Os espectadores percebem um som que chega apenas 45 ms antes da imagem, mas toleram até 125 ms de som chegando depois dela, a janela de detecção assimétrica por trás da recomendação internacional de radiodifusão sobre a temporização de som e imagem (ITU-R BT.1359-1, 1998). Cadeias de reprodução reais muitas vezes ficam fora dessa janela: um estudo com fotodiodo de novembro de 2026 mediu atrasos medianos do som de 79,2 a 210,9 ms em 24 combinações de player e resolução, com até 88,4% das tentativas além do limiar de detecção (Ho e Li, Preprints.org 2026). A tolerância também depende do que está na tela, com limiares de aceitabilidade que vão de 200 ms para um apresentador de telejornal a 1,3 s para futebol americano (Ebenezer, arXiv 2022). A deriva de lip-sync (o intervalo entre o momento em que a boca se mexe e o momento em que o som é ouvido) é um problema diferente da temporização de legendas, que abordamos em nossas estatísticas de atraso e precisão de closed caption. Agregamos dados da EBU, da ATSC, da SMPTE, da IEEE Transactions on Broadcasting, do Journal of the Acoustical Society of America, da PLOS ONE, da Allion Labs, da Amazon Science e de uma dúzia de outras fontes primárias.
TL;DR
- Limiar médio de detecção: cerca de 45 ms de áudio adiantado a 125 ms de áudio atrasado (ITU-R BT.1359-1, 1998).
- Limite europeu de broadcast: 40 ms de som antes da imagem e 60 ms depois, de ponta a ponta (EBU R37, 2007).
- Orientação de DTV dos EUA na entrada do codificador: no máximo 15 ms de áudio adiantado ou 45 ms de atraso (ATSC IS/191, relatado pela TV Technology 2004).
- Limiar médio de detecção de áudio adiantado em um teste de laboratório da Intel: 185,19 ms, DP 42,32 ms (Younkin e Corriveau, IEEE Transactions on Broadcasting 2008).
- Fala julgada síncrona de 131 ms de áudio adiantado a 225 ms de vídeo adiantado (Conrey e Pisoni, JASA 2006).
- Limiar de aceitabilidade para áudio adiantado em relação ao vídeo: 200 ms para um apresentador de telejornal contra 1,3 s para futebol americano (Ebenezer, arXiv 2022).
- Defasagens medianas entregues em reprodução testada de rosto falando: som atrasado de 79,2 a 210,9 ms em todas as células (Ho e Li, Preprints.org 2026).
- Zoom medido de 92 ms de vídeo adiantado a 73 ms de áudio adiantado em cinco computadores (testes de AV-Sync da Allion Labs).
- Pior intervalo médio entre os inícios de áudio e imagem em um headset de realidade mista não calibrado: 156,63 ms (Eckhoff et al., PLOS ONE 2024).
- Janela de sincronia para um falante nativo de inglês: 100 ms em ouvintes jovens com audição normal contra 250 ms em ouvintes mais velhos (Gordon-Salant et al., Frontiers in Psychology 2022).
- Acurácia de classificadores de lip-sync no conjunto de dados LRS2: 96,5% para o IC-SyncNet contra 75,8% para o SyncNet original (Park et al., arXiv 2024).
1. Limiares de Detecção: Quando o Público Percebe o Erro de Lip-Sync
O achado mais consistente em 80 anos de pesquisa é a assimetria. O som que chega adiantado é percebido com cerca de um terço da defasagem de que o som atrasado precisa: aproximadamente 45 ms de áudio adiantado contra 125 ms de áudio atrasado nos testes subjetivos (testes em que os espectadores avaliam trechos) resumidos pela recomendação ITU-R BT.1359-1. A natureza explica o viés: a luz viaja mais rápido que o som, e na fala natural a boca começa a se mover antes da voz. No estímulo de fala analisado por Venezia et al., o fechamento da boca precedeu o som em 163 ms, de modo que o cérebro já está treinado para aceitar áudio atrasado.
A dispersão entre os estudos importa tanto quanto as médias. Um estudo da Bell Laboratories dos anos 1940 situou a detecção em 35 ms de adiantamento e 100 ms de atraso, enquanto um teste de laboratório da Intel com erros de áudio adiantado encontrou uma média muito mais folgada, de 185,19 ms (Younkin e Corriveau, IEEE Transactions on Broadcasting 2008). A leitura prática: os limiares são médias de uma população, e os espectadores mais sensíveis ficam bem dentro deles. Uma transmissão projetada para a média ainda incomoda uma parte da audiência.
| Métrica | Valor | Fonte |
|---|---|---|
| Limiar médio de detecção, som adiantado versus som atrasado em relação à imagem | Cerca de +45 ms a -125 ms | ITU-R BT.1359-1 (1998) |
| Limiar de detecção em um estudo inicial da Bell Laboratories, áudio adiantado versus áudio atrasado | Mais de 35 ms de adiantamento ou mais de 100 ms de atraso | Estudo da Bell Laboratories, relatado na TV Technology (Hoffner) 2003 |
| Limiar médio de detecção para áudio adiantado em relação aos lábios | 185,19 ms (DP 42,32 ms) | Younkin e Corriveau, IEEE Transactions on Broadcasting 2008 |
| Fala julgada síncrona, maior adiantamento do áudio versus maior adiantamento do vídeo (30 adultos) | 131 ms de áudio adiantado a 225 ms de vídeo adiantado | Conrey e Pisoni, JASA 2006 |
| Não fala (flash e tom) julgada síncrona, áudio adiantado versus vídeo adiantado | 153 ms de áudio adiantado a 247 ms de vídeo adiantado | Conrey e Pisoni, JASA 2006 |
| Largura da janela de sincronia à meia altura do pico, fala versus não fala | 357 ms versus 400 ms | Conrey e Pisoni, JASA 2006 |
| Limiar de detecção para fala, vídeo adiantado em relação ao som versus som adiantado em relação ao vídeo | 258 ms versus 131 ms | Dixon e Spitz 1980, citado em Venezia et al., Attention, Perception, and Psychophysics 2016 |
| Limiar de detecção para um martelo batendo em um pino, vídeo adiantado versus som adiantado | 188 ms versus 75 ms | Dixon e Spitz 1980, citado em Venezia et al. 2016 |
Nota de contexto: Conrey e Pisoni constataram que o centro da janela de sincronia ficava em 47 ms de vídeo adiantado, e não em zero, tanto para fala quanto para não fala (Conrey e Pisoni, JASA 2006). A revisão de Venezia et al. rastreia o mesmo padrão em várias replicações. Dado mais recente disponível para limiares populacionais: Younkin e Corriveau 2008; nenhum estudo mais novo de limiares com amostra grande para lip-sync em broadcast apareceu em nossa pesquisa.
2. Tolerâncias de Broadcast e Orçamentos de Sincronia
Os estudos de percepção dizem onde o público percebe; as normas dizem aos engenheiros quanto dessa margem cada parte da cadeia pode gastar. O padrão mais marcante é o quanto os limites de engenharia são mais apertados do que os limites de percepção. A EBU R37 permite a cada etapa apenas 5 ms de adiantamento e 15 ms de atraso, enquanto a cadeia inteira deve ficar dentro de um limite de ponta a ponta de 40 ms de adiantamento e 60 ms de atraso (EBU R37, 2007). A EBU afirma que seus limites se baseiam no atraso em que 50% dos observadores percebem a falha de lip-sync.
Os EUA foram ainda mais rigorosos. O Implementation Subcommittee da ATSC considerou os limites internacionais de 1998 inadequados para a televisão digital e pediu que o áudio que entra no codificador nunca adiante o vídeo em mais de 15 ms nem fique atrasado em mais de 45 ms (TV Technology, ATSC Recommends AV Sync Rules, 2004). Para comparação, a antiga regra prática do NTSC era +1 e -2 quadros, ou +33 e -66 ms. A recomendação de 1998 também divide o próprio orçamento, deixando aos segmentos fora do controle da emissora apenas ±2 ms.
| Métrica | Valor | Fonte |
|---|---|---|
| Tolerância geral entre som e imagem (também o limiar médio de aceitabilidade) | +90 ms a -185 ms | ITU-R BT.1359-1 (1998) |
| Divisão do orçamento: da fonte da câmera ao ponto de referência zero (a referência de temporização do estúdio) versus do ponto de referência zero à entrada do transmissor | +25 / -100 ms versus +22,5 / -30 ms | ITU-R BT.1359-1 (1998) |
| Limite de ponta a ponta em qualquer saída destinada à emissão, som antes da imagem versus som depois da imagem | 40 ms versus 60 ms | EBU R37 (2007) |
| Limite por etapa individual da cadeia de produção | 5 ms de adiantamento a 15 ms de atraso | EBU R37 (2007) |
| Limite de DTV para o áudio na entrada do codificador, adiantamento versus atraso | 15 ms versus 45 ms | ATSC IS/191, relatado pela TV Technology 2004 |
| Limite de DTV para a cadeia inteira, áudio adiantado versus áudio atrasado em relação ao vídeo | +30 ms a -90 ms | ATSC IS/191, relatado pela TV Technology 2004 |
| Limite de qualidade de experiência em IPTV, áudio adiantado versus áudio atrasado em relação ao vídeo (provisório, definição padrão) | 15 ms versus 45 ms no máximo | ITU-T G.1080 (2008) |
| Regra prática do NTSC analógico em quadros e milissegundos | +1 / -2 quadros (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
Nota sobre o caso atípico: esses documentos são antigos, mas continuam vigentes. A recomendação sobre som e imagem foi aprovada em 30 de novembro de 1998 e a recomendação de qualidade de IPTV em 7 de dezembro de 2008, e ambas constam como em vigor. Dado mais recente disponível: EBU R37, 2007.
3. Tipo de Conteúdo e Audiência: Quem Tolera Quanto
Um rosto falando é o teste mais difícil que uma transmissão pode enfrentar. Em um estudo com 20 espectadores e 45 trechos, o limiar de aceitabilidade para áudio adiantado em relação ao vídeo foi de 200 ms para um apresentador de telejornal, mas de 1,3 s para futebol americano (Ebenezer, arXiv 2022). Planos abertos de esportes oferecem poucos eventos audiovisuais nítidos para ancorar a temporização, de modo que uma transmissão de games ou esportes com a câmera do rosto do streamer na tela é julgada pelo padrão mais estrito, baseado no rosto.
A audiência também importa. Com um falante nativo de inglês, os ouvintes mais velhos apresentam janelas de sincronia (a faixa de defasagens ainda percebida como simultânea) pelo menos duas vezes mais largas do que as dos adultos jovens, mas ainda perdem reconhecimento de fala quando o sinal está desalinhado, mesmo quando não percebem o erro (Gordon-Salant et al., Frontiers in Psychology 2022). Uma janela larga não é o mesmo que imunidade: erros de sincronia podem custar compreensão sem nunca virar uma reclamação.
| Métrica | Valor | Fonte |
|---|---|---|
| Limiar de aceitabilidade para áudio adiantado em relação ao vídeo, trecho de apresentador de telejornal | 200 ms | Ebenezer, arXiv 2022 |
| Limiar de aceitabilidade para áudio adiantado em relação ao vídeo, trecho de críquete | 500 ms | Ebenezer, arXiv 2022 |
| Limiar de aceitabilidade para áudio adiantado em relação ao vídeo, trechos de futebol e tênis | 1 s | Ebenezer, arXiv 2022 |
| Limiar de aceitabilidade para áudio adiantado em relação ao vídeo, trecho de futebol americano | 1,3 s | Ebenezer, arXiv 2022 |
| Janela de sincronia para um falante nativo de inglês, jovens com audição normal versus ouvintes mais velhos (17 por grupo) | 100 ms versus 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Largura típica da janela de sincronia, pares com vídeo adiantado versus pares com áudio adiantado | 200-250 ms versus 100-150 ms | Cecere et al., European Journal of Neuroscience 2016 |
| Índice de sensibilidade de base (d prime, quanto maior, melhor a detecção), pares com áudio adiantado versus pares com vídeo adiantado, 30 adultos | 1,58 versus 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Participantes de um estudo de 2026 sobre assincronia na fala com ruído, usuários de implante coclear versus adultos com audição típica (defasagens de até 400 ms) | 15 versus 31 | Salagovic et al., Journal of Speech, Language, and Hearing Research 2026 |
Nota de contexto: a diferença de sensibilidade em Cecere et al. foi estatisticamente robusta (F(1,27) = 37,10, p < 0,0001) (Cecere et al., European Journal of Neuroscience 2016). No estudo de 2026, a inteligibilidade atingiu o pico perto da sincronia nos dois grupos, e os usuários de implante coclear mostraram quedas maiores à medida que a assincronia crescia (Salagovic et al., JSLHR 2026). O estudo de esportes é um preprint e tem mais de três anos; dado mais recente disponível: Ebenezer, 2022.
4. Defasagens Medidas em Players, Aplicativos de Chamada e Headsets
As normas pressupõem que cada dispositivo informe e corrija o próprio atraso. As medições mostram essa premissa falhando. Um estudo de novembro de 2026 com fotodiodo e saída de linha, em quatro sistemas de vídeo com rosto falando, três players e duas resoluções, encontrou som atrasado em todas as 24 células, com defasagens medianas de 79,2 a 210,9 ms, e 60,9% a 88,4% de 3.637 tentativas além do limiar de detecção de broadcast (Ho e Li, Preprints.org 2026). A incerteza de medição entre canais dos próprios autores foi de 0,0144 ms, portanto o erro está na cadeia de reprodução, não no instrumento.
Aplicativos de chamada e de streaming se espalham dos dois lados do zero. Nos testes da Allion Labs com uma webcam USB em cinco computadores, o mesmo aplicativo podia ficar adiantado em uma máquina e atrasado em outra (testes de AV-Sync da Allion Labs). É por isso que correções no nível de pacotes, abordadas em nossas estatísticas de ocultação de perda de pacotes no WebRTC, não bastam sozinhas para garantir o lip-sync: a sincronia é decidida nas pontas. Cada etapa de processamento que um streamer acrescenta ao caminho do microfone, da supressão de ruído a um alterador de voz no OBS, soma seu próprio atraso a esse orçamento, e é por isso que a EBU R37 orça cada etapa separadamente.
| Métrica | Valor | Fonte |
|---|---|---|
| Defasagem mediana de áudio e vídeo entregue em 24 células de player e resolução (negativo significa som atrasado) | -210,9 ms a -79,2 ms | Ho e Li, Preprints.org 2026 |
| Parcela de tentativas além do limiar de detecção de broadcast, faixa entre as células | 60,9% a 88,4% | Ho e Li, Preprints.org 2026 |
| Parcela de tentativas além do limiar de aceitabilidade de broadcast, faixa entre as células | 31,6% a 59,4% | Ho e Li, Preprints.org 2026 |
| Zoom, faixa entre cinco computadores (positivo significa áudio primeiro) | -92 ms a +73 ms | Testes de AV-Sync da Allion Labs (sem data) |
| Microsoft Teams, faixa entre cinco computadores | -95 ms a -20 ms | Testes de AV-Sync da Allion Labs (sem data) |
| Twitch, faixa entre quatro computadores | -90 ms a +32 ms | Testes de AV-Sync da Allion Labs (sem data) |
| Google Meet, faixa entre cinco computadores | -100 ms a +42 ms | Testes de AV-Sync da Allion Labs (sem data) |
| Maior intervalo médio entre os inícios de áudio e imagem em um headset de realidade mista não calibrado, com jitter de até | 156,63 ms, jitter de até ±11,82 ms | Eckhoff et al., PLOS ONE 2024 |
Nota de contexto: a calibração funciona. Atrasar a imagem em um Varjo XR-3 levou seu intervalo de 53,49 ± 3,15 ms para -3,89 ± 1,56 ms ao longo de 100 apresentações (Eckhoff et al., PLOS ONE 2024). O estudo com fotodiodo citado no início desta seção foi publicado em 3 de novembro de 2026 e ainda não foi revisado por pares.
5. Deriva em Sessões Longas: Relógios, Placas de Captura e Medição de Sincronia
Defasagens estáticas podem ser eliminadas uma vez. A deriva não, porque cresce com o tempo. Quando áudio e vídeo têm relógios independentes, o erro de frequência se acumula enquanto a transmissão durar. Um relógio no limite de ±1 ppm de uma referência de áudio digital Grau 1 (DARS, o relógio mestre que define a taxa de amostragem do áudio) deriva 3,6 ms por hora: 0,000001 x 3.600 segundos = 0,0036 s, ou 28,8 ms em uma transmissão de oito horas (nosso cálculo a partir da tolerância Grau 1 da tabela abaixo). As plantas de broadcast evitam isso travando tudo em uma única referência, a mesma lógica por trás da migração para IP acompanhada em nossas estatísticas de AoIP, Dante e AES67 em broadcast.
O hardware de captura de consumo é mais frouxo. A fornecedora de software LEADTOOLS documenta dispositivos de captura que começam 60 a 90 ms fora de sincronia e dispositivos que começam a derivar após 8 a 24 horas (LEADTOOLS, Timestamp Drifting in Live Capture Situations). Para uma transmissão 24/7, a deriva não é um caso extremo; é um item de manutenção programada.
| Métrica | Valor | Fonte |
|---|---|---|
| Precisão de frequência de longo prazo de uma referência de áudio digital Grau 1 | Dentro de ±1 ppm | ITU-R BS.2032-0 (2013) |
| Deriva no limite de ±1 ppm, por hora e em 8 horas (nosso cálculo) | 3,6 ms por hora; 28,8 ms em 8 horas | Calculado a partir da ITU-R BS.2032-0 (2013) |
| Placas de captura observadas derivando após captura contínua de | 8 a 24 horas | Documentação da LEADTOOLS (observação do próprio fornecedor) |
| Defasagem inicial entre áudio e vídeo em alguns dispositivos de captura | Cerca de 60-90 ms | Documentação da LEADTOOLS (observação do próprio fornecedor) |
| Diferença de timestamp em dispositivos de captura com relógios incompatíveis | Mais de 500 ms | Documentação da LEADTOOLS (observação do próprio fornecedor) |
| Precisão do equipamento de medição de sincronia de código aberto da BBC (sensor de luz mais entrada de áudio) | Precisão de aproximadamente um milissegundo | BBC R&D dvbcss-synctiming |
| Exemplo de tolerância de aprovação/reprovação no equipamento da BBC, aplicativo complementar de segunda tela versus TV | ±8 ms versus ±23 ms | BBC R&D dvbcss-synctiming |
| Métodos de transporte de impressões digitais de lip-sync (SDI, UDP sobre IP, transport stream MPEG-2), um contêiner por quadro | 3 | SMPTE ST 2064-2 (2015) |
Nota de contexto: o equipamento da BBC reproduz um vídeo de teste com flashes e bipes e mede o tempo deles na tela e no alto-falante, o único ponto em que a sincronia é de fato percebida (BBC R&D dvbcss-synctiming). A abordagem de impressões digitais da SMPTE mede mudanças de temporização sem sinais de teste, comparando impressões digitais coletadas a montante e a jusante (SMPTE ST 2064-2:2015).
6. Detecção Automatizada de Lip-Sync: O Que as Máquinas Pegam e o Que Não Pegam
Os serviços de streaming agora verificam a sincronia com aprendizado de máquina, em vez de checagens por amostragem feitas por pessoas. O Prime Video construiu detectores para 18 tipos de defeito, incluindo sincronia de áudio e vídeo, e executa seu detector de lip-sync em trechos de quatro segundos centrados em um único rosto, em milhares de canais e eventos ao vivo (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). A acurácia dos classificadores subiu rápido: 96,5% no conjunto de dados LRS2 em 2024, contra 75,8% do SyncNet original (Park et al., Interpretable Convolutional SyncNet, arXiv 2024).
O problema é que pontuações no nível do arquivo não enxergam a cadeia de reprodução. Ho e Li constataram que as pontuações de sincronia do SyncNet não tinham correlação com as defasagens que mediram na tela, e a estimativa de defasagem do próprio SyncNet concordou com a medição apenas dentro de uma meia-largura de 282,2 ms. Um arquivo limpo ainda pode ser reproduzido fora de sincronia, e a segunda verificação precisa acontecer no dispositivo.
| Métrica | Valor | Fonte |
|---|---|---|
| Tipos de defeito de vídeo cobertos pelos detectores do Prime Video (sincronia de áudio e vídeo entre eles) | 18 | Amazon Science (Prime Video) 2022 |
| Base de dados de erros de sincronia de áudio e vídeo em tênis construída por pesquisadores da Amazon | 504.300 quadros de 6 horas de vídeo | Ebenezer et al., ICASSP 2021 (Amazon) |
| Acurácia de classificação de sincronia, IC-SyncNet em LRS2 versus LRS3 | 96,5% versus 93,8% | Park et al., arXiv 2024 |
| Acurácia de classificação de sincronia, SyncNet original em LRS2 | 75,8% | Park et al., arXiv 2024 |
| Avaliações humanas coletadas para um conjunto de dados de qualidade perceptual de sincronia (mais de 100 horas, mais de 80 anotadores) | 120.000 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Correlação da métrica PEAVS com as avaliações humanas, nível de conjunto versus nível de trecho | 0,79 versus 0,54 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Correlação entre as pontuações de sincronia do SyncNet e a magnitude da defasagem medida | r = -0,066 a +0,083 | Ho e Li, Preprints.org 2026 |
Nota de contexto: nos dados do PEAVS, tanto as notas humanas quanto a métrica atingiram o pico acima de 4 em uma escala de 5 pontos com um deslocamento de áudio de 45 ms e caíram à medida que o deslocamento crescia (Goncalves et al., PEAVS, ECCV 2024). O método da Amazon para tênis sinaliza um erro quando uma raquetada aparece no áudio, mas não no vídeo próximo (Amazon Science, Detection of audio-video synchronization errors via event detection).
Resumo: Deriva na Sincronia Áudio-Vídeo (Lip-Sync) em Transmissões ao Vivo em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Limiar médio de detecção, som adiantado versus atrasado | Cerca de +45 ms a -125 ms | ITU-R BT.1359-1 (1998) |
| Largura da janela de sincronia à meia altura do pico, fala versus não fala | 357 ms versus 400 ms | Conrey e Pisoni, JASA 2006 |
| Limite de emissão de ponta a ponta, som antes versus depois da imagem | 40 ms versus 60 ms | EBU R37 (2007) |
| Limite por etapa na cadeia de produção | 5 ms de adiantamento a 15 ms de atraso | EBU R37 (2007) |
| Limite de DTV na entrada do codificador, adiantamento versus atraso | 15 ms versus 45 ms | ATSC IS/191, via TV Technology 2004 |
| Limite de DTV para a cadeia inteira | +30 ms a -90 ms | ATSC IS/191, via TV Technology 2004 |
| Limiar médio de detecção para áudio adiantado em relação aos lábios | 185,19 ms (DP 42,32 ms) | Younkin e Corriveau, IEEE Transactions on Broadcasting 2008 |
| Fala julgada síncrona, áudio adiantado versus vídeo adiantado | 131 ms versus 225 ms | Conrey e Pisoni, JASA 2006 |
| Limiar de aceitabilidade para áudio adiantado, apresentador de telejornal versus futebol americano | 200 ms versus 1,3 s | Ebenezer, arXiv 2022 |
| Janela de sincronia, ouvintes jovens versus mais velhos | 100 ms versus 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Sensibilidade, pares com áudio adiantado versus pares com vídeo adiantado | d prime 1,58 versus 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Defasagens medianas entregues em reprodução testada de rosto falando | Som atrasado de 79,2 a 210,9 ms | Ho e Li, Preprints.org 2026 |
| Faixa de defasagem do Microsoft Teams em cinco computadores | -95 ms a -20 ms | Testes de AV-Sync da Allion Labs |
| Faixa de defasagem do Zoom em cinco computadores | -92 ms a +73 ms | Testes de AV-Sync da Allion Labs |
| Pior intervalo médio entre os inícios, headset de realidade mista não calibrado | 156,63 ms | Eckhoff et al., PLOS ONE 2024 |
| Defasagem inicial em alguns dispositivos de captura | Cerca de 60-90 ms | Documentação da LEADTOOLS (fornecedor) |
| Acurácia de classificadores de lip-sync em LRS2, IC-SyncNet versus SyncNet | 96,5% versus 75,8% | Park et al., arXiv 2024 |
| Correlação do PEAVS com avaliações humanas, nível de conjunto | 0,79 | Goncalves et al. (Amazon), ECCV 2024 |
Metodologia e Fontes
- Recomendações da 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 e o limiar da Bell Laboratories, via colunas de Randy Hoffner na TV Technology: ATSC Recommends AV Sync Rules (2004) e A/V Synchronization: How Bad Is Bad? (2003).
- Younkin e Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey e 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 e Thut, European Journal of Neuroscience (2016).
- Gordon-Salant et al., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson e 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 e 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 e 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 e 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) e Goncalves et al., PEAVS, ECCV (2024).
- Park et al., Interpretable Convolutional SyncNet, arXiv (2024).
- Nota sobre os dados: os números de detectabilidade divergem entre os estudos. A recomendação de broadcast de 1998 situa a detecção de áudio adiantado em cerca de 45 ms, o estudo da Bell Laboratories em 35 ms e Younkin e Corriveau em uma média de 185,19 ms; relatamos os três em vez de escolher um, e diferenças de estímulos e de método provavelmente explicam a distância. As convenções de sinal também diferem: a maioria dos documentos de broadcast e a Allion Labs usam positivo para áudio primeiro, enquanto o estudo de 2026 com fotodiodo relata o atraso do som como negativo. A página da Allion Labs não traz data de publicação, e o estudo com fotodiodo (publicado em 3 de novembro de 2026) e o estudo de esportes de Ebenezer são preprints que não foram revisados por pares. Os números da LEADTOOLS são observações do próprio fornecedor de software. Os valores da ATSC IS/191 vêm da cobertura da TV Technology porque o documento da própria ATSC não estava acessível. O número de deriva de 3,6 ms por hora é um cálculo nosso a partir da tolerância de ±1 ppm, não um valor medido. A maior parte dos dados de limiares e tolerâncias tem mais de três anos e está sinalizada como dado mais recente disponível.
Última atualização: 6 de novembro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando for publicada a versão revisada por pares do estudo de novembro de 2026 com fotodiodo sobre o lip-sync entregue.