Estatísticas de Latência de Talkback e IFB em Broadcast (2026): Mais de 40 Dados sobre Limites de Sincronia Labial, Atraso de Autoescuta e Links de Produção Remota

Estatísticas de latência de talkback e IFB 2026: ouvir a própria voz 20 a 30 ms atrasada é considerado perturbador, e links de satélite GEO somam até 281 ms.

Ouvir a própria voz com apenas 25 a 30 milissegundos de atraso já é classificado como ‘perturbador’ por pessoas lendo em voz alta, segundo um estudo com 32 participantes na Ear and Hearing, e esse número explica em boa parte por que os retornos de ouvido de apresentadores na televisão ao vivo são construídos em torno da remoção da voz do próprio apresentador. A imagem é julgada com a mesma severidade: a EBU permite que o som adiante a imagem em no máximo 40 ms ou fique atrás dela em no máximo 60 ms em qualquer saída destinada à emissão. Enquanto isso, a própria produção está saindo do local do evento, com dois terços dos serviços remotos reservados nos Jogos Olímpicos de Paris 2024 transportados por uma plataforma em nuvem em vez de satélite. Reunimos dados da ITU, da EBU, da ATSC, de pesquisas sobre audição publicadas na Ear and Hearing e na PLoS ONE, de um estudo de campo da BBC R&D, da University of Strathclyde e da TV2, da aliança AIMS, de medições de satélite do IFIP Networking e da pesquisa setorial de 2026 da Haivision. Para o lado do ar da narração ao vivo, veja nosso levantamento complementar sobre áudio de broadcast de narradores e comentaristas de esports.

Dois termos atravessam este artigo. Talkback (também chamado de intercom ou comunicação interna) é o canal de voz privado entre a sala de controle, que as emissoras britânicas chamam de galeria, e a equipe. IFB, sigla de interruptible foldback (retorno interrompível), é o sinal no retorno de ouvido do apresentador: normalmente o som do programa, que um produtor pode interromper para dar instruções. Esse sinal costuma ser um mix-minus, ou seja, a mixagem completa menos a voz do próprio apresentador, para que ele nunca ouça a si mesmo voltando com atraso.

TL;DR

  • Os espectadores começam a perceber um erro de temporização entre som e imagem em cerca de +45 ms (som adiantado) a -125 ms (som atrasado) (ITU-R BT.1359-1, 1998).
  • Em qualquer saída destinada à emissão, o som pode adiantar a imagem em 40 ms ou menos e atrasar em 60 ms ou menos (EBU R37-2007).
  • Na entrada dos codificadores de DTV, o som nunca deve adiantar mais de 15 ms nem atrasar mais de 45 ms (ATSC IS-191).
  • Lendo em voz alta, 32 participantes classificaram como perturbador um atraso de 25 a 30 ms na própria voz (Stone e Moore, Ear and Hearing 2002).
  • O limiar para perceber que a própria voz está atrasada ficou em aproximadamente 100 ms, com DP de 66,54 ms (Yamamoto e Kawabata, PLoS ONE 2011).
  • Os sistemas atuais de talkback DECT chegam a menos de 40 ms até um beltpack sem fio e a menos de 70 ms de beltpack para beltpack (BBC R&D, Strathclyde e TV2, IBC2024).
  • Os Níveis B e C do SMPTE ST 2110-30 usam pacotes de áudio de 125 microssegundos, contra 1 ms no Nível A (AIMS, introdução ao AES67 e ao ST 2110-30).
  • A latência mediana de handshake TLS do Starlink foi de aproximadamente 80 ms em 2024 (Richter, Ververis e Bajpai, IFIP Networking 2025).
  • 41% de mais de 1.300 profissionais pesquisados apontaram a produção remota como sua maior prioridade tecnológica para 2026 (Haivision Broadcast Transformation Report 2026).
  • Dois terços dos serviços remotos reservados entre 54 emissoras em Paris 2024 usaram o OBS Live Cloud (Olympic Broadcasting Services, 2024).

1. Tolerâncias de Sincronia Labial: o que os Padrões de Broadcast Permitem

Toda decisão sobre talkback e IFB cabe dentro de um orçamento de temporização de imagem que os espectadores fiscalizam sem saber. A assimetria é o ponto central: os espectadores toleram muito melhor o som chegando atrasado (até cerca de -125 ms antes de perceberem) do que o som chegando adiantado (cerca de +45 ms), um padrão que combina com a experiência cotidiana, em que a visão de um evento chega até nós antes do seu som. Nesses padrões, um número positivo significa que o som está adiantado em relação à imagem e um número negativo significa que está atrasado.

Os padrões então dividem esse orçamento perceptivo ao longo da cadeia. Os números da EBU foram definidos a partir de testes subjetivos de quando a perda de correspondência entre os movimentos labiais e a fala se torna perceptível para 50% dos observadores, e a EBU pede apenas de 5 ms de adiantamento a 15 ms de atraso em cada etapa individual, para que os erros de muitas etapas não se acumulem além do limite de ponta a ponta. A ATSC foi ainda mais rigorosa na entrada do codificador, porque uma segunda metade da cadeia, do codificador ao receptor, ainda precisa caber dentro da tolerância do espectador.

MétricaValorFonte
Limiar de detecção de erro de temporização entre som e imagem (positivo = som adiantado em relação à imagem)Cerca de +45 ms a -125 msITU-R BT.1359-1 (1998)
Limiar de aceitabilidade de erro de temporização entre som e imagemCerca de +90 ms a -185 msITU-R BT.1359-1 (1998)
Erro de temporização permitido do ponto final de seleção da fonte do programa (por exemplo, o controle mestre) até a entrada do transmissor+22,5 ms a -30 msITU-R BT.1359-1 (1998)
Limite de ponta a ponta em qualquer saída destinada à emissão: som antes da imagem contra som depois da imagem40 ms ou menos contra 60 ms ou menosEBU R37-2007
Precisão exigida em cada etapa da cadeia do programaSom de 5 ms adiantado a 15 ms atrasadoEBU R37-2007
Temporização do som nas entradas dos dispositivos de codificação de DTVNunca mais de 15 ms adiantado nem 45 ms atrasadoATSC IS-191, conforme relatado pela TV Technology, 7 de janeiro de 2004
Faixa geral de ponta a ponta do sistema de DTV+30 ms a -90 msATSC IS-191, conforme relatado pela TV Technology, 2004

Nota de contexto: esses documentos são antigos, mas continuam sendo as referências de trabalho. Dados mais recentes disponíveis: Recomendação BT.1359-1 (1998), R37 (publicada pela primeira vez em 1986 e reeditada em 2007) e ATSC IS-191 (relatada em 2004). O texto da R37 observa que é preciso cuidado especial na produção em HD, portanto leia os limites como tetos, não como metas.

2. Ouvir a Própria Voz com Atraso: Limiares de Atraso de Autoescuta

Este é o número que molda o projeto de IFB. A pesquisa com aparelhos auditivos é a melhor evidência controlada sobre como um falante reage à própria voz atrasada, e ela converge para uma janela estreita: os atrasos se tornam perturbadores em algum ponto entre 20 e 30 ms, muito antes de a própria fala se desorganizar. Para um apresentador, isso significa que o mix-minus não é um luxo. Qualquer caminho que devolva a voz do apresentador por um codec, uma rede e um sinal de retorno cruzará esse limiar muitas vezes (compare os números de satélite de ida em um só sentido na seção 5).

A segunda constatação é que perceber um atraso e se incomodar com ele são coisas diferentes. Em um pequeno experimento com fones de ouvido, as pessoas só percebiam de forma confiável que a própria voz estava atrasada em torno de 100 ms, mas os estudos sobre incômodo situam o desconforto em uma fração disso. A adaptação ajuda um pouco, mas só depois de minutos a uma hora, tempo que convidados de um programa ao vivo nunca têm. Produtores que cuidam do monitoramento dentro do estúdio reconhecerão a mesma aritmética nos buffers de áudio de computador, tratados em nosso levantamento sobre tamanho de buffer de DAW e latência de áudio.

MétricaValorFonte
Atraso em que o eco da própria voz foi classificado como perturbador (20 ouvintes com audição normal e perda auditiva leve a moderada simulada)Entre 20 e 30 msStone e Moore, Ear and Hearing 1999
Leitura em voz alta por um aparelho auditivo digital em tempo real, 32 participantes (16 homens, 16 mulheres): atraso classificado como perturbador contra atraso em que as medidas de produção da fala mudaram25 a 30 ms contra mais de 30 msStone e Moore, Ear and Hearing 2002
25 falantes com deficiência auditiva: faixa de atraso com nota 3 (provavelmente apenas aceitável) e tempo em que ocorreu alguma aclimatação14 a 30 ms; cerca de 1 horaStone e Moore, Ear and Hearing 2005
Ponto em que a própria voz atrasada pareceu simultânea, com atrasos de 0 a 200 ms por fones de ouvido (6 adultos de 21 a 24 anos repetindo um único som de voz)98,41 ms (DP 66,54 ms); limiar de detecção de aproximadamente 100 msYamamoto e Kawabata, PLoS ONE 2011
Mesmo estudo: ponto de simultaneidade percebida após 3 minutos de adaptação a 0, 66 ou 133 ms de atraso67,60, 92,23 e 112,10 ms (F(2,10) = 15,80, p < 0,001)Yamamoto e Kawabata, PLoS ONE 2011
Atraso de processamento testado em 20 participantes com audição normal e 20 com deficiência auditiva, avaliando o incômodo em uma escala de 7 pontosAté 50 ms; tolerância significativamente maior com perda auditiva em duas das três condições de vozGoehring, Chapman, Bleeck e Monaghan, International Journal of Audiology 2018

Nota de contexto: as amostras são pequenas e específicas (adultos com audição normal, falantes com deficiência auditiva, seis jovens adultos de 21 a 24 anos), os atrasos foram criados por processadores de aparelhos auditivos ou por fones de ouvido, e nenhum dos participantes era apresentador de broadcast. Dados mais recentes disponíveis: Stone e Moore, 1999 a 2005; Yamamoto e Kawabata, 2011; Goehring et al., 2018.

3. Orçamentos de Latência de Talkback, IFB e Intercom

Pessoas diferentes em uma produção ao vivo vivem dentro de orçamentos de latência muito diferentes. O retorno in-ear de um artista precisa de cerca de 4 ms, um membro da equipe com um beltpack de talkback sem fio (a unidade de intercom presa ao cinto) pode trabalhar com dezenas de milissegundos, e um operador remoto de mesa de corte (a pessoa que alterna entre as câmeras) pode tolerar mais de meio segundo, desde que ninguém no local precise ver o resultado em tempo real. Os orçamentos diferem porque os laços de retroalimentação são diferentes: um cantor ouve a própria voz, um operador de câmera só ouve instruções.

É também por isso que o IFB é projetado como um mix-minus em vez de um retorno completo do programa. Um relatório internacional de 2004 sobre laços de contribuição lista o uso de um mix-minus ou sinal limpo para o retorno, o corte do retorno quando os microfones estão abertos e o uso de fones fechados ou retorno in-ear como as práticas operacionais que mantêm o eco fora do laço (ITU-R Report BT.2044). Para comparar com outra rede em que a voz é crítica, o rádio push-to-talk de socorristas opera com orçamentos parecidos, tratado em nosso levantamento sobre latência de push-to-talk de missão crítica.

MétricaValorFonte
Meta de latência para os retornos in-ear de artistas contra latência de ida em um só sentido de microfones sem fio e retornos in-ear em uso atualmente4 ms contra menos de 3 msBBC R&D, University of Strathclyde e TV2, IBC2024
Talkback de produção digital (DECT): base até o beltpack sem fio contra beltpack até beltpackAbaixo de 40 ms contra abaixo de 70 msBBC R&D, University of Strathclyde e TV2, IBC2024
Beltpack Clear-Com FreeSpeak Edge 5 GHz: latência de áudio contra beltpack até beltpackMenos de 35 ms contra 60 ms (alegação do próprio fabricante)Folha de dados Clear-Com FSE-BP50, revisão de agosto de 2023
Atraso boca-ouvido abaixo do qual a maioria das aplicações de fala e de não fala tem interatividade essencialmente transparente (400 ms é o teto geral de planejamento de rede)150 msITU-T G.114 (2003)
Atraso entre a entrada e a resposta do operador: ponto em que a precisão e a velocidade caem contra ponto de redução significativa da sensação de controleCerca de 100 ms contra mais de 300 msBBC R&D, University of Strathclyde e TV2, IBC2024
Atraso entre a câmera e a mesa de corte que operadores remotos de mesa de corte toleram quando nenhum sinal de retorno ao local é necessárioMais de 600 msBBC R&D, University of Strathclyde e TV2, IBC2024

Nota sobre valores atípicos: o número de 150 ms da telefonia é uma referência de conversação, não de IFB. Um apresentador que ouve a própria voz reage a 20 a 30 ms (seção 2), enquanto duas pessoas conversando por um link toleram cerca de cinco vezes mais (150 ms contra 30 ms).

4. Transporte AoIP: Temporização do AES67 e do SMPTE ST 2110-30

Dentro do prédio, o próprio transporte deixou de ser o gargalo. Os padrões de áudio sobre IP (AoIP) definem tempos de pacote de milissegundos ou menos, de modo que a escolha entre um tempo de pacote de 1 ms e de 125 microssegundos agora é uma decisão de configuração, não um limite da tecnologia. A latência real está em outro lugar: nos codecs, nos buffers e nos links de longa distância (seção 5).

A segunda história é a interoperabilidade. Os sistemas AoIP proprietários usavam cada um sua própria descoberta, seu próprio clock e seus próprios formatos de fluxo, de modo que uma matriz de talkback de um fabricante não conseguia simplesmente assinar um console de outro. O AES67 define um modo de operação comum, e o SMPTE ST 2110-30 o restringe ainda mais para broadcast, o que permite que painéis de intercom IP e estações-base de beltpacks compartilhem uma rede com câmeras e consoles. Nosso levantamento sobre migração de estúdios para AoIP, Dante e AES67 mostra até onde essa migração avançou.

MétricaValorFonte
Primeira publicação do AES67 e atualizações posteriores2013; atualizado em 2015 e 2018AIMS, Introduction to AES67 and its relationship with SMPTE ST 2110-30
Conjunto SMPTE ST 2110: seções iniciais publicadasDezembro de 2017AIMS, introdução ao AES67 e ao ST 2110-30
Ponto de operação principal do ST 2110-30 (Nível A): tempo de pacote e canais por fluxo1 ms; 2 e 8 canaisAIMS, introdução ao AES67 e ao ST 2110-30
Níveis B e C do ST 2110-30: tempo de pacote e máximo de canais por fluxo125 microssegundos; até 8 (Nível B) e até 64 (Nível C)AIMS, introdução ao AES67 e ao ST 2110-30
Modo de compatibilidade do AES67: formato de áudio comumLinear de 24 bits (L24), até 8 canais por fluxo, 48 kHzAIMS, introdução ao AES67 e ao ST 2110-30
Limites nativos de fluxo antes do modo AES67: Dante contra RAVENNAAté 4 canais por fluxo contra até 64 canais por fluxoAIMS, introdução ao AES67 e ao ST 2110-30

Nota de contexto: a AIMS (Alliance for IP Media Solutions) é uma aliança do setor cujo roteiro se baseia nesses padrões. Os números acima são parâmetros de projeto dos padrões, não medições de campo de nenhuma instalação em particular.

Quando o sinal sai do prédio, a física e os codecs assumem o controle. Um único salto por satélite geoestacionário acrescenta cerca de 239 a 281 ms em um só sentido apenas pela distância, aproximadamente dez vezes os 20 a 30 ms em que um falante considera perturbadora a própria voz atrasada (seção 2). A codificação de áudio com qualidade de broadcast pode somar de 170 a 400 ms a isso. O mesmo relatório de 2004 observa que as duas metades de um laço de contribuição raramente são idênticas: as emissoras costumam colocar um circuito de alta qualidade na linha do programa, um de qualidade inferior na linha de retorno, e muitas vezes enviam um retorno somente de áudio até em links de vídeo.

As opções mais novas reduzem o atraso, mas acrescentam variabilidade. O serviço de satélite de órbita baixa (LEO), como o Starlink, reduziu a latência mediana para cerca de 80 ms, mas com dois agrupamentos distintos de latência e com perda de pacotes que variou mais de dez vezes entre países vizinhos. Redes 5G privadas podem transportar vídeo de produção com cerca de 80 a 105 ms de atraso total, enquanto equipes de jornalismo que usam celular agregado (enviar o sinal de uma câmera por várias redes móveis públicas ao mesmo tempo) aceitam até dois segundos e, com isso, abrem mão da conversa bidirecional ao vivo.

MétricaValorFonte
Atraso do caminho por satélite geoestacionário apenas pela distância: satélite diretamente acima contra no horizonteCerca de 239 ms contra cerca de 281 msITU-R Report BT.2044 (2004)
Atraso de codificação de áudio: MPEG AAC com qualidade de broadcast contra AAC-LD de baixo atraso170 a 400 ms contra cerca de 60 msITU-R Report BT.2044 (2004)
Latência mediana de handshake TLS do Starlink em 2024 (RIPE Atlas, 146 sondas) e o segundo agrupamento de latênciaAproximadamente 80 ms; segundo agrupamento em cerca de 150 a 250 msRichter, Ververis e Bajpai, IFIP Networking 2025
Perda de pacotes do Starlink, janeiro de 2022 a junho de 2024: Alemanha contra Áustria10,52% contra 0,73%Richter, Ververis e Bajpai, IFIP Networking 2025
Tempo de trânsito do uplink de 5G privado em 10 configurações testadas (20 Mb/s, salvo indicação em contrário): faixa das médias contra faixa dos máximos6,4 a 13,8 ms contra 10,2 a 53,6 msBBC R&D, University of Strathclyde e TV2, IBC2024
Latência de vídeo, da entrada do codificador à saída do decodificador: 5G privado típico contra otimizado, comparado com links de câmera sem fio DVB-T COFDMCerca de 100 a 105 ms contra 80 ms contra tipicamente cerca de 50 msBBC R&D, University of Strathclyde e TV2, IBC2024
Atraso de vídeo tolerado por contribuição jornalística agregada por redes móveis públicasAté 2 segundosBBC R&D, University of Strathclyde e TV2, IBC2024

Nota sobre valores atípicos: os números do Starlink são tempos de handshake TLS até servidores raiz, não um caminho de áudio em um só sentido, e os autores observam que seu resultado contradiz estudos anteriores que relatavam medianas bem abaixo de 80 ms. Os resultados de 5G vêm de redes privadas de célula única, e os autores acrescentam que uma transferência entre células interrompe os dados por cerca de 20 ms. Dados mais recentes disponíveis sobre atraso de satélite e de codec: Report BT.2044, 2004.

6. Produção Remota e Adoção da Nuvem

Os números de adoção explicam por que os números de latência importam mais a cada ano. A produção remota (muitas vezes chamada de REMI, de modelo de integração remota: câmeras e microfones no local, a galeria e a equipe em outro lugar) move o laço de talkback de um cabo dentro de um caminhão para uma rede de longa distância. 41% de mais de 1.300 profissionais pesquisados apontaram a produção remota como sua maior prioridade tecnológica para 2026, e a parcela que usa redes celulares para contribuição ao vivo subiu de 46% para 54% em um ano.

As maiores produções ao vivo já fizeram a travessia. Em Paris 2024, dois terços dos serviços remotos reservados funcionaram pela nuvem, assumindo o lugar do satélite, que havia sido introduzido nos Jogos de Tóquio 1964. Os dados de pesquisa pedem cautela, porém: as duas pesquisas abaixo se baseiam em respondentes autoselecionados, e a maior é conduzida por um fornecedor de equipamentos de contribuição.

MétricaValorFonte
Respondentes que apontam a produção remota como sua maior prioridade tecnológica para 2026 (mais de 1.300 respondentes)41%Haivision Broadcast Transformation Report 2026, conforme relatado pela SVG, março de 2026 (pesquisa de fornecedor)
Respondentes que usam redes celulares para contribuição de vídeo ao vivo, relatório de 2026 contra relatório de 202554% contra 46%Haivision Broadcast Transformation Report 2026 (pesquisa de fornecedor)
Respondentes que usam redes celulares como backup da fibra61%Haivision Broadcast Transformation Report 2026 (pesquisa de fornecedor)
Respondentes que usam o protocolo de transporte SRT, relatório de 2020 contra relatório de 202647% contra 78%Haivision Broadcast Transformation Report 2026 (pesquisa de fornecedor)
Profissionais de broadcast e mídia que implementam ferramentas de produção em nuvem (312 leitores autoselecionados, novembro de 2024 a janeiro de 2025)60%Pesquisa setorial da NewscastStudio, fevereiro de 2025
Principais barreiras à produção em nuvem: custo contra complexidade do fluxo de trabalho contra preocupações com segurança33% contra 25% contra 17%Pesquisa setorial da NewscastStudio, 2025
Paris 2024: parcela dos serviços remotos reservados que usaram o OBS Live CloudDois terços, entre 54 emissorasOlympic Broadcasting Services e Alibaba Cloud, conforme relatado pela TV Technology, 2024
Sinais transportados pelo OBS Live Cloud em Paris 2024, contra emissoras inscritas quando o serviço se tornou padrão em Pequim 2022379 de vídeo (11 UHD, 368 HD) e 100 de áudio contra 22 emissorasOlympic Broadcasting Services, conforme relatado pela TV Technology, 2024

Nota de contexto: a parcela da OBS conta serviços remotos reservados, não todas as emissoras detentoras de direitos, e os números foram anunciados quando os Jogos começaram, e não medidos depois.

Resumo: Latência de Talkback e IFB em Broadcast em Números

MétricaValorFonte
Limiar de detecção de erro de temporização entre som e imagemCerca de +45 ms a -125 msITU-R BT.1359-1 (1998)
Limiar de aceitabilidade de erro de temporização entre som e imagemCerca de +90 ms a -185 msITU-R BT.1359-1 (1998)
Limite de sincronia labial de ponta a ponta em qualquer saída destinada à emissão (som antes contra depois da imagem)40 ms ou menos contra 60 ms ou menosEBU R37-2007
Temporização do som nas entradas dos codificadores de DTVNunca mais de 15 ms adiantado nem 45 ms atrasadoATSC IS-191 (relatada em 2004)
Atraso da própria voz classificado como perturbador na leitura em voz alta (32 participantes)25 a 30 msStone e Moore, Ear and Hearing 2002
Faixa de atraso da própria voz classificada como provavelmente apenas aceitável (25 falantes com deficiência auditiva)14 a 30 msStone e Moore, Ear and Hearing 2005
Limiar para perceber a própria voz atrasada (6 participantes)Aproximadamente 100 ms (DP 66,54 ms)Yamamoto e Kawabata, PLoS ONE 2011
Atraso de processamento testado em 20 participantes com audição normal e 20 com deficiência auditivaAté 50 msGoehring et al., International Journal of Audiology 2018
Meta de latência do retorno in-ear para artistas4 msBBC R&D, University of Strathclyde e TV2, IBC2024
Latência do talkback DECT: até o beltpack contra beltpack até beltpackAbaixo de 40 ms contra abaixo de 70 msBBC R&D, University of Strathclyde e TV2, IBC2024
Latência de áudio do beltpack sem fio, alegação do próprio fabricanteMenos de 35 msFolha de dados Clear-Com FSE-BP50, 2023
Tempo de pacote do ST 2110-30: Nível A contra Níveis B e C1 ms contra 125 microssegundosAIMS, introdução ao AES67 e ao ST 2110-30
Latência mediana de handshake TLS do Starlink, 2024Aproximadamente 80 msRichter, Ververis e Bajpai, IFIP Networking 2025
Perda de pacotes do Starlink na Alemanha, janeiro de 2022 a junho de 202410,52%Richter, Ververis e Bajpai, IFIP Networking 2025
Produção remota apontada como maior prioridade tecnológica para 202641%Haivision Broadcast Transformation Report 2026 (pesquisa de fornecedor)
Profissionais que implementam ferramentas de produção em nuvem60%Pesquisa setorial da NewscastStudio, 2025
Serviços remotos reservados no OBS Live Cloud em Paris 2024Dois terços, entre 54 emissorasOlympic Broadcasting Services, 2024

Metodologia e Fontes

Última atualização: 8 de novembro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando a Haivision publicar seu Broadcast Transformation Report de 2027.

Experimente o VoxBooster — 3 dias grátis.

Clone de voz em tempo real, soundboard e efeitos — onde você já fala.

  • Sem cartão
  • ~30ms de latência
  • Discord · Teams · OBS
Experimentar 3 dias grátis