grupie) | 100 ms wobec 250 ms | Gordon-Salant i in., Frontiers in Psychology 2022 |
| Typowa szerokość okna synchronizacji, pary z wyprzedzającym obrazem wobec par z wyprzedzającym dźwiękiem | 200-250 ms wobec 100-150 ms | Cecere i in., European Journal of Neuroscience 2016 |
| Bazowy wskaźnik czułości (d prime, wyższy oznacza lepsze wykrywanie), pary z wyprzedzającym dźwiękiem wobec par z wyprzedzającym obrazem, 30 dorosłych | 1,58 wobec 0,98 | Cecere i in., European Journal of Neuroscience 2016 |
| Uczestnicy badania z 2026 roku o asynchronii mowy w hałasie, użytkownicy implantów ślimakowych wobec dorosłych z prawidłowym słuchem (przesunięcia do 400 ms) | 15 wobec 31 | Salagovic i in., Journal of Speech, Language, and Hearing Research 2026 |
Uwaga kontekstowa: różnica czułości u Cecere i in. była statystycznie solidna (F(1,27) = 37,10, p < 0,0001) (Cecere i in., European Journal of Neuroscience 2016). W badaniu z 2026 roku zrozumiałość mowy osiągała szczyt blisko synchronii w obu grupach, a użytkownicy implantów ślimakowych wykazywali większe spadki wraz ze wzrostem asynchronii (Salagovic i in., JSLHR 2026). Badanie sportowe to preprint i jest starsze niż trzy lata; najnowsze dostępne dane: Ebenezer, 2022.
4. Zmierzone przesunięcia w odtwarzaczach, aplikacjach do rozmów i goglach
Normy zakładają, że każde urządzenie zgłasza i koryguje własne opóźnienie. Pomiary pokazują, że to założenie zawodzi. Badanie z fotodiodą i wyjściem liniowym z listopada 2026 roku, obejmujące cztery systemy wideo z mówiącymi twarzami, trzy odtwarzacze i dwie rozdzielczości, wykazało opóźnienie dźwięku w każdej z 24 komórek, z medianami przesunięć od 79,2 do 210,9 ms, a od 60,9% do 88,4% z 3.637 prób przekraczało nadawczy próg wykrywalności (Ho i Li, Preprints.org 2026). Ich własna niepewność pomiaru między kanałami wynosiła 0,0144 ms, więc błąd leży w torze odtwarzania, a nie w przyrządzie.
Aplikacje do rozmów i streamingu rozpraszają się po obu stronach zera. W testach Allion Labs z jedną kamerą internetową USB na pięciu komputerach ta sama aplikacja mogła wyprzedzać na jednej maszynie i opóźniać się na innej (testy AV-Sync Allion Labs). Dlatego poprawki na poziomie pakietów, opisane w naszych statystykach maskowania utraty pakietów audio w WebRTC, nie mogą same zagwarantować lip-sync: o synchronizacji decydują punkty końcowe. Każdy etap przetwarzania, który streamer dodaje do toru mikrofonu, od tłumienia szumów po zmieniacz głosu w OBS, dodaje własne opóźnienie do tego budżetu, i dlatego EBU R37 przydziela budżet każdemu etapowi osobno.
| Metryka | Wartość | Źródło |
|---|---|---|
| Mediana dostarczonego przesunięcia dźwięk-obraz w 24 komórkach odtwarzacz-rozdzielczość (wartość ujemna oznacza spóźniony dźwięk) | -210,9 ms do -79,2 ms | Ho i Li, Preprints.org 2026 |
| Odsetek prób przekraczających nadawczy próg wykrywalności, zakres w komórkach | 60,9% do 88,4% | Ho i Li, Preprints.org 2026 |
| Odsetek prób przekraczających nadawczy próg akceptowalności, zakres w komórkach | 31,6% do 59,4% | Ho i Li, Preprints.org 2026 |
| Zoom, zakres na pięciu komputerach (wartość dodatnia oznacza, że dźwięk jest pierwszy) | -92 ms do +73 ms | Testy AV-Sync Allion Labs (bez daty) |
| Microsoft Teams, zakres na pięciu komputerach | -95 ms do -20 ms | Testy AV-Sync Allion Labs (bez daty) |
| Twitch, zakres na czterech komputerach | -90 ms do +32 ms | Testy AV-Sync Allion Labs (bez daty) |
| Google Meet, zakres na pięciu komputerach | -100 ms do +42 ms | Testy AV-Sync Allion Labs (bez daty) |
| Największa średnia różnica początku dźwięku i obrazu na nieskalibrowanych goglach rzeczywistości mieszanej, z jitterem (drganiem) do | 156,63 ms, jitter do ±11,82 ms | Eckhoff i in., PLOS ONE 2024 |
Uwaga kontekstowa: kalibracja działa. Opóźnienie obrazu na Varjo XR-3 zmniejszyło jego różnicę z 53,49 ± 3,15 ms do -3,89 ± 1,56 ms w 100 prezentacjach (Eckhoff i in., PLOS ONE 2024). Badanie z fotodiodą, o którym mowa na początku tej sekcji, opublikowano 3 listopada 2026 roku i nie przeszło ono jeszcze recenzji naukowej.
5. Dryf w długich sesjach: zegary, karty przechwytujące i pomiar synchronizacji
Stałe przesunięcia można skorygować raz. Dryfu nie, bo rośnie z czasem. Gdy dźwięk i obraz mają niezależne zegary, błąd częstotliwości kumuluje się tak długo, jak trwa transmisja. Zegar na granicy ±1 ppm cyfrowego wzorca audio klasy 1 (DARS, zegar nadrzędny wyznaczający częstotliwość próbkowania dźwięku) dryfuje o 3,6 ms na godzinę: 0,000001 x 3.600 sekund = 0,0036 s, czyli 28,8 ms w ośmiogodzinnej transmisji (nasze obliczenie na podstawie tolerancji klasy 1 z tabeli poniżej). Zakłady nadawcze unikają tego, synchronizując wszystko do jednego wzorca, co jest tą samą logiką, która stoi za migracją na IP śledzoną w naszych statystykach nadawczych AoIP, Dante i AES67.
Konsumencki sprzęt do przechwytywania jest mniej dokładny. Dostawca oprogramowania LEADTOOLS dokumentuje urządzenia przechwytujące, które startują z rozsynchronizowaniem 60 do 90 ms, oraz urządzenia, które zaczynają dryfować po 8 do 24 godzinach (LEADTOOLS, Timestamp Drifting in Live Capture Situations). Przy transmisji 24/7 dryf nie jest przypadkiem skrajnym, lecz zaplanowaną pozycją konserwacji.
| Metryka | Wartość | Źródło |
|---|---|---|
| Długoterminowa dokładność częstotliwości cyfrowego wzorca audio klasy 1 | W granicach ±1 ppm | ITU-R BS.2032-0 (2013) |
| Dryf na granicy ±1 ppm, na godzinę i w ciągu 8 godzin (nasze obliczenie) | 3,6 ms na godzinę; 28,8 ms na 8 godzin | Wyliczone na podstawie ITU-R BS.2032-0 (2013) |
| Karty przechwytujące, które dryfowały po ciągłym przechwytywaniu przez | 8 do 24 godzin | Dokumentacja LEADTOOLS (obserwacja samego producenta) |
| Początkowe przesunięcie dźwięk-obraz w niektórych urządzeniach przechwytujących | Ok. 60-90 ms | Dokumentacja LEADTOOLS (obserwacja samego producenta) |
| Różnica znaczników czasu w urządzeniach przechwytujących z niedopasowanymi zegarami | Ponad 500 ms | Dokumentacja LEADTOOLS (obserwacja samego producenta) |
| Dokładność otwartoźródłowego stanowiska BBC do pomiaru synchronizacji (czujnik światła plus wejście audio) | Dokładność rzędu milisekundy | BBC R&D dvbcss-synctiming |
| Przykładowa tolerancja zaliczenia lub niezaliczenia na stanowisku BBC, aplikacja drugiego ekranu wobec telewizora | ±8 ms wobec ±23 ms | BBC R&D dvbcss-synctiming |
| Metody transportu odcisków lip-sync (SDI, UDP przez IP, strumień transportowy MPEG-2), jeden kontener na klatkę | 3 | SMPTE ST 2064-2 (2015) |
Uwaga kontekstowa: stanowisko BBC odtwarza wideo testowe z błyskami i sygnałami dźwiękowymi i mierzy ich czas na ekranie i w głośniku, czyli w jedynym miejscu, w którym synchronizację faktycznie się odczuwa (BBC R&D dvbcss-synctiming). Podejście SMPTE oparte na odciskach mierzy zmiany czasowe bez sygnałów testowych, porównując odciski pobrane przed i za badanym odcinkiem toru (SMPTE ST 2064-2:2015).
6. Automatyczne wykrywanie lip-sync: co maszyny potrafią, a czego nie
Serwisy streamingowe sprawdzają dziś synchronizację uczeniem maszynowym, a nie wyrywkową kontrolą ludzi. Prime Video zbudowało detektory dla 18 typów defektów, w tym synchronizacji dźwięku i obrazu, i uruchamia swój detektor lip-sync na czterosekundowych klipach skupionych na jednej twarzy w tysiącach kanałów i wydarzeń na żywo (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). Dokładność klasyfikatorów szybko rosła: 96,5% na zbiorze LRS2 w 2024 roku wobec 75,8% dla oryginalnego SyncNet (Park i in., Interpretable Convolutional SyncNet, arXiv 2024).
Haczyk polega na tym, że oceny na poziomie pliku nie widzą toru odtwarzania. Ho i Li stwierdzili, że wyniki synchronizacji SyncNet nie korelują z przesunięciami, które zmierzyli na ekranie, a własne oszacowanie przesunięcia przez SyncNet zgadzało się z pomiarem tylko w granicach połowy szerokości 282,2 ms. Czysty plik wciąż może odtwarzać się rozsynchronizowany, a drugie sprawdzenie musi odbyć się na urządzeniu.
| Metryka | Wartość | Źródło |
|---|---|---|
| Typy defektów wideo obsługiwane przez detektory Prime Video (w tym synchronizacja dźwięku i obrazu) | 18 | Amazon Science (Prime Video) 2022 |
| Baza błędów synchronizacji dźwięku i obrazu w tenisie zbudowana przez badaczy Amazon | 504.300 klatek z 6 godzin wideo | Ebenezer i in., ICASSP 2021 (Amazon) |
| Dokładność klasyfikacji synchronizacji, IC-SyncNet na LRS2 wobec LRS3 | 96,5% wobec 93,8% | Park i in., arXiv 2024 |
| Dokładność klasyfikacji synchronizacji, oryginalny SyncNet na LRS2 | 75,8% | Park i in., arXiv 2024 |
| Oceny ludzi zebrane dla percepcyjnego zbioru jakości synchronizacji (ponad 100 godzin, ponad 80 anotatorów) | 120.000 | Goncalves i in. (Amazon), PEAVS, ECCV 2024 |
| Korelacja metryki PEAVS z ocenami ludzi, poziom zbioru wobec poziomu klipu | 0,79 wobec 0,54 | Goncalves i in. (Amazon), PEAVS, ECCV 2024 |
| Korelacja między wynikami synchronizacji SyncNet a wielkością zmierzonego przesunięcia | r = -0,066 do +0,083 | Ho i Li, Preprints.org 2026 |
Uwaga kontekstowa: w danych PEAVS zarówno oceny ludzi, jak i metryka osiągały szczyt powyżej 4 w skali 5-punktowej przy przesunięciu dźwięku o 45 ms i spadały wraz ze wzrostem przesunięcia (Goncalves i in., PEAVS, ECCV 2024). Metoda Amazon dla tenisa zgłasza błąd, gdy uderzenie rakiety pojawia się w dźwięku, ale nie w pobliskim wideo (Amazon Science, Detection of audio-video synchronization errors via event detection).
Podsumowanie: dryf synchronizacji dźwięku i obrazu (lip-sync) w streamingu na żywo w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Średni próg wykrywalności, dźwięk wyprzedzający wobec opóźnionego | Ok. +45 ms do -125 ms | ITU-R BT.1359-1 (1998) |
| Szerokość okna synchronizacji w połowie jego szczytu, mowa wobec bodźców niemownych | 357 ms wobec 400 ms | Conrey i Pisoni, JASA 2006 |
| Końcowy limit emisji, dźwięk przed obrazem wobec po obrazie | 40 ms wobec 60 ms | EBU R37 (2007) |
| Limit na etap w torze produkcyjnym | Od 5 ms wyprzedzenia do 15 ms opóźnienia | EBU R37 (2007) |
| Limit telewizji cyfrowej na wejściu enkodera, wyprzedzenie wobec opóźnienia | 15 ms wobec 45 ms | ATSC IS/191, za TV Technology 2004 |
| Limit telewizji cyfrowej dla całego toru | +30 ms do -90 ms | ATSC IS/191, za TV Technology 2004 |
| Średni próg wykrywalności dźwięku wyprzedzającego ruch warg | 185,19 ms (SD 42,32 ms) | Younkin i Corriveau, IEEE Transactions on Broadcasting 2008 |
| Mowa uznana za zsynchronizowaną, wyprzedzenie dźwięku wobec wyprzedzenia obrazu | 131 ms wobec 225 ms | Conrey i Pisoni, JASA 2006 |
| Próg akceptowalności dla wyprzedzającego dźwięku, prezenter wiadomości wobec futbolu amerykańskiego | 200 ms wobec 1,3 s | Ebenezer, arXiv 2022 |
| Okno synchronizacji, młodzi wobec starszych słuchaczy | 100 ms wobec 250 ms | Gordon-Salant i in., Frontiers in Psychology 2022 |
| Czułość, pary z wyprzedzającym dźwiękiem wobec par z wyprzedzającym obrazem | d prime 1,58 wobec 0,98 | Cecere i in., European Journal of Neuroscience 2016 |
| Mediany dostarczonych przesunięć w testowanym odtwarzaniu mówiących twarzy | Dźwięk spóźniony o 79,2 do 210,9 ms | Ho i Li, Preprints.org 2026 |
| Zakres przesunięć Microsoft Teams na pięciu komputerach | -95 ms do -20 ms | Testy AV-Sync Allion Labs |
| Zakres przesunięć Zoom na pięciu komputerach | -92 ms do +73 ms | Testy AV-Sync Allion Labs |
| Najgorsza średnia różnica początku, nieskalibrowane gogle rzeczywistości mieszanej | 156,63 ms | Eckhoff i in., PLOS ONE 2024 |
| Początkowe przesunięcie w niektórych urządzeniach przechwytujących | Ok. 60-90 ms | Dokumentacja LEADTOOLS (producent) |
| Dokładność klasyfikatora lip-sync na LRS2, IC-SyncNet wobec SyncNet | 96,5% wobec 75,8% | Park i in., arXiv 2024 |
| Korelacja PEAVS z ocenami ludzi, poziom zbioru | 0,79 | Goncalves i in. (Amazon), ECCV 2024 |
Metodologia i źródła
- Zalecenia 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 i próg Bell Laboratories, za felietonami Randy’ego Hoffnera w TV Technology: ATSC Recommends AV Sync Rules (2004) oraz A/V Synchronization: How Bad Is Bad? (2003).
- Younkin i Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey i Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia i in., Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere, Gross i Thut, European Journal of Neuroscience (2016).
- Gordon-Salant i in., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson i 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 i 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 i 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 oraz 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) oraz Goncalves i in., PEAVS, ECCV (2024).
- Park i in., Interpretable Convolutional SyncNet, arXiv (2024).
- Uwaga o danych: dane o wykrywalności są między badaniami sprzeczne. Zalecenie nadawcze z 1998 roku wyznacza wykrywalność wyprzedzającego dźwięku na około 45 ms, badanie Bell Laboratories na 35 ms, a Younkin i Corriveau na średnią 185,19 ms; podajemy wszystkie trzy zamiast wybierać jedną, a różnicę prawdopodobnie tłumaczą odmienne bodźce i metody. Różnią się też konwencje znaku: większość dokumentów nadawczych i Allion Labs używa wartości dodatniej dla dźwięku pierwszego, podczas gdy badanie z fotodiodą z 2026 roku podaje opóźnienie dźwięku jako wartość ujemną. Strona Allion Labs nie ma daty publikacji, a badanie z fotodiodą (opublikowane 3 listopada 2026 roku) oraz badanie sportowe Ebenezera są preprintami, które nie przeszły recenzji naukowej. Liczby LEADTOOLS to własne obserwacje dostawcy oprogramowania. Wartości ATSC IS/191 pochodzą z relacji TV Technology, ponieważ sam dokument ATSC był niedostępny. Wartość dryfu 3,6 ms na godzinę to nasze obliczenie na podstawie tolerancji ±1 ppm, a nie wartość zmierzona. Większość danych o progach i tolerancjach jest starsza niż trzy lata i oznaczona jako najnowsze dostępne.
Ostatnia aktualizacja: 6 listopada 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się po publikacji zrecenzowanej wersji badania z fotodiodą z listopada 2026 roku o dostarczonej synchronizacji lip-sync.