시청자는 영상보다 겨우 45 ms 먼저 도착하는 오디오를 알아채지만, 영상보다 늦게 도착하는 오디오는 최대 125 ms까지 허용한다. 이는 소리와 영상의 타이밍에 관한 국제 방송 권고(ITU-R BT.1359-1, 1998)의 근거가 된 비대칭 감지 구간이다. 실제 재생 체인은 이 구간을 벗어나는 경우가 많다. 2026년 11월의 포토다이오드 연구는 24가지 플레이어·해상도 조합에서 오디오 지연 중앙값을 79.2~210.9 ms로 측정했고, 시도의 최대 88.4%가 감지 임계값을 넘었다(Ho와 Li, Preprints.org 2026). 허용 정도는 화면에 무엇이 나오느냐에도 좌우되어, 허용 임계값은 뉴스 앵커의 200 ms에서 미식축구의 1.3초까지 폭이 넓다(Ebenezer, arXiv 2022). 립싱크 드리프트(입이 움직이는 순간과 그 소리가 들리는 순간 사이의 간격)는 저희 폐쇄 자막 지연 및 정확도 통계에서 다룬 자막 타이밍과는 다른 문제다. EBU, ATSC, SMPTE, IEEE Transactions on Broadcasting, Journal of the Acoustical Society of America, PLOS ONE, Allion Labs, Amazon Science를 비롯한 십여 개의 1차 출처에서 데이터를 취합했다.
요약
- 평균 감지 임계값: 오디오 선행 약 45 ms부터 오디오 지연 125 ms까지(ITU-R BT.1359-1, 1998).
- 유럽 방송 한계: 종단 간으로 소리가 영상보다 앞서는 경우 40 ms, 뒤처지는 경우 60 ms(EBU R37, 2007).
- 인코더 입력에서의 미국 디지털 TV 지침: 오디오 선행은 15 ms 이하, 오디오 지연은 45 ms 이하(ATSC IS/191, TV Technology 2004 보도 기준).
- Intel 실험실 시험에서 오디오 선행 평균 감지 임계값: 185.19 ms, SD 42.32 ms(Younkin과 Corriveau, IEEE Transactions on Broadcasting 2008).
- 오디오 선행 131 ms부터 영상 선행 225 ms까지의 발화가 동기된 것으로 판단됨(Conrey와 Pisoni, JASA 2006).
- 오디오가 영상보다 앞서는 경우의 허용 임계값: 뉴스 앵커는 200 ms, 미식축구는 1.3초(Ebenezer, arXiv 2022).
- 시험한 말하는 얼굴 재생에서 실제 전달된 어긋남의 중앙값: 모든 셀에서 오디오가 79.2~210.9 ms 늦음(Ho와 Li, Preprints.org 2026).
- Zoom은 컴퓨터 5대에서 영상 선행 92 ms부터 오디오 선행 73 ms까지로 측정됨(Allion Labs AV-Sync 테스트).
- 보정되지 않은 혼합현실 헤드셋에서 오디오·영상 시작 시점 차이의 최악 평균: 156.63 ms(Eckhoff 외, PLOS ONE 2024).
- 영어 원어민 화자에 대한 동기 구간: 청력이 정상인 젊은 청취자는 100 ms, 고령 청취자는 250 ms(Gordon-Salant 외, Frontiers in Psychology 2022).
- LRS2 데이터셋에서 립싱크 분류기 정확도: IC-SyncNet은 96.5%, 원래 SyncNet은 75.8%(Park 외, arXiv 2024).
1. 감지 임계값: 시청자가 립싱크 오류를 알아채는 시점
80년간의 연구를 통틀어 가장 일관된 결과는 비대칭성이다. 일찍 도착한 오디오는 늦게 도착한 오디오가 필요로 하는 어긋남의 약 3분의 1 수준에서 감지된다. ITU-R BT.1359-1 권고가 요약한 주관 평가 시험(시청자가 클립을 평가하는 시험)에서 오디오 선행은 약 45 ms, 오디오 지연은 125 ms였다. 이 편향은 자연이 설명해 준다. 빛은 소리보다 빠르게 이동하고, 자연스러운 발화에서는 목소리보다 입이 먼저 움직이기 시작한다. Venezia 외가 분석한 발화 자극에서는 입의 닫힘이 소리보다 163 ms 앞섰으므로, 뇌는 이미 늦은 오디오를 받아들이도록 훈련되어 있다.
연구 간 편차도 평균만큼 중요하다. 1940년대 Bell Laboratories의 연구는 감지를 선행 35 ms, 지연 100 ms로 제시했지만, Intel의 오디오 선행 오류 실험실 시험에서는 평균 185.19 ms로 훨씬 느슨한 값이 나왔다(Younkin과 Corriveau, IEEE Transactions on Broadcasting 2008). 실무적 해석은 이렇다. 임계값은 모집단 전체의 평균이며, 가장 민감한 시청자는 그보다 훨씬 안쪽에 있다. 평균에 맞춰 설계된 스트림도 여전히 일부 시청자에게는 거슬린다.
| 지표 | 값 | 출처 |
|---|---|---|
| 평균 감지 임계값, 오디오가 영상보다 앞서는 경우와 늦는 경우 | 약 +45 ms ~ -125 ms | ITU-R BT.1359-1 (1998) |
| 초기 Bell Laboratories 연구의 감지 임계값, 오디오 선행과 오디오 지연 | 35 ms 초과 선행 또는 100 ms 초과 지연 | Bell Laboratories 연구, TV Technology (Hoffner) 2003 보도 |
| 오디오가 입술 움직임보다 앞서는 경우의 평균 감지 임계값 | 185.19 ms (SD 42.32 ms) | Younkin과 Corriveau, IEEE Transactions on Broadcasting 2008 |
| 동기된 것으로 판단된 발화, 오디오 선행 최대치와 영상 선행 최대치 (성인 30명) | 오디오 선행 131 ms ~ 영상 선행 225 ms | Conrey와 Pisoni, JASA 2006 |
| 동기된 것으로 판단된 비발화(섬광과 신호음), 오디오 선행과 영상 선행 | 오디오 선행 153 ms ~ 영상 선행 247 ms | Conrey와 Pisoni, JASA 2006 |
| 정점의 절반 높이에서의 동기 구간 폭, 발화와 비발화 | 357 ms 대 400 ms | Conrey와 Pisoni, JASA 2006 |
| 발화에 대한 감지 임계값, 영상이 소리보다 앞서는 경우와 소리가 영상보다 앞서는 경우 | 258 ms 대 131 ms | Dixon과 Spitz 1980, Venezia 외, Attention, Perception, and Psychophysics 2016에서 인용 |
| 망치가 말뚝을 치는 장면의 감지 임계값, 영상 선행과 소리 선행 | 188 ms 대 75 ms | Dixon과 Spitz 1980, Venezia 외 2016에서 인용 |
맥락 참고: Conrey와 Pisoni는 동기 구간의 중심이 발화와 비발화 모두에서 0이 아니라 영상 선행 47 ms에 있음을 발견했다(Conrey와 Pisoni, JASA 2006). Venezia 외의 리뷰는 후속 재현 연구에서도 같은 패턴을 추적한다. 모집단 임계값에 대한 입수 가능한 최신 데이터: Younkin과 Corriveau 2008. 방송 립싱크에 대해 이보다 새로운 대규모 표본의 임계값 연구는 저희 조사에서 나타나지 않았다.
2. 방송 허용 한계와 동기 예산
지각 연구는 시청자가 어디서 알아채는지를 알려 주고, 표준은 체인의 각 부분이 그 여유를 얼마나 써도 되는지를 엔지니어에게 알려 준다. 눈에 띄는 점은 공학적 한계가 지각 한계보다 훨씬 더 엄격하다는 것이다. EBU R37은 각 단계에 앞섬 5 ms, 늦음 15 ms만 허용하며, 체인 전체는 종단 간 선행 40 ms, 지연 60 ms 한계 안에 있어야 한다(EBU R37, 2007). EBU는 이 한계가 관찰자의 50%가 립싱크 불량을 알아채는 지연에 기반한다고 밝힌다.
미국은 이보다 더 엄격하게 갔다. ATSC 구현 소위원회는 1998년의 국제 한계가 디지털 TV에는 부적절하다고 판단하고, 인코더로 들어가는 오디오가 영상보다 15 ms를 넘게 앞서거나 45 ms를 넘게 늦지 않도록 요청했다(TV Technology, ATSC Recommends AV Sync Rules, 2004). 비교하자면, 예전 NTSC의 경험칙은 +1프레임과 -2프레임, 즉 +33 ms와 -66 ms였다. 1998년 권고는 자체 예산도 나누어, 방송사가 통제할 수 없는 구간에는 ±2 ms만 남겼다.
| 지표 | 값 | 출처 |
|---|---|---|
| 전체 소리·영상 허용 한계 (평균 허용 임계값이기도 함) | +90 ms ~ -185 ms | ITU-R BT.1359-1 (1998) |
| 예산 분할: 카메라 소스에서 영점 기준점(스튜디오 타이밍 기준)까지와 영점 기준점에서 송신기 입력까지 | +25 / -100 ms 대 +22.5 / -30 ms | ITU-R BT.1359-1 (1998) |
| 송출을 목적으로 하는 모든 출력에서의 종단 간 한계, 소리가 영상보다 앞서는 경우와 뒤처지는 경우 | 40 ms 대 60 ms | EBU R37 (2007) |
| 제작 체인의 개별 단계별 한계 | 앞섬 5 ms ~ 늦음 15 ms | EBU R37 (2007) |
| 인코더 입력에서의 오디오 디지털 TV 한계, 선행과 지연 | 15 ms 대 45 ms | ATSC IS/191, TV Technology 2004 보도 |
| 체인 전체의 디지털 TV 한계, 오디오 선행과 오디오 지연 | +30 ms ~ -90 ms | ATSC IS/191, TV Technology 2004 보도 |
| IPTV 체감 품질(QoE) 한계, 오디오 선행과 오디오 지연 (잠정, 표준 화질) | 최대 15 ms 대 45 ms | ITU-T G.1080 (2008) |
| 아날로그 NTSC 경험칙 (프레임과 밀리초 단위) | +1 / -2프레임 (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
예외 참고: 이 문서들은 오래되었지만 여전히 유효하다. 소리·영상 권고는 1998년 11월 30일에, IPTV 품질 권고는 2008년 12월 7일에 승인되었으며, 둘 다 유효한 것으로 등재되어 있다. 입수 가능한 최신 데이터: EBU R37, 2007.
3. 콘텐츠 유형과 시청자: 누가 얼마나 허용하는가
말하는 얼굴은 스트림이 맞닥뜨릴 수 있는 가장 어려운 시험이다. 클립 45개를 사용한 시청자 20명 대상 연구에서 오디오가 영상보다 앞서는 경우의 허용 임계값은 뉴스 앵커가 200 ms, 미식축구가 1.3초였다(Ebenezer, arXiv 2022). 넓게 잡은 스포츠 화면에는 타이밍의 기준이 될 선명한 시청각 이벤트가 적다. 그래서 스트리머의 얼굴 캠이 화면에 나오는 게임이나 스포츠 스트림은 더 엄격한 얼굴 기반 기준으로 판단된다.
시청자의 특성도 중요하다. 영어 원어민 화자의 경우, 고령 청취자는 젊은 성인보다 최소 두 배 넓은 동기 구간(동시로 지각되는 어긋남의 범위)을 보이지만, 오류를 알아채지 못하더라도 신호가 어긋나 있으면 발화 인식력은 여전히 떨어진다(Gordon-Salant 외, Frontiers in Psychology 2022). 넓은 구간이 면역을 뜻하는 것은 아니다. 동기 오류는 불만으로 보고되지 않으면서도 이해도를 떨어뜨릴 수 있다.
| 지표 | 값 | 출처 |
|---|---|---|
| 오디오가 영상보다 앞서는 경우의 허용 임계값, 뉴스 앵커 클립 | 200 ms | Ebenezer, arXiv 2022 |
| 오디오가 영상보다 앞서는 경우의 허용 임계값, 크리켓 클립 | 500 ms | Ebenezer, arXiv 2022 |
| 오디오가 영상보다 앞서는 경우의 허용 임계값, 축구와 테니스 클립 | 1초 | Ebenezer, arXiv 2022 |
| 오디오가 영상보다 앞서는 경우의 허용 임계값, 미식축구 클립 | 1.3초 | Ebenezer, arXiv 2022 |
| 영어 원어민 화자에 대한 동기 구간, 청력이 정상인 젊은 청취자와 고령 청취자 (집단별 17명) | 100 ms 대 250 ms | Gordon-Salant 외, Frontiers in Psychology 2022 |
| 동기 구간 폭의 일반적인 범위, 영상 선행 쌍과 오디오 선행 쌍 | 200-250 ms 대 100-150 ms | Cecere 외, European Journal of Neuroscience 2016 |
| 기준 민감도 점수 (d prime, 높을수록 감지력이 좋음), 오디오 선행 쌍과 영상 선행 쌍, 성인 30명 | 1.58 대 0.98 | Cecere 외, European Journal of Neuroscience 2016 |
| 2026년 소음 속 발화 비동기 연구의 참가자, 인공와우 사용자와 청력이 정상인 성인 (어긋남 최대 400 ms) | 15 대 31 | Salagovic 외, Journal of Speech, Language, and Hearing Research 2026 |
맥락 참고: Cecere 외의 민감도 차이는 통계적으로 견고했다(F(1,27) = 37.10, p < 0.0001)(Cecere 외, European Journal of Neuroscience 2016). 2026년 연구에서 두 집단 모두 명료도는 동기에 가까울 때 정점에 달했으며, 인공와우 사용자는 비동기가 커질수록 더 큰 하락을 보였다(Salagovic 외, JSLHR 2026). 스포츠 연구는 프리프린트이며 3년보다 오래되었다. 입수 가능한 최신 데이터: Ebenezer, 2022.
4. 플레이어, 통화 앱, 헤드셋에서 실측한 어긋남
표준은 각 기기가 자신의 지연을 보고하고 보정한다고 가정한다. 측정 결과는 그 가정이 깨지고 있음을 보여 준다. 말하는 얼굴 영상 시스템 4종, 플레이어 3종, 해상도 2종을 대상으로 한 2026년 11월의 포토다이오드·라인 출력 연구는 24개 셀 모두에서 오디오가 늦었고 어긋남의 중앙값은 79.2~210.9 ms였으며, 3,637회 시도 중 60.9%~88.4%가 방송 감지 임계값을 넘었다고 밝혔다(Ho와 Li, Preprints.org 2026). 채널 간 자체 측정 불확실성은 0.0144 ms였으므로, 오류는 측정기가 아니라 재생 체인에 있다.
통화 및 스트리밍 앱은 0의 양쪽으로 흩어진다. USB 웹캠 1대를 컴퓨터 5대에서 사용한 Allion Labs 시험에서는 같은 앱이 한 컴퓨터에서는 앞서고 다른 컴퓨터에서는 늦을 수 있었다(Allion Labs AV-Sync 테스트). 저희 WebRTC 오디오 패킷 손실 은닉 통계에서 다룬 패킷 수준의 보정만으로는 립싱크를 보장할 수 없는 이유다. 동기는 종단 지점에서 결정되기 때문이다. 스트리머가 마이크 경로에 추가하는 모든 처리 단계는, 노이즈 억제부터 OBS의 보이스 체인저까지, 그 예산에 자체 지연을 더한다. EBU R37이 각 단계에 예산을 따로 배정하는 이유가 여기에 있다.
| 지표 | 값 | 출처 |
|---|---|---|
| 24개 플레이어·해상도 셀 전반에서 실제 전달된 오디오·영상 어긋남의 중앙값 (음수는 오디오 지연을 의미) | -210.9 ms ~ -79.2 ms | Ho와 Li, Preprints.org 2026 |
| 방송 감지 임계값을 넘은 시도의 비율, 셀 전반의 범위 | 60.9% ~ 88.4% | Ho와 Li, Preprints.org 2026 |
| 방송 허용 임계값을 넘은 시도의 비율, 셀 전반의 범위 | 31.6% ~ 59.4% | Ho와 Li, Preprints.org 2026 |
| Zoom, 컴퓨터 5대 전반의 범위 (양수는 오디오가 먼저임을 의미) | -92 ms ~ +73 ms | Allion Labs AV-Sync 테스트 (날짜 없음) |
| Microsoft Teams, 컴퓨터 5대 전반의 범위 | -95 ms ~ -20 ms | Allion Labs AV-Sync 테스트 (날짜 없음) |
| Twitch, 컴퓨터 4대 전반의 범위 | -90 ms ~ +32 ms | Allion Labs AV-Sync 테스트 (날짜 없음) |
| Google Meet, 컴퓨터 5대 전반의 범위 | -100 ms ~ +42 ms | Allion Labs AV-Sync 테스트 (날짜 없음) |
| 보정되지 않은 혼합현실 헤드셋에서 오디오·영상 시작 시점 차이의 최대 평균, 지터 상한 포함 | 156.63 ms, 지터 최대 ±11.82 ms | Eckhoff 외, PLOS ONE 2024 |
맥락 참고: 보정은 효과가 있다. Varjo XR-3에서 영상을 지연시키자 100회 제시에 걸쳐 어긋남이 53.49 ± 3.15 ms에서 -3.89 ± 1.56 ms로 옮겨 갔다(Eckhoff 외, PLOS ONE 2024). 이 섹션 첫머리의 포토다이오드 연구는 2026년 11월 3일에 게시되었으며 아직 동료 심사를 거치지 않았다.
5. 장시간 세션의 드리프트: 클록, 캡처 카드, 동기 측정
고정된 어긋남은 한 번 조정하면 없앨 수 있다. 하지만 드리프트는 시간이 지남에 따라 커지므로 그럴 수 없다. 오디오와 영상이 독립적으로 클록되면, 주파수 오차는 스트림이 이어지는 동안 계속 누적된다. 1등급 디지털 오디오 기준(DARS, 오디오 샘플 레이트를 정하는 마스터 클록)의 허용 한계인 ±1 ppm의 클록은 시간당 3.6 ms씩 드리프트한다. 0.000001 x 3,600초 = 0.0036초, 즉 8시간 스트림에서는 28.8 ms다(아래 표의 1등급 허용 한계로부터 구한 저희 계산). 방송 시설은 모든 것을 하나의 기준에 고정하는 방식으로 이를 피하는데, 이는 저희 AoIP, Dante, AES67 방송 스튜디오 전환 통계에서 추적하는 IP 전환의 배경과 같은 논리다.
소비자용 캡처 장비는 더 느슨하다. 소프트웨어 업체 LEADTOOLS는 시작부터 6090 ms 어긋난 캡처 장치와, 824시간 뒤에 드리프트하기 시작하는 장치를 문서화하고 있다(LEADTOOLS, Timestamp Drifting in Live Capture Situations). 24시간 365일 스트림에서 드리프트는 예외적인 사례가 아니라 정기 점검 항목이다.
| 지표 | 값 | 출처 |
|---|---|---|
| 1등급 디지털 오디오 기준의 장기 주파수 정확도 | ±1 ppm 이내 | ITU-R BS.2032-0 (2013) |
| ±1 ppm 한계에서의 드리프트, 시간당 및 8시간 동안 (저희 계산) | 시간당 3.6 ms, 8시간당 28.8 ms | ITU-R BS.2032-0 (2013)로부터 산출 |
| 연속 캡처 후 드리프트가 관찰된 캡처 카드 | 8~24시간 | LEADTOOLS 문서 (업체 자체 관찰) |
| 일부 캡처 장치의 오디오·영상 초기 어긋남 | 약 60-90 ms | LEADTOOLS 문서 (업체 자체 관찰) |
| 클록이 맞지 않는 캡처 장치의 타임스탬프 차이 | 500 ms 초과 | LEADTOOLS 문서 (업체 자체 관찰) |
| BBC 오픈소스 동기 측정 장비(광센서와 오디오 입력)의 정확도 | 밀리초에 가까운 정확도 | BBC R&D dvbcss-synctiming |
| BBC 장비의 합격·불합격 허용 한계 예시, 세컨드 스크린 앱과 TV | ±8 ms 대 ±23 ms | BBC R&D dvbcss-synctiming |
| 립싱크 핑거프린트 전송 방식 (SDI, IP 기반 UDP, MPEG-2 전송 스트림), 프레임당 컨테이너 1개 | 3 | SMPTE ST 2064-2 (2015) |
맥락 참고: BBC 장비는 섬광과 신호음이 들어 있는 테스트 영상을 재생하고 화면과 스피커에서 그 타이밍을 측정한다. 동기가 실제로 체감되는 유일한 지점이기 때문이다(BBC R&D dvbcss-synctiming). SMPTE의 핑거프린트 방식은 상류와 하류에서 채취한 핑거프린트를 비교해, 테스트 신호 없이 타이밍 변화를 측정한다(SMPTE ST 2064-2:2015).
6. 립싱크 자동 감지: 기계가 잡아낼 수 있는 것과 없는 것
스트리밍 서비스는 이제 사람의 표본 점검이 아니라 머신러닝으로 동기를 확인한다. Prime Video는 오디오·영상 동기를 포함한 18종의 결함에 대한 감지기를 만들었고, 한 사람의 얼굴에 맞춘 4초 길이 클립으로 립싱크 감지기를 수천 개의 채널과 라이브 이벤트에서 운영한다(Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). 분류기 정확도는 빠르게 올랐다. **2024년 LRS2 데이터셋에서 96.5%, 원래 SyncNet은 75.8%**였다(Park 외, Interpretable Convolutional SyncNet, arXiv 2024).
문제는 파일 단위 점수로는 재생 체인을 볼 수 없다는 것이다. Ho와 Li는 SyncNet의 동기 점수가 화면에서 측정한 어긋남과 상관이 없음을 발견했고, SyncNet 자체의 어긋남 추정치도 반폭 282.2 ms 안에서만 측정값과 일치했다. 깨끗한 파일도 어긋난 채 재생될 수 있으므로, 두 번째 점검은 기기에서 이루어져야 한다.
| 지표 | 값 | 출처 |
|---|---|---|
| Prime Video 감지기가 다루는 영상 결함 유형 (오디오·영상 동기 포함) | 18 | Amazon Science (Prime Video) 2022 |
| Amazon 연구자들이 구축한 테니스 오디오·영상 동기 오류 데이터베이스 | 6시간 분량 영상의 504,300프레임 | Ebenezer 외, ICASSP 2021 (Amazon) |
| 동기 분류 정확도, LRS2와 LRS3에서의 IC-SyncNet | 96.5% 대 93.8% | Park 외, arXiv 2024 |
| 동기 분류 정확도, LRS2에서의 원래 SyncNet | 75.8% | Park 외, arXiv 2024 |
| 지각적 동기 품질 데이터셋을 위해 수집한 사람의 평가 (100시간 이상, 주석자 80명 이상) | 120,000 | Goncalves 외 (Amazon), PEAVS, ECCV 2024 |
| PEAVS 지표와 사람의 평가 사이 상관, 세트 수준과 클립 수준 | 0.79 대 0.54 | Goncalves 외 (Amazon), PEAVS, ECCV 2024 |
| SyncNet 동기 점수와 실측 어긋남 크기 사이의 상관 | r = -0.066 ~ +0.083 | Ho와 Li, Preprints.org 2026 |
맥락 참고: PEAVS 데이터에서 사람의 점수와 지표 모두 45 ms 오디오 이동에서 5점 척도의 4점을 넘는 정점을 기록한 뒤 이동이 커질수록 떨어졌다(Goncalves 외, PEAVS, ECCV 2024). Amazon의 테니스 기법은 라켓 타격이 오디오에는 있지만 근처 영상에는 나타나지 않을 때 오류로 표시한다(Amazon Science, Detection of audio-video synchronization errors via event detection).
숫자로 보는 라이브 스트림 오디오·영상 동기(립싱크) 어긋남
| 지표 | 값 | 출처 |
|---|---|---|
| 평균 감지 임계값, 오디오 선행과 오디오 지연 | 약 +45 ms ~ -125 ms | ITU-R BT.1359-1 (1998) |
| 정점의 절반 높이에서의 동기 구간 폭, 발화와 비발화 | 357 ms 대 400 ms | Conrey와 Pisoni, JASA 2006 |
| 종단 간 송출 한계, 소리가 영상보다 앞서는 경우와 뒤처지는 경우 | 40 ms 대 60 ms | EBU R37 (2007) |
| 제작 체인의 단계별 한계 | 앞섬 5 ms ~ 늦음 15 ms | EBU R37 (2007) |
| 인코더 입력에서의 디지털 TV 한계, 선행과 지연 | 15 ms 대 45 ms | ATSC IS/191, TV Technology 2004 경유 |
| 디지털 TV 체인 전체 한계 | +30 ms ~ -90 ms | ATSC IS/191, TV Technology 2004 경유 |
| 오디오가 입술 움직임보다 앞서는 경우의 평균 감지 임계값 | 185.19 ms (SD 42.32 ms) | Younkin과 Corriveau, IEEE Transactions on Broadcasting 2008 |
| 동기된 것으로 판단된 발화, 오디오 선행과 영상 선행 | 131 ms 대 225 ms | Conrey와 Pisoni, JASA 2006 |
| 오디오 선행의 허용 임계값, 뉴스 앵커와 미식축구 | 200 ms 대 1.3초 | Ebenezer, arXiv 2022 |
| 동기 구간, 젊은 청취자와 고령 청취자 | 100 ms 대 250 ms | Gordon-Salant 외, Frontiers in Psychology 2022 |
| 민감도, 오디오 선행 쌍과 영상 선행 쌍 | d prime 1.58 대 0.98 | Cecere 외, European Journal of Neuroscience 2016 |
| 시험한 말하는 얼굴 재생에서 실제 전달된 어긋남의 중앙값 | 오디오가 79.2~210.9 ms 늦음 | Ho와 Li, Preprints.org 2026 |
| Microsoft Teams 어긋남 범위 (컴퓨터 5대 전반) | -95 ms ~ -20 ms | Allion Labs AV-Sync 테스트 |
| Zoom 어긋남 범위 (컴퓨터 5대 전반) | -92 ms ~ +73 ms | Allion Labs AV-Sync 테스트 |
| 시작 시점 차이의 최악 평균, 보정되지 않은 혼합현실 헤드셋 | 156.63 ms | Eckhoff 외, PLOS ONE 2024 |
| 일부 캡처 장치의 초기 어긋남 | 약 60-90 ms | LEADTOOLS 문서 (업체) |
| LRS2에서 립싱크 분류기 정확도, IC-SyncNet과 SyncNet | 96.5% 대 75.8% | Park 외, arXiv 2024 |
| 사람의 평가와 PEAVS의 상관, 세트 수준 | 0.79 | Goncalves 외 (Amazon), ECCV 2024 |
방법론과 출처
- ITU 권고: 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/191과 Bell Laboratories 임계값은 TV Technology의 Randy Hoffner 칼럼 경유: ATSC Recommends AV Sync Rules (2004)와 A/V Synchronization: How Bad Is Bad? (2003).
- Younkin과 Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey와 Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia 외, 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 외, 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).
- Ho와 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-synctiming와 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 외, PEAVS, ECCV (2024).
- Park 외, Interpretable Convolutional SyncNet, arXiv (2024).
- 데이터 참고 사항: 감지 관련 수치는 연구마다 엇갈린다. 1998년 방송 권고는 오디오 선행 감지를 약 45 ms, Bell Laboratories 연구는 35 ms, Younkin과 Corriveau는 평균 185.19 ms로 제시한다. 저희는 하나를 고르지 않고 세 가지를 모두 싣는데, 자극과 방법의 차이가 이 격차를 설명할 가능성이 크다. 부호 규약도 다르다. 대부분의 방송 문서와 Allion Labs는 오디오가 먼저인 경우를 양수로 쓰지만, 2026년 포토다이오드 연구는 오디오 지연을 음수로 보고한다. Allion Labs 페이지에는 게시 날짜가 없고, 포토다이오드 연구(2026년 11월 3일 게시)와 Ebenezer의 스포츠 연구는 동료 심사를 거치지 않은 프리프린트다. LEADTOOLS 수치는 소프트웨어 업체 자체의 관찰이다. ATSC IS/191 값은 ATSC 문서 자체에 접근할 수 없어 TV Technology의 보도에서 가져왔다. 시간당 3.6 ms라는 드리프트 수치는 ±1 ppm 허용 한계로부터 구한 저희 계산이며 실측값이 아니다. 임계값과 허용 한계 데이터의 대부분은 3년보다 오래되었으며 입수 가능한 최신 데이터로 표시했다.
마지막 업데이트: 2026년 11월 6일. 저희는 이 정리를 분기마다 업데이트하며, 다음 갱신은 2026년 11월 포토다이오드 연구의 동료 심사를 거친 버전(실제로 전달된 립싱크에 관한 연구)이 발표될 때 이루어질 것으로 예상한다.