Los espectadores notan un sonido que llega apenas 45 ms antes que la imagen, pero toleran hasta 125 ms de sonido que llega después, la ventana de detección asimétrica detrás de la recomendación internacional de radiodifusión sobre la temporización de sonido e imagen (ITU-R BT.1359-1, 1998). Las cadenas de reproducción reales a menudo se salen de esa ventana: un estudio con fotodiodo de noviembre de 2026 midió retrasos medianos del sonido de 79,2 a 210,9 ms en 24 combinaciones de reproductor y resolución, con hasta el 88,4% de las pruebas por encima del umbral de detección (Ho y Li, Preprints.org 2026). La tolerancia también depende de lo que haya en pantalla, con umbrales de aceptabilidad que van de 200 ms para un presentador de noticias a 1,3 s para fútbol americano (Ebenezer, arXiv 2022). La deriva de lip-sync (el intervalo entre el momento en que se mueve la boca y el momento en que se oye el sonido) es un problema distinto de la temporización de los subtítulos, que cubrimos en nuestras estadísticas de retraso y precisión de los subtítulos ocultos. Reunimos datos de la EBU, la ATSC, la SMPTE, IEEE Transactions on Broadcasting, el Journal of the Acoustical Society of America, PLOS ONE, Allion Labs, Amazon Science y una docena de otras fuentes primarias.
TL;DR
- Umbral medio de detección: unos 45 ms de audio adelantado a 125 ms de audio retrasado (ITU-R BT.1359-1, 1998).
- Límite europeo de broadcast: 40 ms de sonido antes de la imagen y 60 ms después, de extremo a extremo (EBU R37, 2007).
- Orientación de DTV de EE. UU. en la entrada del codificador: no más de 15 ms de audio adelantado ni 45 ms de retraso (ATSC IS/191, según TV Technology 2004).
- Umbral medio de detección de audio adelantado en una prueba de laboratorio de Intel: 185,19 ms, DE 42,32 ms (Younkin y Corriveau, IEEE Transactions on Broadcasting 2008).
- Habla juzgada síncrona desde 131 ms de audio adelantado hasta 225 ms de video adelantado (Conrey y Pisoni, JASA 2006).
- Umbral de aceptabilidad para audio adelantado respecto al video: 200 ms para un presentador de noticias frente a 1,3 s para fútbol americano (Ebenezer, arXiv 2022).
- Desfases medianos entregados en reproducción probada de rostro que habla: sonido retrasado entre 79,2 y 210,9 ms en todas las celdas (Ho y Li, Preprints.org 2026).
- Zoom medido desde 92 ms de video adelantado hasta 73 ms de audio adelantado en cinco equipos (pruebas de AV-Sync de Allion Labs).
- Peor intervalo medio entre los inicios de audio e imagen en un casco de realidad mixta sin calibrar: 156,63 ms (Eckhoff et al., PLOS ONE 2024).
- Ventana de sincronía para un hablante nativo de inglés: 100 ms en oyentes jóvenes con audición normal frente a 250 ms en oyentes mayores (Gordon-Salant et al., Frontiers in Psychology 2022).
- Precisión de los clasificadores de lip-sync en el conjunto de datos LRS2: 96,5% para IC-SyncNet frente al 75,8% del SyncNet original (Park et al., arXiv 2024).
1. Umbrales de Detección: Cuándo Notan los Espectadores el Error de Lip-Sync
El hallazgo más consistente de 80 años de investigación es la asimetría. El sonido que llega adelantado se detecta con aproximadamente un tercio del desfase que necesita el sonido retrasado: unos 45 ms de audio adelantado frente a 125 ms de audio retrasado en las pruebas subjetivas (pruebas en las que los espectadores puntúan fragmentos) resumidas por la recomendación ITU-R BT.1359-1. La naturaleza explica el sesgo: la luz viaja más rápido que el sonido, y en el habla natural la boca empieza a moverse antes que la voz. En el estímulo de habla analizado por Venezia et al., el cierre de la boca precedió al sonido en 163 ms, de modo que el cerebro ya está entrenado para aceptar audio retrasado.
La dispersión entre estudios importa tanto como los promedios. Un estudio de Bell Laboratories de los años cuarenta situó la detección en 35 ms de adelanto y 100 ms de retraso, mientras que una prueba de laboratorio de Intel con errores de audio adelantado halló una media mucho más holgada, de 185,19 ms (Younkin y Corriveau, IEEE Transactions on Broadcasting 2008). La lectura práctica: los umbrales son promedios de una población, y los espectadores más sensibles quedan muy por dentro de ellos. Una transmisión diseñada para el promedio sigue molestando a una parte de su audiencia.
| Métrica | Valor | Fuente |
|---|---|---|
| Umbral medio de detección, sonido adelantado frente a sonido retrasado respecto a la imagen | Aprox. +45 ms a -125 ms | ITU-R BT.1359-1 (1998) |
| Umbral de detección en un estudio temprano de Bell Laboratories, audio adelantado frente a audio retrasado | Más de 35 ms de adelanto o más de 100 ms de retraso | Estudio de Bell Laboratories, citado en TV Technology (Hoffner) 2003 |
| Umbral medio de detección para audio que se adelanta a los labios | 185,19 ms (DE 42,32 ms) | Younkin y Corriveau, IEEE Transactions on Broadcasting 2008 |
| Habla juzgada síncrona, mayor adelanto del audio frente a mayor adelanto del video (30 adultos) | 131 ms de audio adelantado a 225 ms de video adelantado | Conrey y Pisoni, JASA 2006 |
| Sonido no verbal (destello y tono) juzgado síncrono, audio adelantado frente a video adelantado | 153 ms de audio adelantado a 247 ms de video adelantado | Conrey y Pisoni, JASA 2006 |
| Anchura de la ventana de sincronía a la mitad de su pico, habla frente a sonido no verbal | 357 ms frente a 400 ms | Conrey y Pisoni, JASA 2006 |
| Umbral de detección para el habla, video adelantado al sonido frente a sonido adelantado al video | 258 ms frente a 131 ms | Dixon y Spitz 1980, citado en Venezia et al., Attention, Perception, and Psychophysics 2016 |
| Umbral de detección para un martillo golpeando una clavija, video adelantado frente a sonido adelantado | 188 ms frente a 75 ms | Dixon y Spitz 1980, citado en Venezia et al. 2016 |
Nota de contexto: Conrey y Pisoni hallaron que el centro de la ventana de sincronía estaba en 47 ms de video adelantado, y no en cero, tanto para el habla como para el sonido no verbal (Conrey y Pisoni, JASA 2006). La revisión de Venezia et al. rastrea el mismo patrón a lo largo de varias replicaciones. Dato más reciente disponible para umbrales poblacionales: Younkin y Corriveau 2008; en nuestra investigación no apareció ningún estudio de umbrales con muestra grande más nuevo sobre lip-sync en broadcast.
2. Tolerancias de Broadcast y Presupuestos de Sincronía
Los estudios de percepción dicen dónde nota el público; las normas dicen a los ingenieros cuánto de ese margen puede gastar cada parte de la cadena. El patrón más llamativo es cuánto más estrictos son los límites de ingeniería que los de percepción. La EBU R37 permite a cada etapa solo 5 ms de adelanto y 15 ms de retraso, mientras que la cadena completa debe mantenerse dentro de un límite de extremo a extremo de 40 ms de adelanto y 60 ms de retraso (EBU R37, 2007). La EBU afirma que sus límites se basan en el retraso con el que el 50% de los observadores nota el fallo de lip-sync.
EE. UU. fue aún más estricto. El Implementation Subcommittee de la ATSC consideró inadecuados para la televisión digital los límites internacionales de 1998 y pidió que el audio que entra al codificador nunca se adelante al video más de 15 ms ni se retrase más de 45 ms (TV Technology, ATSC Recommends AV Sync Rules, 2004). A modo de comparación, la antigua regla práctica de NTSC era +1 y -2 cuadros, o +33 y -66 ms. La recomendación de 1998 también reparte su propio presupuesto y deja a los segmentos fuera del control del emisor solo ±2 ms.
| Métrica | Valor | Fuente |
|---|---|---|
| Tolerancia global entre sonido e imagen (también el umbral medio de aceptabilidad) | +90 ms a -185 ms | ITU-R BT.1359-1 (1998) |
| Reparto del presupuesto: de la fuente de cámara al punto de referencia cero (la referencia de temporización del estudio) frente a del punto de referencia cero a la entrada del transmisor | +25 / -100 ms frente a +22,5 / -30 ms | ITU-R BT.1359-1 (1998) |
| Límite de extremo a extremo en cualquier salida destinada a emisión, sonido antes de la imagen frente a sonido después de la imagen | 40 ms frente a 60 ms | EBU R37 (2007) |
| Límite por etapa individual de la cadena de producción | 5 ms de adelanto a 15 ms de retraso | EBU R37 (2007) |
| Límite de DTV para el audio en la entrada del codificador, adelanto frente a retraso | 15 ms frente a 45 ms | ATSC IS/191, según TV Technology 2004 |
| Límite de DTV para toda la cadena, audio adelantado frente a audio retrasado respecto al video | +30 ms a -90 ms | ATSC IS/191, según TV Technology 2004 |
| Límite de calidad de experiencia en IPTV, audio adelantado frente a audio retrasado respecto al video (provisional, definición estándar) | 15 ms frente a 45 ms como máximo | ITU-T G.1080 (2008) |
| Regla práctica de NTSC analógico en cuadros y milisegundos | +1 / -2 cuadros (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
Nota sobre el caso atípico: estos documentos son antiguos pero siguen vigentes. La recomendación sobre sonido e imagen se aprobó el 30 de noviembre de 1998 y la de calidad de IPTV el 7 de diciembre de 2008, y ambas figuran como en vigor. Dato más reciente disponible: EBU R37, 2007.
3. Tipo de Contenido y Audiencia: Quién Tolera Cuánto
Un rostro que habla es la prueba más difícil que puede afrontar una transmisión. En un estudio con 20 espectadores y 45 fragmentos, el umbral de aceptabilidad para audio adelantado respecto al video fue de 200 ms para un presentador de noticias, pero de 1,3 s para fútbol americano (Ebenezer, arXiv 2022). Los planos generales deportivos ofrecen pocos eventos audiovisuales nítidos que sirvan de ancla para la temporización, de modo que una transmisión de videojuegos o deportes con la cámara del rostro del streamer en pantalla se juzga con el estándar más estricto, basado en el rostro.
La audiencia también importa. Con un hablante nativo de inglés, los oyentes mayores muestran ventanas de sincronía (el rango de desfases que aún se percibe como simultáneo) al menos dos veces más anchas que las de los adultos jóvenes, pero aun así pierden reconocimiento del habla cuando la señal está desalineada, incluso cuando no notan el error (Gordon-Salant et al., Frontiers in Psychology 2022). Una ventana ancha no es lo mismo que inmunidad: los errores de sincronía pueden costar comprensión sin llegar a convertirse nunca en una queja.
| Métrica | Valor | Fuente |
|---|---|---|
| Umbral de aceptabilidad para audio adelantado respecto al video, fragmento de presentador de noticias | 200 ms | Ebenezer, arXiv 2022 |
| Umbral de aceptabilidad para audio adelantado respecto al video, fragmento de críquet | 500 ms | Ebenezer, arXiv 2022 |
| Umbral de aceptabilidad para audio adelantado respecto al video, fragmentos de fútbol y tenis | 1 s | Ebenezer, arXiv 2022 |
| Umbral de aceptabilidad para audio adelantado respecto al video, fragmento de fútbol americano | 1,3 s | Ebenezer, arXiv 2022 |
| Ventana de sincronía para un hablante nativo de inglés, jóvenes con audición normal frente a oyentes mayores (17 por grupo) | 100 ms frente a 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Anchura típica de la ventana de sincronía, pares con video adelantado frente a pares con audio adelantado | 200-250 ms frente a 100-150 ms | Cecere et al., European Journal of Neuroscience 2016 |
| Puntuación de sensibilidad de base (d prima, más alta significa mejor detección), pares con audio adelantado frente a pares con video adelantado, 30 adultos | 1,58 frente a 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Participantes en un estudio de 2026 sobre asincronía del habla con ruido, usuarios de implante coclear frente a adultos con audición típica (desfases de hasta 400 ms) | 15 frente a 31 | Salagovic et al., Journal of Speech, Language, and Hearing Research 2026 |
Nota de contexto: la brecha de sensibilidad de Cecere et al. fue estadísticamente robusta (F(1,27) = 37,10, p < 0,0001) (Cecere et al., European Journal of Neuroscience 2016). En el estudio de 2026, la inteligibilidad alcanzó su máximo cerca de la sincronía en ambos grupos, y los usuarios de implante coclear mostraron caídas mayores a medida que crecía la asincronía (Salagovic et al., JSLHR 2026). El estudio de deportes es un preprint y tiene más de tres años; dato más reciente disponible: Ebenezer, 2022.
4. Desfases Medidos en Reproductores, Aplicaciones de Llamadas y Cascos
Las normas suponen que cada dispositivo informa y corrige su propio retraso. Las mediciones muestran que esa suposición falla. Un estudio de noviembre de 2026 con fotodiodo y salida de línea sobre cuatro sistemas de video con rostro que habla, tres reproductores y dos resoluciones halló sonido retrasado en las 24 celdas, con desfases medianos de 79,2 a 210,9 ms, y entre el 60,9% y el 88,4% de 3.637 pruebas por encima del umbral de detección de broadcast (Ho y Li, Preprints.org 2026). Su propia incertidumbre de medición entre canales fue de 0,0144 ms, así que el error está en la cadena de reproducción, no en el instrumento.
Las aplicaciones de llamadas y de streaming se reparten a ambos lados del cero. En las pruebas de Allion Labs con una webcam USB en cinco equipos, la misma aplicación podía adelantarse en una máquina y retrasarse en otra (pruebas de AV-Sync de Allion Labs). Por eso las correcciones a nivel de paquete, que tratamos en nuestras estadísticas de ocultación de pérdida de paquetes en WebRTC, no pueden garantizar por sí solas el lip-sync: la sincronía se decide en los extremos. Cada etapa de procesamiento que un streamer añade al camino del micrófono, desde la supresión de ruido hasta un cambiador de voz en OBS, suma su propio retraso a ese presupuesto, y por eso la EBU R37 presupuesta cada etapa por separado.
| Métrica | Valor | Fuente |
|---|---|---|
| Desfase mediano de audio y video entregado en 24 celdas de reproductor y resolución (negativo significa sonido retrasado) | -210,9 ms a -79,2 ms | Ho y Li, Preprints.org 2026 |
| Proporción de pruebas por encima del umbral de detección de broadcast, rango entre celdas | 60,9% a 88,4% | Ho y Li, Preprints.org 2026 |
| Proporción de pruebas por encima del umbral de aceptabilidad de broadcast, rango entre celdas | 31,6% a 59,4% | Ho y Li, Preprints.org 2026 |
| Zoom, rango entre cinco equipos (positivo significa audio primero) | -92 ms a +73 ms | Pruebas de AV-Sync de Allion Labs (sin fecha) |
| Microsoft Teams, rango entre cinco equipos | -95 ms a -20 ms | Pruebas de AV-Sync de Allion Labs (sin fecha) |
| Twitch, rango entre cuatro equipos | -90 ms a +32 ms | Pruebas de AV-Sync de Allion Labs (sin fecha) |
| Google Meet, rango entre cinco equipos | -100 ms a +42 ms | Pruebas de AV-Sync de Allion Labs (sin fecha) |
| Mayor intervalo medio entre los inicios de audio e imagen en un casco de realidad mixta sin calibrar, con jitter de hasta | 156,63 ms, jitter de hasta ±11,82 ms | Eckhoff et al., PLOS ONE 2024 |
Nota de contexto: la calibración funciona. Retrasar la imagen en un Varjo XR-3 llevó su intervalo de 53,49 ± 3,15 ms a -3,89 ± 1,56 ms a lo largo de 100 presentaciones (Eckhoff et al., PLOS ONE 2024). El estudio con fotodiodo citado al inicio de esta sección se publicó el 3 de noviembre de 2026 y aún no ha sido revisado por pares.
5. Deriva en Sesiones Largas: Relojes, Capturadoras y Medición de Sincronía
Los desfases estáticos se pueden compensar una vez. La deriva no, porque crece con el tiempo. Cuando el audio y el video tienen relojes independientes, un error de frecuencia se acumula mientras dure la transmisión. Un reloj en el límite de ±1 ppm de una referencia de audio digital de Grado 1 (DARS, el reloj maestro que fija la frecuencia de muestreo del audio) deriva 3,6 ms por hora: 0,000001 x 3.600 segundos = 0,0036 s, o 28,8 ms en una transmisión de ocho horas (nuestro cálculo a partir de la tolerancia de Grado 1 de la tabla siguiente). Las plantas de broadcast evitan esto bloqueando todo a una única referencia, la misma lógica detrás de la migración a IP que seguimos en nuestras estadísticas de AoIP, Dante y AES67 en broadcast.
El hardware de captura de consumo es más laxo. El proveedor de software LEADTOOLS documenta dispositivos de captura que arrancan con 60 a 90 ms de desincronización y dispositivos que empiezan a derivar tras 8 a 24 horas (LEADTOOLS, Timestamp Drifting in Live Capture Situations). Para una transmisión 24/7, la deriva no es un caso extremo; es un punto de mantenimiento programado.
| Métrica | Valor | Fuente |
|---|---|---|
| Precisión de frecuencia a largo plazo de una referencia de audio digital de Grado 1 | Dentro de ±1 ppm | ITU-R BS.2032-0 (2013) |
| Deriva en el límite de ±1 ppm, por hora y en 8 horas (nuestro cálculo) | 3,6 ms por hora; 28,8 ms en 8 horas | Calculado a partir de ITU-R BS.2032-0 (2013) |
| Capturadoras observadas derivando tras una captura continua de | 8 a 24 horas | Documentación de LEADTOOLS (observación del propio proveedor) |
| Desfase inicial entre audio y video en algunos dispositivos de captura | Aprox. 60-90 ms | Documentación de LEADTOOLS (observación del propio proveedor) |
| Diferencia de marca de tiempo en dispositivos de captura con relojes no coincidentes | Más de 500 ms | Documentación de LEADTOOLS (observación del propio proveedor) |
| Precisión del banco de medición de sincronía de código abierto de la BBC (sensor de luz más entrada de audio) | Precisión de aproximadamente un milisegundo | BBC R&D dvbcss-synctiming |
| Ejemplo de tolerancia de aprobado/suspenso en el banco de la BBC, aplicación complementaria de segunda pantalla frente a TV | ±8 ms frente a ±23 ms | BBC R&D dvbcss-synctiming |
| Métodos de transporte de huellas de lip-sync (SDI, UDP sobre IP, flujo de transporte MPEG-2), un contenedor por cuadro | 3 | SMPTE ST 2064-2 (2015) |
Nota de contexto: el banco de la BBC reproduce un video de prueba con destellos y pitidos y mide su temporización en la pantalla y en el altavoz, el único punto en el que la sincronía se experimenta de verdad (BBC R&D dvbcss-synctiming). El enfoque de huellas de SMPTE mide cambios de temporización sin señales de prueba, comparando huellas tomadas aguas arriba y aguas abajo (SMPTE ST 2064-2:2015).
6. Detección Automática de Lip-Sync: Lo Que las Máquinas Pueden y No Pueden Detectar
Los servicios de streaming ahora comprueban la sincronía con aprendizaje automático en lugar de revisiones puntuales hechas por personas. Prime Video construyó detectores para 18 tipos de defecto, entre ellos la sincronía de audio y video, y ejecuta su detector de lip-sync sobre fragmentos de cuatro segundos centrados en un único rostro, en miles de canales y eventos en vivo (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). La precisión de los clasificadores ha subido rápido: 96,5% en el conjunto de datos LRS2 en 2024, frente al 75,8% del SyncNet original (Park et al., Interpretable Convolutional SyncNet, arXiv 2024).
El problema es que las puntuaciones a nivel de archivo no ven la cadena de reproducción. Ho y Li hallaron que las puntuaciones de sincronía de SyncNet no guardaban correlación con los desfases que midieron en la pantalla, y que la propia estimación de desfase de SyncNet coincidía con la medición solo dentro de una semianchura de 282,2 ms. Un archivo limpio aún puede reproducirse desincronizado, y la segunda comprobación tiene que hacerse en el dispositivo.
| Métrica | Valor | Fuente |
|---|---|---|
| Tipos de defecto de video cubiertos por los detectores de Prime Video (entre ellos la sincronía de audio y video) | 18 | Amazon Science (Prime Video) 2022 |
| Base de datos de errores de sincronía de audio y video en tenis creada por investigadores de Amazon | 504.300 cuadros de 6 horas de video | Ebenezer et al., ICASSP 2021 (Amazon) |
| Precisión de clasificación de sincronía, IC-SyncNet en LRS2 frente a LRS3 | 96,5% frente a 93,8% | Park et al., arXiv 2024 |
| Precisión de clasificación de sincronía, SyncNet original en LRS2 | 75,8% | Park et al., arXiv 2024 |
| Valoraciones humanas recopiladas para un conjunto de datos de calidad perceptual de sincronía (más de 100 horas, más de 80 anotadores) | 120.000 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Correlación de la métrica PEAVS con las valoraciones humanas, nivel de conjunto frente a nivel de fragmento | 0,79 frente a 0,54 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Correlación entre las puntuaciones de sincronía de SyncNet y la magnitud del desfase medido | r = -0,066 a +0,083 | Ho y Li, Preprints.org 2026 |
Nota de contexto: en los datos de PEAVS, tanto las puntuaciones humanas como la métrica alcanzaron su máximo por encima de 4 en una escala de 5 puntos con un desplazamiento de audio de 45 ms y cayeron a medida que el desplazamiento crecía (Goncalves et al., PEAVS, ECCV 2024). El método de Amazon para tenis marca un error cuando un golpe de raqueta aparece en el audio pero no en el video cercano (Amazon Science, Detection of audio-video synchronization errors via event detection).
Resumen: Deriva de Sincronía Audio-Video (Lip-Sync) en Transmisiones en Vivo en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Umbral medio de detección, sonido adelantado frente a retrasado | Aprox. +45 ms a -125 ms | ITU-R BT.1359-1 (1998) |
| Anchura de la ventana de sincronía a la mitad de su pico, habla frente a sonido no verbal | 357 ms frente a 400 ms | Conrey y Pisoni, JASA 2006 |
| Límite de emisión de extremo a extremo, sonido antes frente a después de la imagen | 40 ms frente a 60 ms | EBU R37 (2007) |
| Límite por etapa en la cadena de producción | 5 ms de adelanto a 15 ms de retraso | EBU R37 (2007) |
| Límite de DTV en la entrada del codificador, adelanto frente a retraso | 15 ms frente a 45 ms | ATSC IS/191, vía TV Technology 2004 |
| Límite de DTV para toda la cadena | +30 ms a -90 ms | ATSC IS/191, vía TV Technology 2004 |
| Umbral medio de detección para audio que se adelanta a los labios | 185,19 ms (DE 42,32 ms) | Younkin y Corriveau, IEEE Transactions on Broadcasting 2008 |
| Habla juzgada síncrona, audio adelantado frente a video adelantado | 131 ms frente a 225 ms | Conrey y Pisoni, JASA 2006 |
| Umbral de aceptabilidad para audio adelantado, presentador de noticias frente a fútbol americano | 200 ms frente a 1,3 s | Ebenezer, arXiv 2022 |
| Ventana de sincronía, oyentes jóvenes frente a mayores | 100 ms frente a 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Sensibilidad, pares con audio adelantado frente a pares con video adelantado | d prima 1,58 frente a 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Desfases medianos entregados en reproducción probada de rostro que habla | Sonido retrasado entre 79,2 y 210,9 ms | Ho y Li, Preprints.org 2026 |
| Rango de desfase de Microsoft Teams en cinco equipos | -95 ms a -20 ms | Pruebas de AV-Sync de Allion Labs |
| Rango de desfase de Zoom en cinco equipos | -92 ms a +73 ms | Pruebas de AV-Sync de Allion Labs |
| Peor intervalo medio entre inicios, casco de realidad mixta sin calibrar | 156,63 ms | Eckhoff et al., PLOS ONE 2024 |
| Desfase inicial en algunos dispositivos de captura | Aprox. 60-90 ms | Documentación de LEADTOOLS (proveedor) |
| Precisión de clasificadores de lip-sync en LRS2, IC-SyncNet frente a SyncNet | 96,5% frente a 75,8% | Park et al., arXiv 2024 |
| Correlación de PEAVS con las valoraciones humanas, nivel de conjunto | 0,79 | Goncalves et al. (Amazon), ECCV 2024 |
Metodología y Fuentes
- Recomendaciones de la 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 y el umbral de Bell Laboratories, a través de las columnas de Randy Hoffner en TV Technology: ATSC Recommends AV Sync Rules (2004) y A/V Synchronization: How Bad Is Bad? (2003).
- Younkin y Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey y Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia et al., Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere, Gross y Thut, European Journal of Neuroscience (2016).
- Gordon-Salant et al., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson y 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 y 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 y 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 y 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) y Goncalves et al., PEAVS, ECCV (2024).
- Park et al., Interpretable Convolutional SyncNet, arXiv (2024).
- Nota sobre los datos: las cifras de detectabilidad discrepan entre estudios. La recomendación de broadcast de 1998 sitúa la detección de audio adelantado en unos 45 ms, el estudio de Bell Laboratories en 35 ms y Younkin y Corriveau en una media de 185,19 ms; presentamos los tres en lugar de elegir uno, y las diferencias de estímulos y de método probablemente explican la brecha. Las convenciones de signo también difieren: la mayoría de los documentos de broadcast y Allion Labs usan positivo para audio primero, mientras que el estudio de 2026 con fotodiodo registra el retraso del sonido como negativo. La página de Allion Labs no lleva fecha de publicación, y el estudio con fotodiodo (publicado el 3 de noviembre de 2026) y el estudio de deportes de Ebenezer son preprints que no han sido revisados por pares. Las cifras de LEADTOOLS son observaciones del propio proveedor de software. Los valores de ATSC IS/191 proceden de la cobertura de TV Technology porque el documento de la propia ATSC no estaba accesible. La cifra de deriva de 3,6 ms por hora es un cálculo nuestro a partir de la tolerancia de ±1 ppm, no un valor medido. La mayor parte de los datos de umbrales y tolerancias tiene más de tres años y está señalada como dato más reciente disponible.
Última actualización: 6 de noviembre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publique la versión revisada por pares del estudio de noviembre de 2026 con fotodiodo sobre el lip-sync entregado.