Зрители замечают звук, пришедший всего на 45 мс раньше изображения, но терпят до 125 мс звука, пришедшего после него, - это асимметричное окно обнаружения, на котором основана международная вещательная рекомендация о взаимном положении звука и изображения во времени (ITU-R BT.1359-1, 1998). Реальные цепочки воспроизведения часто в это окно не укладываются: исследование с фотодиодом в ноябре 2026 года выявило медианное отставание звука от 79,2 до 210,9 мс в 24 сочетаниях плеера и разрешения, причём до 88,4% прогонов выходили за порог обнаружения (Ho и Li, Preprints.org 2026). Допуск зависит и от того, что показано на экране: пороги приемлемости составляют от 200 мс для диктора новостей до 1,3 с для американского футбола (Ebenezer, arXiv 2022). Дрейф липсинка (разрыв между моментом, когда двигается рот, и моментом, когда слышен его звук) - это не та же проблема, что тайминг субтитров, о котором мы писали в нашей статистике задержки и точности скрытых субтитров. Мы собрали данные EBU, ATSC, SMPTE, IEEE Transactions on Broadcasting, Journal of the Acoustical Society of America, PLOS ONE, Allion Labs, Amazon Science и ещё десятка первичных источников.
Кратко (TL;DR)
- Средний порог обнаружения: от 45 мс опережения звука до 125 мс его отставания (ITU-R BT.1359-1, 1998).
- Европейский вещательный предел: 40 мс звука до изображения и 60 мс после, сквозной (EBU R37, 2007).
- Рекомендация США для цифрового ТВ на входе кодировщика: не более 15 мс опережения звука или 45 мс отставания (ATSC IS/191, по сообщению TV Technology 2004).
- Средний порог обнаружения опережающего звука в лабораторном тесте Intel: 185,19 мс, СКО 42,32 мс (Younkin и Corriveau, IEEE Transactions on Broadcasting 2008).
- Речь признана синхронной от опережения звука на 131 мс до опережения видео на 225 мс (Conrey и Pisoni, JASA 2006).
- Порог приемлемости для звука, опережающего видео: 200 мс для диктора новостей против 1,3 с для американского футбола (Ebenezer, arXiv 2022).
- Медианные доставленные смещения при протестированном воспроизведении говорящего лица: звук отстаёт на 79,2-210,9 мс в каждой ячейке (Ho и Li, Preprints.org 2026).
- Zoom измерен от опережения видео на 92 мс до опережения звука на 73 мс на пяти компьютерах (тесты AV-Sync от Allion Labs).
- Наихудший средний разрыв между началами звука и изображения на некалиброванной гарнитуре смешанной реальности: 156,63 мс (Eckhoff и др., PLOS ONE 2024).
- Окно синхронности для носителя английского языка: 100 мс у молодых слушателей с нормальным слухом против 250 мс у пожилых слушателей (Gordon-Salant и др., Frontiers in Psychology 2022).
- Точность классификаторов липсинка на наборе данных LRS2: 96,5% у IC-SyncNet против 75,8% у исходной SyncNet (Park и др., arXiv 2024).
1. Пороги обнаружения: когда зрители замечают ошибку липсинка
Самый устойчивый вывод 80 лет исследований - асимметрия. Опережающий звук замечают примерно при трети того смещения, которое нужно для отстающего звука: около 45 мс опережения против 125 мс отставания в субъективных тестах (тестах, в которых зрители оценивают фрагменты), обобщённых в рекомендации ITU-R BT.1359-1. Это смещение объясняет сама природа: свет распространяется быстрее звука, и при естественной речи рот начинает двигаться раньше голоса. В речевом стимуле, проанализированном Venezia и др., смыкание рта опережало звук на 163 мс, так что мозг уже приучен принимать запаздывающий звук.
Разброс между исследованиями важен не меньше средних значений. Исследование Bell Laboratories 1940-х годов определило порог обнаружения в 35 мс опережения и 100 мс отставания, тогда как лабораторный тест Intel с ошибками опережающего звука дал куда более мягкое среднее значение, 185,19 мс (Younkin и Corriveau, IEEE Transactions on Broadcasting 2008). Практический вывод: пороги - это средние по популяции, а самые чувствительные зрители находятся заметно внутри них. Трансляция, рассчитанная на среднее, всё равно раздражает часть аудитории.
| Показатель | Значение | Источник |
|---|---|---|
| Средний порог обнаружения, звук опережает изображение против звука, отстающего от него | Около +45 мс до -125 мс | ITU-R BT.1359-1 (1998) |
| Порог обнаружения в раннем исследовании Bell Laboratories, опережение звука против отставания звука | Более 35 мс опережения или более 100 мс отставания | Исследование Bell Laboratories, по сообщению TV Technology (Hoffner) 2003 |
| Средний порог обнаружения звука, опережающего движение губ | 185,19 мс (СКО 42,32 мс) | Younkin и Corriveau, IEEE Transactions on Broadcasting 2008 |
| Речь признана синхронной, наибольшее опережение звука против наибольшего опережения видео (30 взрослых) | От опережения звука на 131 мс до опережения видео на 225 мс | Conrey и Pisoni, JASA 2006 |
| Неречевой сигнал (вспышка и тон) признан синхронным, опережение звука против опережения видео | От опережения звука на 153 мс до опережения видео на 247 мс | Conrey и Pisoni, JASA 2006 |
| Ширина окна синхронности на половине высоты пика, речь против неречевого сигнала | 357 мс против 400 мс | Conrey и Pisoni, JASA 2006 |
| Порог обнаружения для речи, видео опережает звук против звука, опережающего видео | 258 мс против 131 мс | Dixon и Spitz 1980, цитируется в Venezia и др., Attention, Perception, and Psychophysics 2016 |
| Порог обнаружения для молотка, бьющего по колышку, видео опережает звук против звука, опережающего видео | 188 мс против 75 мс | Dixon и Spitz 1980, цитируется в Venezia и др. 2016 |
Примечание о контексте: Conrey и Pisoni обнаружили, что центр окна синхронности находился на опережении видео в 47 мс, а не в нуле, как для речи, так и для неречевых сигналов (Conrey и Pisoni, JASA 2006). Обзор Venezia и др. прослеживает ту же закономерность в нескольких повторных исследованиях. Самые свежие доступные данные о популяционных порогах: Younkin и Corriveau 2008; более нового исследования порогов с большой выборкой для вещательного липсинка в нашем поиске не нашлось.
2. Вещательные допуски и бюджеты синхронизации
Исследования восприятия показывают, где зрители замечают ошибку; стандарты говорят инженерам, сколько из этого запаса может потратить каждый участок цепочки. Самая яркая закономерность - насколько инженерные пределы жёстче пределов восприятия. EBU R37 позволяет каждому этапу лишь 5 мс опережения и 15 мс отставания, тогда как вся цепочка должна укладываться в сквозной предел 40 мс опережения и 60 мс отставания (EBU R37, 2007). EBU указывает, что её пределы основаны на задержке, при которой 50% наблюдателей замечают сбой липсинка.
США пошли ещё строже. Подкомитет ATSC по внедрению счёл международные пределы 1998 года недостаточными для цифрового телевидения и попросил, чтобы звук на входе кодировщика никогда не опережал видео более чем на 15 мс и не отставал более чем на 45 мс (TV Technology, ATSC Recommends AV Sync Rules, 2004). Для сравнения: прежнее практическое правило NTSC составляло +1 и -2 кадра, или +33 и -66 мс. Рекомендация 1998 года также делит собственный бюджет, оставляя участкам вне контроля вещателя всего ±2 мс.
| Показатель | Значение | Источник |
|---|---|---|
| Общий допуск между звуком и изображением (он же средний порог приемлемости) | От +90 мс до -185 мс | ITU-R BT.1359-1 (1998) |
| Разделение бюджета: от источника камеры до нулевой опорной точки (студийной временной опоры) против от нулевой опорной точки до входа передатчика | +25 / -100 мс против +22,5 / -30 мс | ITU-R BT.1359-1 (1998) |
| Сквозной предел на любом выходе, предназначенном для эфира, звук до изображения против звука после изображения | 40 мс против 60 мс | EBU R37 (2007) |
| Предел на каждый отдельный этап производственной цепочки | От 5 мс опережения до 15 мс отставания | EBU R37 (2007) |
| Предел цифрового ТВ для звука на входе кодировщика, опережение против отставания | 15 мс против 45 мс | ATSC IS/191, по сообщению TV Technology 2004 |
| Предел цифрового ТВ для всей цепочки, звук опережает видео против звука, отстающего от видео | От +30 мс до -90 мс | ATSC IS/191, по сообщению TV Technology 2004 |
| Предел качества восприятия для IPTV, звук опережает видео против звука, отстающего от видео (предварительный, стандартное разрешение) | Максимум 15 мс против 45 мс | ITU-T G.1080 (2008) |
| Практическое правило аналогового NTSC в кадрах и миллисекундах | +1 / -2 кадра (+33 / -66 мс) | TV Technology (Hoffner) 2004 |
Примечание о выбросе: эти документы старые, но остаются действующими. Рекомендация о звуке и изображении была утверждена 30 ноября 1998 года, а рекомендация по качеству IPTV - 7 декабря 2008 года, и обе числятся действующими. Самые свежие доступные данные: EBU R37, 2007.
3. Тип контента и аудитория: кто сколько терпит
Говорящее лицо - самое сложное испытание для трансляции. В исследовании с 20 зрителями и 45 фрагментами порог приемлемости для звука, опережающего видео, составил 200 мс для диктора новостей, но 1,3 с для американского футбола (Ebenezer, arXiv 2022). Общие планы спортивных событий дают мало чётких аудиовизуальных событий, за которые можно зацепиться при оценке тайминга, поэтому стрим игры или спорта с камерой на лице стримера оценивают по более строгому стандарту, основанному на лице.
Значение имеет и аудитория. У слушателей старшего возраста при речи носителя английского языка окна синхронности (диапазон смещений, всё ещё воспринимаемых как одновременность) как минимум вдвое шире, чем у молодых взрослых, но при рассогласовании сигнала они всё равно хуже распознают речь, даже когда ошибку не замечают (Gordon-Salant и др., Frontiers in Psychology 2022). Широкое окно - это не иммунитет: ошибки синхронизации могут стоить понимания, так и не став жалобой.
| Показатель | Значение | Источник |
|---|---|---|
| Порог приемлемости для звука, опережающего видео, фрагмент с диктором новостей | 200 мс | Ebenezer, arXiv 2022 |
| Порог приемлемости для звука, опережающего видео, фрагмент с крикетом | 500 мс | Ebenezer, arXiv 2022 |
| Порог приемлемости для звука, опережающего видео, фрагменты с футболом и теннисом | 1 с | Ebenezer, arXiv 2022 |
| Порог приемлемости для звука, опережающего видео, фрагмент с американским футболом | 1,3 с | Ebenezer, arXiv 2022 |
| Окно синхронности для носителя английского языка, молодые слушатели с нормальным слухом против пожилых слушателей (по 17 в группе) | 100 мс против 250 мс | Gordon-Salant и др., Frontiers in Psychology 2022 |
| Типичная ширина окна синхронности, пары с опережающим видео против пар с опережающим звуком | 200-250 мс против 100-150 мс | Cecere и др., European Journal of Neuroscience 2016 |
| Базовый показатель чувствительности (d-прайм, чем выше, тем лучше обнаружение), пары с опережающим звуком против пар с опережающим видео, 30 взрослых | 1,58 против 0,98 | Cecere и др., European Journal of Neuroscience 2016 |
| Участники исследования 2026 года об асинхронности речи в шуме, пользователи кохлеарных имплантов против взрослых с обычным слухом (смещения до 400 мс) | 15 против 31 | Salagovic и др., Journal of Speech, Language, and Hearing Research 2026 |
Примечание о контексте: разрыв в чувствительности у Cecere и др. был статистически устойчивым (F(1,27) = 37,10, p < 0,0001) (Cecere и др., European Journal of Neuroscience 2016). В исследовании 2026 года разборчивость речи достигала максимума вблизи синхронности в обеих группах, а у пользователей кохлеарных имплантов с ростом асинхронности наблюдалось более сильное падение (Salagovic и др., JSLHR 2026). Исследование о спорте - это препринт старше трёх лет; самые свежие доступные данные: Ebenezer, 2022.
4. Измеренные смещения в плеерах, приложениях для звонков и гарнитурах
Стандарты исходят из того, что каждое устройство само сообщает о своей задержке и корректирует её. Измерения показывают, что это допущение не работает. Исследование с фотодиодом и линейным выходом в ноябре 2026 года, охватившее четыре системы воспроизведения видео с говорящим лицом, три плеера и два разрешения, выявило отставание звука во всех 24 ячейках, с медианными смещениями от 79,2 до 210,9 мс, при этом от 60,9% до 88,4% из 3 637 прогонов выходили за вещательный порог обнаружения (Ho и Li, Preprints.org 2026). Собственная неопределённость их измерений между каналами составила 0,0144 мс, так что ошибка кроется в цепочке воспроизведения, а не в приборе.
Приложения для звонков и стриминга разбросаны по обе стороны от нуля. В тестах Allion Labs с одной USB-веб-камерой на пяти компьютерах одно и то же приложение могло опережать на одной машине и отставать на другой (тесты AV-Sync от Allion Labs). Поэтому исправления на уровне пакетов, о которых мы писали в статистике маскирования потерь пакетов в WebRTC, сами по себе не гарантируют липсинк: синхронизация решается на конечных устройствах. Каждый этап обработки, который стример добавляет на путь микрофона, от шумоподавления до изменителя голоса в OBS, добавляет в этот бюджет собственную задержку, поэтому EBU R37 закладывает бюджет на каждый этап отдельно.
| Показатель | Значение | Источник |
|---|---|---|
| Медианное доставленное смещение звука и видео по 24 ячейкам плеера и разрешения (отрицательное значение означает отставание звука) | От -210,9 мс до -79,2 мс | Ho и Li, Preprints.org 2026 |
| Доля прогонов за вещательным порогом обнаружения, диапазон по ячейкам | От 60,9% до 88,4% | Ho и Li, Preprints.org 2026 |
| Доля прогонов за вещательным порогом приемлемости, диапазон по ячейкам | От 31,6% до 59,4% | Ho и Li, Preprints.org 2026 |
| Zoom, диапазон по пяти компьютерам (положительное значение означает, что звук идёт первым) | От -92 мс до +73 мс | Тесты AV-Sync от Allion Labs (без даты) |
| Microsoft Teams, диапазон по пяти компьютерам | От -95 мс до -20 мс | Тесты AV-Sync от Allion Labs (без даты) |
| Twitch, диапазон по четырём компьютерам | От -90 мс до +32 мс | Тесты AV-Sync от Allion Labs (без даты) |
| Google Meet, диапазон по пяти компьютерам | От -100 мс до +42 мс | Тесты AV-Sync от Allion Labs (без даты) |
| Наибольший средний разрыв между началами звука и изображения на некалиброванной гарнитуре смешанной реальности, с джиттером до | 156,63 мс, джиттер до ±11,82 мс | Eckhoff и др., PLOS ONE 2024 |
Примечание о контексте: калибровка работает. Задержка изображения на Varjo XR-3 сместила его разрыв с 53,49 ± 3,15 мс до -3,89 ± 1,56 мс за 100 предъявлений (Eckhoff и др., PLOS ONE 2024). Исследование с фотодиодом, упомянутое в начале этого раздела, опубликовано 3 ноября 2026 года и ещё не прошло рецензирование.
5. Дрейф в долгих сеансах: генераторы тактов, карты захвата и измерение синхронизации
Статические смещения можно скомпенсировать один раз. Дрейф - нельзя, потому что он растёт со временем. Когда звук и видео тактируются независимо, ошибка частоты накапливается всё время, пока идёт трансляция. Генератор на пределе ±1 ppm для цифровой аудиореференции 1-го класса (DARS, ведущий генератор, задающий частоту дискретизации звука) уходит на 3,6 мс в час: 0,000001 × 3 600 секунд = 0,0036 с, или 28,8 мс за восьмичасовую трансляцию (наш расчёт на основе допуска 1-го класса из таблицы ниже). Вещательные комплексы избегают этого, привязывая всё к одной опоре, - та же логика лежит в основе перехода на IP, который мы разбирали в статистике AoIP, Dante и AES67 в вещании.
Потребительское оборудование захвата менее строгое. Разработчик программного обеспечения LEADTOOLS описывает устройства захвата, которые стартуют с рассинхронизацией 60-90 мс, и устройства, начинающие дрейфовать после 8-24 часов (LEADTOOLS, Timestamp Drifting in Live Capture Situations). Для трансляции 24/7 дрейф - не крайний случай, а пункт планового обслуживания.
| Показатель | Значение | Источник |
|---|---|---|
| Долговременная точность частоты цифровой аудиореференции 1-го класса | В пределах ±1 ppm | ITU-R BS.2032-0 (2013) |
| Дрейф на пределе ±1 ppm, в час и за 8 часов (наш расчёт) | 3,6 мс в час; 28,8 мс за 8 часов | Рассчитано на основе ITU-R BS.2032-0 (2013) |
| Карты захвата, замеченные в дрейфе после непрерывной записи длительностью | От 8 до 24 часов | Документация LEADTOOLS (собственное наблюдение вендора) |
| Начальное смещение звука и видео на некоторых устройствах захвата | Около 60-90 мс | Документация LEADTOOLS (собственное наблюдение вендора) |
| Разница временных меток на устройствах захвата с несогласованными генераторами тактов | Более 500 мс | Документация LEADTOOLS (собственное наблюдение вендора) |
| Точность открытого измерительного стенда BBC для синхронизации (датчик света плюс аудиовход) | Примерно миллисекундная точность | BBC R&D dvbcss-synctiming |
| Пример допуска зачёт/незачёт на стенде BBC, приложение второго экрана против телевизора | ±8 мс против ±23 мс | BBC R&D dvbcss-synctiming |
| Способы передачи отпечатков липсинка (SDI, UDP поверх IP, транспортный поток MPEG-2), один контейнер на кадр | 3 | SMPTE ST 2064-2 (2015) |
Примечание о контексте: стенд BBC воспроизводит тестовое видео со вспышками и сигналами и измеряет их тайминг на экране и в динамике, то есть в единственной точке, где синхронизацию действительно воспринимают (BBC R&D dvbcss-synctiming). Подход SMPTE на основе отпечатков измеряет изменения тайминга без тестовых сигналов, сравнивая отпечатки, снятые выше и ниже по цепочке (SMPTE ST 2064-2:2015).
6. Автоматическое обнаружение ошибок липсинка: что машины видят и чего не видят
Стриминговые сервисы теперь проверяют синхронизацию с помощью машинного обучения, а не выборочных проверок людьми. Prime Video создал детекторы для 18 типов дефектов, включая синхронизацию звука и видео, и запускает свой детектор липсинка на четырёхсекундных фрагментах, сосредоточенных на одном лице, на тысячах каналов и прямых событий (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). Точность классификаторов быстро выросла: 96,5% на наборе данных LRS2 в 2024 году против 75,8% у исходной SyncNet (Park и др., Interpretable Convolutional SyncNet, arXiv 2024).
Загвоздка в том, что оценки на уровне файла не видят цепочку воспроизведения. Ho и Li обнаружили, что оценки синхронизации SyncNet не коррелируют со смещениями, измеренными на экране, а собственная оценка смещения SyncNet совпадала с измерением лишь в пределах полуширины 282,2 мс. Чистый файл всё равно может воспроизводиться с рассинхронизацией, и вторая проверка должна проходить на самом устройстве.
| Показатель | Значение | Источник |
|---|---|---|
| Типы видеодефектов, охватываемые детекторами Prime Video (включая синхронизацию звука и видео) | 18 | Amazon Science (Prime Video) 2022 |
| База данных ошибок синхронизации звука и видео в теннисе, созданная исследователями Amazon | 504 300 кадров из 6 часов видео | Ebenezer и др., ICASSP 2021 (Amazon) |
| Точность классификации синхронизации, IC-SyncNet на LRS2 против LRS3 | 96,5% против 93,8% | Park и др., arXiv 2024 |
| Точность классификации синхронизации, исходная SyncNet на LRS2 | 75,8% | Park и др., arXiv 2024 |
| Оценки людей, собранные для набора данных о воспринимаемом качестве синхронизации (более 100 часов, более 80 разметчиков) | 120 000 | Goncalves и др. (Amazon), PEAVS, ECCV 2024 |
| Корреляция метрики PEAVS с оценками людей, уровень набора данных против уровня фрагмента | 0,79 против 0,54 | Goncalves и др. (Amazon), PEAVS, ECCV 2024 |
| Корреляция между оценками синхронизации SyncNet и величиной измеренного смещения | r = от -0,066 до +0,083 | Ho и Li, Preprints.org 2026 |
Примечание о контексте: в данных PEAVS и оценки людей, и метрика достигали максимума выше 4 по 5-балльной шкале при сдвиге звука на 45 мс и снижались по мере роста сдвига (Goncalves и др., PEAVS, ECCV 2024). Метод Amazon для тенниса помечает ошибку, когда удар ракетки есть в звуке, но отсутствует в ближайшем видео (Amazon Science, Detection of audio-video synchronization errors via event detection).
Итоги: дрейф синхронизации звука и видео (липсинк) в прямых трансляциях в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Средний порог обнаружения, опережение звука против его отставания | Около +45 мс до -125 мс | ITU-R BT.1359-1 (1998) |
| Ширина окна синхронности на половине высоты пика, речь против неречевого сигнала | 357 мс против 400 мс | Conrey и Pisoni, JASA 2006 |
| Сквозной эфирный предел, звук до изображения против звука после изображения | 40 мс против 60 мс | EBU R37 (2007) |
| Предел на этап производственной цепочки | От 5 мс опережения до 15 мс отставания | EBU R37 (2007) |
| Предел цифрового ТВ на входе кодировщика, опережение против отставания | 15 мс против 45 мс | ATSC IS/191, через TV Technology 2004 |
| Предел цифрового ТВ для всей цепочки | От +30 мс до -90 мс | ATSC IS/191, через TV Technology 2004 |
| Средний порог обнаружения звука, опережающего движение губ | 185,19 мс (СКО 42,32 мс) | Younkin и Corriveau, IEEE Transactions on Broadcasting 2008 |
| Речь признана синхронной, опережение звука против опережения видео | 131 мс против 225 мс | Conrey и Pisoni, JASA 2006 |
| Порог приемлемости для опережения звука, диктор новостей против американского футбола | 200 мс против 1,3 с | Ebenezer, arXiv 2022 |
| Окно синхронности, молодые против пожилых слушателей | 100 мс против 250 мс | Gordon-Salant и др., Frontiers in Psychology 2022 |
| Чувствительность, пары с опережающим звуком против пар с опережающим видео | d-прайм 1,58 против 0,98 | Cecere и др., European Journal of Neuroscience 2016 |
| Медианные доставленные смещения при протестированном воспроизведении говорящего лица | Звук отстаёт на 79,2-210,9 мс | Ho и Li, Preprints.org 2026 |
| Диапазон смещения Microsoft Teams по пяти компьютерам | От -95 мс до -20 мс | Тесты AV-Sync от Allion Labs |
| Диапазон смещения Zoom по пяти компьютерам | От -92 мс до +73 мс | Тесты AV-Sync от Allion Labs |
| Наихудший средний разрыв между началами, некалиброванная гарнитура смешанной реальности | 156,63 мс | Eckhoff и др., PLOS ONE 2024 |
| Начальное смещение на некоторых устройствах захвата | Около 60-90 мс | Документация LEADTOOLS (вендор) |
| Точность классификаторов липсинка на LRS2, IC-SyncNet против SyncNet | 96,5% против 75,8% | Park и др., arXiv 2024 |
| Корреляция PEAVS с оценками людей, уровень набора данных | 0,79 | Goncalves и др. (Amazon), ECCV 2024 |
Методология и источники
- Рекомендации 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 и порог Bell Laboratories, по колонкам Randy Hoffner в TV Technology: ATSC Recommends AV Sync Rules (2004) и A/V Synchronization: How Bad Is Bad? (2003).
- Younkin и Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey и Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia и др., Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere, Gross и Thut, European Journal of Neuroscience (2016).
- Gordon-Salant и др., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson и 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 и 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 и 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 и 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) и Goncalves и др., PEAVS, ECCV (2024).
- Park и др., Interpretable Convolutional SyncNet, arXiv (2024).
- Наблюдение по данным: показатели обнаружения в разных исследованиях расходятся. Вещательная рекомендация 1998 года определяет обнаружение опережающего звука примерно в 45 мс, исследование Bell Laboratories - в 35 мс, а Younkin и Corriveau - в среднем 185,19 мс; мы приводим все три значения, а не выбираем одно, и разрыв, вероятно, объясняется различиями в стимулах и методике. Различаются и соглашения о знаке: большинство вещательных документов и Allion Labs используют положительные значения для случая, когда звук идёт первым, тогда как исследование 2026 года с фотодиодом указывает отставание звука отрицательным числом. На странице Allion Labs нет даты публикации, а исследование с фотодиодом (опубликовано 3 ноября 2026 года) и спортивное исследование Ebenezer - это препринты, не прошедшие рецензирование. Данные LEADTOOLS - это собственные наблюдения разработчика программного обеспечения. Значения ATSC IS/191 взяты из публикаций TV Technology, поскольку сам документ ATSC был недоступен. Показатель дрейфа 3,6 мс в час - наш расчёт на основе допуска ±1 ppm, а не измеренное значение. Большая часть данных о порогах и допусках старше трёх лет и помечена как самые свежие доступные данные.
Последнее обновление: 6 ноября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается после публикации рецензированной версии исследования с фотодиодом за ноябрь 2026 года о доставленном липсинке.