İzleyiciler, görüntüden yalnızca 45 ms önce gelen sesi fark ediyor, ancak görüntüden sonra gelen sesi 125 ms’ye kadar tolere ediyor; bu asimetrik fark edilebilirlik penceresi, ses ve görüntü zamanlamasına ilişkin uluslararası yayın tavsiyesinin (ITU-R BT.1359-1, 1998) temelini oluşturuyor. Gerçek oynatma zincirleri bu pencerenin dışında kalıyor: Kasım 2026 tarihli bir fotodiyot çalışması, 24 oynatıcı ve çözünürlük kombinasyonunda 79,2 ile 210,9 ms arasında medyan ses gecikmesi ölçtü ve denemelerin %88,4’üne varan bölümü fark edilebilirlik eşiğinin ötesindeydi (Ho ve Li, Preprints.org 2026). Tolerans ekranda ne olduğuna da bağlı: kabul edilebilirlik eşikleri haber spikeri için 200 ms’den Amerikan futbolu için 1,3 s’ye kadar uzanıyor (Ebenezer, arXiv 2022). Dudak senkronu kayması (bir ağzın hareket ettiği an ile sesinin duyulduğu an arasındaki fark), kapalı altyazı gecikmesi ve doğruluğu istatistiklerimizde ele aldığımız altyazı zamanlamasından farklı bir sorundur. EBU, ATSC, SMPTE, IEEE Transactions on Broadcasting, Journal of the Acoustical Society of America, PLOS ONE, Allion Labs, Amazon Science ve bir düzine başka birincil kaynaktan veri derledik.
TL;DR
- Ortalama fark edilebilirlik eşiği: yaklaşık 45 ms ses önde ile 125 ms ses geride arası (ITU-R BT.1359-1, 1998).
- Avrupa yayın sınırı: uçtan uca, görüntüden önce ses için 40 ms, görüntüden sonra ses için 60 ms (EBU R37, 2007).
- Kodlayıcı girişinde ABD DTV rehberi: 15 ms’den fazla ses önde veya 45 ms’den fazla ses geride olmamalı (ATSC IS/191, TV Technology 2004 aracılığıyla).
- Bir Intel laboratuvar testinde sesin önde olduğu durumda ortalama fark etme eşiği: 185,19 ms, SS 42,32 ms (Younkin ve Corriveau, IEEE Transactions on Broadcasting 2008).
- Konuşmanın 131 ms ses önde olmasından 225 ms görüntü önde olmasına kadar eşzamanlı sayılması (Conrey ve Pisoni, JASA 2006).
- Sesin görüntüden önce gelmesi için kabul edilebilirlik eşiği: haber spikeri için 200 ms, Amerikan futbolu için 1,3 s (Ebenezer, arXiv 2022).
- Test edilen konuşan kişi videosu oynatımında teslim edilen medyan sapmalar: her hücrede ses 79,2 ile 210,9 ms geç (Ho ve Li, Preprints.org 2026).
- Zoom, beş bilgisayarda 92 ms görüntü önde ile 73 ms ses önde arasında ölçüldü (Allion Labs AV-Sync testi).
- Kalibre edilmemiş bir karma gerçeklik başlığında en kötü ortalama ses-görüntü başlangıç farkı: 156,63 ms (Eckhoff ve ark., PLOS ONE 2024).
- Ana dili İngilizce olan bir konuşmacı için eşzamanlılık penceresi: genç normal işiten dinleyicilerde 100 ms, yaşlı dinleyicilerde 250 ms (Gordon-Salant ve ark., Frontiers in Psychology 2022).
- LRS2 veri kümesinde dudak senkronu sınıflandırıcı doğruluğu: IC-SyncNet için %96,5, özgün SyncNet için %75,8 (Park ve ark., arXiv 2024).
1. Fark Etme Eşikleri: İzleyiciler Dudak Senkronu Hatasını Ne Zaman Fark Ediyor
80 yıllık araştırma boyunca en tutarlı bulgu asimetridir. Erken gelen ses, geç gelen sesin gerektirdiği sapmanın kabaca üçte birinde yakalanıyor: ITU-R BT.1359-1 tavsiyesinde özetlenen öznel testlerde (izleyicilerin klipleri puanladığı testler) yaklaşık 45 ms ses önde karşısında 125 ms ses geride. Doğa bu eğilimi açıklıyor: ışık sesten hızlı yol alır ve doğal konuşmada ağız, ses çıkmadan önce hareket etmeye başlar. Venezia ve ark.‘nın analiz ettiği konuşma uyaranında ağız kapanması sesten 163 ms önce gerçekleşti; yani beyin geç gelen sesi kabul etmeye zaten alışık.
Çalışmalar arasındaki dağılım, ortalamalar kadar önemli. 1940’lardaki bir Bell Laboratories çalışması fark etmeyi 35 ms ses önde ve 100 ms ses geride olarak belirlerken, sesin önde olduğu hataları inceleyen bir Intel laboratuvar testi çok daha gevşek bir ortalama olan 185,19 ms buldu (Younkin ve Corriveau, IEEE Transactions on Broadcasting 2008). Pratik okuma: eşikler bir nüfus üzerindeki ortalamalardır ve en hassas izleyiciler bunların epey içinde kalır. Ortalamaya göre tasarlanmış bir yayın, yine de izleyici kitlesinin bir kısmını rahatsız eder.
| Metrik | Değer | Kaynak |
|---|---|---|
| Ortalama fark edilebilirlik eşiği, sesin görüntüden önce gelmesi ve görüntüden geri kalması | Yaklaşık +45 ms ile -125 ms arası | ITU-R BT.1359-1 (1998) |
| Erken bir Bell Laboratories çalışmasında fark etme eşiği, ses önde ve ses geride | 35 ms’den fazla öne geçme veya 100 ms’den fazla geri kalma | Bell Laboratories çalışması, TV Technology’de (Hoffner) aktarılmıştır, 2003 |
| Sesin dudaklardan önce geldiği durumda ortalama fark etme eşiği | 185,19 ms (SS 42,32 ms) | Younkin ve Corriveau, IEEE Transactions on Broadcasting 2008 |
| Konuşmanın eşzamanlı sayıldığı aralık, en büyük ses önde ve en büyük görüntü önde değeri (30 yetişkin) | 131 ms ses önde ile 225 ms görüntü önde arası | Conrey ve Pisoni, JASA 2006 |
| Konuşma dışı uyaranın (flaş ve ton) eşzamanlı sayıldığı aralık, ses önde ve görüntü önde | 153 ms ses önde ile 247 ms görüntü önde arası | Conrey ve Pisoni, JASA 2006 |
| Eşzamanlılık penceresinin tepe noktasının yarısındaki genişliği, konuşma ve konuşma dışı | 357 ms ve 400 ms | Conrey ve Pisoni, JASA 2006 |
| Konuşma için fark etme eşiği, görüntünün sesten önce olması ve sesin görüntüden önce olması | 258 ms ve 131 ms | Dixon ve Spitz 1980, Venezia ve ark.‘ndan aktarılmıştır, Attention, Perception, and Psychophysics 2016 |
| Çiviye vuran çekiç için fark etme eşiği, görüntü önde ve ses önde | 188 ms ve 75 ms | Dixon ve Spitz 1980, Venezia ve ark.‘ndan aktarılmıştır 2016 |
Bağlam notu: Conrey ve Pisoni, eşzamanlılık penceresinin merkezinin hem konuşma hem de konuşma dışı uyaranlarda sıfırda değil, 47 ms görüntü önde noktasında olduğunu buldu (Conrey ve Pisoni, JASA 2006). Venezia ve ark. derlemesi aynı örüntüyü tekrarlayan çalışmalar boyunca izliyor. Nüfus eşikleri için mevcut en güncel veri: Younkin ve Corriveau 2008; araştırmamızda yayın dudak senkronu için daha yeni, geniş örneklemli bir eşik çalışması çıkmadı.
2. Yayın Toleransları ve Senkron Bütçeleri
Algı çalışmaları izleyicilerin nerede fark ettiğini söyler; standartlar ise mühendislere bu payın ne kadarını zincirin her bölümünün harcayabileceğini anlatır. Çarpıcı örüntü, mühendislik sınırlarının algı sınırlarından ne kadar daha sıkı olduğudur. EBU R37 her aşamaya yalnızca 5 ms erken ve 15 ms geç izni verir, tüm zincir ise uçtan uca 40 ms öne geçme ve 60 ms geri kalma sınırı içinde kalmalıdır (EBU R37, 2007). EBU, sınırlarının gözlemcilerin %50’sinin dudak senkronu hatasını fark ettiği gecikmeye dayandığını belirtiyor.
ABD daha da sıkı davrandı. ATSC’nin Uygulama Alt Komitesi, 1998 uluslararası sınırlarını dijital televizyon için yetersiz buldu ve kodlayıcıya giren sesin görüntüden asla 15 ms’den fazla önde olmamasını veya 45 ms’den fazla geride kalmamasını istedi (TV Technology, ATSC Recommends AV Sync Rules, 2004). Karşılaştırma için, eski NTSC pratik kuralı +1 ve -2 kare, yani +33 ve -66 ms idi. 1998 tavsiyesi kendi bütçesini de bölüyor ve yayıncının denetimi dışındaki bölümlere yalnızca ±2 ms bırakıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Genel ses-görüntü toleransı (aynı zamanda ortalama kabul edilebilirlik eşiği) | +90 ms ile -185 ms arası | ITU-R BT.1359-1 (1998) |
| Bütçe dağılımı: kamera kaynağından sıfır referans noktasına (stüdyo zamanlama referansı) ve sıfır referanstan verici girişine | +25 / -100 ms ve +22,5 / -30 ms | ITU-R BT.1359-1 (1998) |
| Yayına yönelik herhangi bir çıkıştaki uçtan uca sınır, görüntüden önce ses ve görüntüden sonra ses | 40 ms ve 60 ms | EBU R37 (2007) |
| Üretim zincirinin her bir aşaması için sınır | 5 ms erken ile 15 ms geç arası | EBU R37 (2007) |
| Kodlayıcı girişinde ses için DTV sınırı, ses önde ve ses geride | 15 ms ve 45 ms | ATSC IS/191, TV Technology 2004 aracılığıyla |
| Tüm zincir için DTV sınırı, sesin görüntüden önde ve görüntüden geride olması | +30 ms ile -90 ms arası | ATSC IS/191, TV Technology 2004 aracılığıyla |
| IPTV deneyim kalitesi sınırı, sesin görüntüden önde ve görüntüden geride olması (geçici, standart çözünürlük) | en fazla 15 ms ve 45 ms | ITU-T G.1080 (2008) |
| Kare ve milisaniye cinsinden analog NTSC pratik kuralı | +1 / -2 kare (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
Aykırı değer notu: bu belgeler eski ama hâlâ geçerli. Ses ve görüntü tavsiyesi 30 Kasım 1998’de, IPTV kalite tavsiyesi ise 7 Aralık 2008’de onaylandı ve her ikisi de yürürlükte olarak listeleniyor. Mevcut en güncel veri: EBU R37, 2007.
3. İçerik Türü ve İzleyici Kitlesi: Kim Ne Kadar Tolere Ediyor
Konuşan bir yüz, bir yayının karşılaşabileceği en zor testtir. 45 klip üzerinde 20 izleyicilik bir çalışmada, sesin görüntüden önce gelmesi için kabul edilebilirlik eşiği haber spikeri için 200 ms, Amerikan futbolu için 1,3 s idi (Ebenezer, arXiv 2022). Geniş spor çekimleri zamanlamayı sabitleyecek az sayıda keskin ses-görüntü olayı sunar; bu nedenle ekranda yayıncının yüz kamerasının bulunduğu bir oyun veya spor yayını, daha sıkı olan yüz temelli standartla değerlendirilir.
İzleyici kitlesi de önemli. Ana dili İngilizce olan bir konuşmacıyla, yaşlı dinleyicilerin eşzamanlılık pencereleri (hâlâ eşzamanlı algılanan sapma aralığı) genç yetişkinlerinkinin en az iki katı genişlikte; yine de sinyal hizalı olmadığında, hatayı fark etmeseler bile konuşma tanımada kayıp yaşıyorlar (Gordon-Salant ve ark., Frontiers in Psychology 2022). Geniş bir pencere bağışıklık demek değildir: senkron hataları, hiç şikâyet olarak dile getirilmeden anlama maliyeti yaratabilir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Sesin görüntüden önce geldiği durumda kabul edilebilirlik eşiği, haber spikeri klibi | 200 ms | Ebenezer, arXiv 2022 |
| Sesin görüntüden önce geldiği durumda kabul edilebilirlik eşiği, kriket klibi | 500 ms | Ebenezer, arXiv 2022 |
| Sesin görüntüden önce geldiği durumda kabul edilebilirlik eşiği, futbol ve tenis klipleri | 1 s | Ebenezer, arXiv 2022 |
| Sesin görüntüden önce geldiği durumda kabul edilebilirlik eşiği, Amerikan futbolu klibi | 1,3 s | Ebenezer, arXiv 2022 |
| Ana dili İngilizce olan bir konuşmacı için eşzamanlılık penceresi, genç normal işiten ve yaşlı dinleyiciler (grup başına 17) | 100 ms ve 250 ms | Gordon-Salant ve ark., Frontiers in Psychology 2022 |
| Tipik eşzamanlılık penceresi genişliği, görüntü önde çiftler ve ses önde çiftler | 200-250 ms ve 100-150 ms | Cecere ve ark., European Journal of Neuroscience 2016 |
| Temel duyarlılık puanı (d prime, yüksek değer daha iyi fark etme demektir), ses önde ve görüntü önde çiftler, 30 yetişkin | 1,58 ve 0,98 | Cecere ve ark., European Journal of Neuroscience 2016 |
| Gürültüde konuşma asenkroni çalışmasının 2026 tarihli katılımcıları, koklear implant kullanıcıları ve tipik işiten yetişkinler (400 ms’ye kadar sapmalar) | 15 ve 31 | Salagovic ve ark., Journal of Speech, Language, and Hearing Research 2026 |
Bağlam notu: Cecere ve ark.‘nın duyarlılık farkı istatistiksel olarak sağlamdı (F(1,27) = 37,10, p < 0,0001) (Cecere ve ark., European Journal of Neuroscience 2016). 2026 çalışmasında anlaşılırlık her iki grupta da senkrona yakın bir noktada zirve yaptı ve koklear implant kullanıcıları asenkroni arttıkça daha büyük düşüşler gösterdi (Salagovic ve ark., JSLHR 2026). Spor çalışması bir ön baskıdır ve üç yıldan eskidir; mevcut en güncel veri: Ebenezer, 2022.
4. Oynatıcılarda, Görüşme Uygulamalarında ve Başlıklarda Ölçülen Sapmalar
Standartlar, her cihazın kendi gecikmesini bildirip düzelttiğini varsayar. Ölçümler bu varsayımın tutmadığını gösteriyor. Dört konuşan kişi videosu sistemi, üç oynatıcı ve iki çözünürlük üzerinde yapılan Kasım 2026 tarihli bir fotodiyot ve hat çıkışı çalışması, 24 hücrenin tamamında sesin geride kaldığını, medyan sapmaların 79,2 ile 210,9 ms arasında olduğunu ve 3.637 denemenin %60,9 ile %88,4’ünün yayın fark edilebilirlik eşiğini aştığını buldu (Ho ve Li, Preprints.org 2026). Kanallar arasındaki kendi ölçüm belirsizlikleri 0,0144 ms idi; yani hata ölçüm cihazında değil, oynatma zincirinde.
Görüşme ve yayın uygulamaları sıfırın iki yanına dağılıyor. Beş bilgisayarda tek bir USB web kamerasıyla yapılan Allion Labs testlerinde aynı uygulama bir makinede öne geçerken diğerinde geri kalabildi (Allion Labs AV-Sync testi). WebRTC paket kaybı gizleme istatistiklerimizde ele aldığımız paket düzeyindeki düzeltmelerin dudak senkronunu tek başına garanti edememesinin nedeni budur: senkron uç noktalarda belirlenir. Bir yayıncının mikrofon yoluna eklediği her işleme aşaması, gürültü bastırmadan OBS’te ses değiştiriciye kadar, bu bütçeye kendi gecikmesini ekler; EBU R37’nin her aşamayı ayrı ayrı bütçelendirmesinin nedeni de budur.
| Metrik | Değer | Kaynak |
|---|---|---|
| 24 oynatıcı ve çözünürlük hücresinde teslim edilen medyan ses-görüntü sapması (eksi, sesin geç olduğu anlamına gelir) | -210,9 ms ile -79,2 ms arası | Ho ve Li, Preprints.org 2026 |
| Yayın fark edilebilirlik eşiğini aşan denemelerin payı, hücreler arası aralık | %60,9 ile %88,4 arası | Ho ve Li, Preprints.org 2026 |
| Yayın kabul edilebilirlik eşiğini aşan denemelerin payı, hücreler arası aralık | %31,6 ile %59,4 arası | Ho ve Li, Preprints.org 2026 |
| Zoom, beş bilgisayar arasındaki aralık (artı, önce sesin geldiği anlamına gelir) | -92 ms ile +73 ms arası | Allion Labs AV-Sync testi (tarihsiz) |
| Microsoft Teams, beş bilgisayar arasındaki aralık | -95 ms ile -20 ms arası | Allion Labs AV-Sync testi (tarihsiz) |
| Twitch, dört bilgisayar arasındaki aralık | -90 ms ile +32 ms arası | Allion Labs AV-Sync testi (tarihsiz) |
| Google Meet, beş bilgisayar arasındaki aralık | -100 ms ile +42 ms arası | Allion Labs AV-Sync testi (tarihsiz) |
| Kalibre edilmemiş bir karma gerçeklik başlığında en büyük ortalama ses-görüntü başlangıç farkı, jitter en fazla | 156,63 ms, jitter en fazla ±11,82 ms | Eckhoff ve ark., PLOS ONE 2024 |
Bağlam notu: kalibrasyon işe yarıyor. Bir Varjo XR-3 üzerinde görüntüyü geciktirmek, 100 sunumda farkı 53,49 ± 3,15 ms’den -3,89 ± 1,56 ms’ye taşıdı (Eckhoff ve ark., PLOS ONE 2024). Bu bölümün başındaki fotodiyot çalışması 3 Kasım 2026’da yayımlandı ve henüz hakem değerlendirmesinden geçmedi.
5. Uzun Oturum Kayması: Saatler, Yakalama Kartları ve Senkron Ölçümü
Sabit sapmalar bir kez ayarlanarak giderilebilir. Kayma giderilemez, çünkü zamanla büyür. Ses ve görüntü bağımsız olarak saatlendiğinde, bir frekans hatası yayın sürdüğü sürece birikir. Sınıf 1 dijital ses referansının (DARS, ses örnekleme hızını belirleyen ana saat) ±1 ppm sınırındaki bir saat, saatte 3,6 ms kayar: 0,000001 x 3.600 saniye = 0,0036 s, yani sekiz saatlik bir yayında 28,8 ms (aşağıdaki tablodaki Sınıf 1 toleransından yaptığımız hesap). Yayın tesisleri her şeyi tek bir referansa kilitleyerek bundan kaçınır; AoIP, Dante ve AES67 yayın istatistiklerimizde izlediğimiz IP geçişinin arkasındaki mantık da aynıdır.
Tüketici yakalama donanımı daha gevşektir. Yazılım satıcısı LEADTOOLS, 60 ila 90 ms senkron dışı başlayan yakalama aygıtlarını ve 8 ila 24 saat sonra kaymaya başlayan aygıtları belgeliyor (LEADTOOLS, Timestamp Drifting in Live Capture Situations). 7/24 yayında kayma bir uç durum değil, planlı bir bakım kalemidir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Sınıf 1 dijital ses referansının uzun vadeli frekans doğruluğu | ±1 ppm içinde | ITU-R BS.2032-0 (2013) |
| ±1 ppm sınırında kayma, saat başına ve 8 saatte (bizim hesabımız) | saatte 3,6 ms; 8 saatte 28,8 ms | ITU-R BS.2032-0’dan (2013) hesaplanmıştır |
| Kesintisiz yakalamadan sonra kaydığı gözlenen yakalama kartları | 8 ila 24 saat | LEADTOOLS belgeleri (satıcının kendi gözlemi) |
| Bazı yakalama aygıtlarında ilk ses-görüntü sapması | Yaklaşık 60-90 ms | LEADTOOLS belgeleri (satıcının kendi gözlemi) |
| Saatleri uyuşmayan yakalama aygıtlarında zaman damgası farkı | 500 ms’nin üzerinde | LEADTOOLS belgeleri (satıcının kendi gözlemi) |
| BBC açık kaynak senkron ölçüm düzeneğinin (ışık sensörü artı ses girişi) doğruluğu | Yaklaşık milisaniye doğruluğu | BBC R&D dvbcss-synctiming |
| BBC düzeneğinde örnek geçti/kaldı toleransı, ikinci ekran uygulaması ve TV | ±8 ms ve ±23 ms | BBC R&D dvbcss-synctiming |
| Dudak senkronu parmak izleri için taşıma yöntemleri (SDI, IP üzerinden UDP, MPEG-2 taşıma akışı), kare başına bir kapsayıcı | 3 | SMPTE ST 2064-2 (2015) |
Bağlam notu: BBC düzeneği, flaşlı ve bip sesli test videosu oynatır ve bunları ekranda ve hoparlörde, yani senkronun gerçekten deneyimlendiği tek noktada zamanlar (BBC R&D dvbcss-synctiming). SMPTE’nin parmak izi yaklaşımı, test sinyali kullanmadan, akış yukarısında ve aşağısında alınan parmak izlerini karşılaştırarak zamanlama değişimlerini ölçer (SMPTE ST 2064-2:2015).
6. Otomatik Dudak Senkronu Tespiti: Makineler Neyi Yakalayabilir, Neyi Yakalayamaz
Yayın hizmetleri artık senkronu insan örnekleme kontrolleri yerine makine öğrenmesiyle denetliyor. Prime Video, ses-görüntü senkronu dahil 18 kusur türü için dedektörler geliştirdi ve dudak senkronu dedektörünü, binlerce kanalda ve canlı etkinlikte tek bir yüze odaklanan dört saniyelik kliplerde çalıştırıyor (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). Sınıflandırıcı doğruluğu hızla yükseldi: 2024’te LRS2 veri kümesinde %96,5, özgün SyncNet’te ise %75,8 (Park ve ark., Interpretable Convolutional SyncNet, arXiv 2024).
Püf noktası, dosya düzeyindeki puanların oynatma zincirini görmemesidir. Ho ve Li, SyncNet’in senkron puanlarının ekranda ölçtükleri sapmalarla ilişkisiz olduğunu, SyncNet’in kendi sapma tahmininin ise ölçümle yalnızca 282,2 ms yarı genişlik dahilinde uyuştuğunu buldu. Temiz bir dosya yine de senkron dışı oynatılabilir ve ikinci kontrolün cihazda yapılması gerekir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Prime Video dedektörlerinin kapsadığı video kusur türleri (ses-görüntü senkronu dahil) | 18 | Amazon Science (Prime Video) 2022 |
| Amazon araştırmacılarının oluşturduğu tenis ses-görüntü senkron hatası veritabanı | 6 saatlik videodan 504.300 kare | Ebenezer ve ark., ICASSP 2021 (Amazon) |
| Senkron sınıflandırma doğruluğu, IC-SyncNet LRS2 ve LRS3 üzerinde | %96,5 ve %93,8 | Park ve ark., arXiv 2024 |
| Senkron sınıflandırma doğruluğu, özgün SyncNet LRS2 üzerinde | %75,8 | Park ve ark., arXiv 2024 |
| Algısal senkron kalitesi veri kümesi için toplanan insan puanları (100+ saat, 80+ etiketleyici) | 120.000 | Goncalves ve ark. (Amazon), PEAVS, ECCV 2024 |
| PEAVS metriğinin insan puanlarıyla korelasyonu, küme düzeyi ve klip düzeyi | 0,79 ve 0,54 | Goncalves ve ark. (Amazon), PEAVS, ECCV 2024 |
| SyncNet senkron puanları ile ölçülen sapma büyüklüğü arasındaki korelasyon | r = -0,066 ile +0,083 arası | Ho ve Li, Preprints.org 2026 |
Bağlam notu: PEAVS verilerinde hem insan puanları hem de metrik, 45 ms’lik ses kaymasında 5 puanlık ölçekte 4’ün üzerinde zirve yaptı ve kayma büyüdükçe düştü (Goncalves ve ark., PEAVS, ECCV 2024). Amazon’un tenis yöntemi, bir raket vuruşu seste görünüp yakındaki videoda görünmediğinde hata işaretler (Amazon Science, Detection of audio-video synchronization errors via event detection).
Özet: Rakamlarla Canlı Yayında Ses-Görüntü Senkron (Dudak Senkronu) Kayması
| Metrik | Değer | Kaynak |
|---|---|---|
| Ortalama fark edilebilirlik eşiği, ses önde ve ses geride | Yaklaşık +45 ms ile -125 ms arası | ITU-R BT.1359-1 (1998) |
| Eşzamanlılık penceresinin tepe noktasının yarısındaki genişliği, konuşma ve konuşma dışı | 357 ms ve 400 ms | Conrey ve Pisoni, JASA 2006 |
| Uçtan uca yayın sınırı, görüntüden önce ses ve görüntüden sonra ses | 40 ms ve 60 ms | EBU R37 (2007) |
| Üretim zincirinde aşama başına sınır | 5 ms erken ile 15 ms geç arası | EBU R37 (2007) |
| Kodlayıcı girişinde DTV sınırı, ses önde ve ses geride | 15 ms ve 45 ms | ATSC IS/191, TV Technology 2004 üzerinden |
| Tüm zincir için DTV sınırı | +30 ms ile -90 ms arası | ATSC IS/191, TV Technology 2004 üzerinden |
| Sesin dudaklardan önce geldiği durumda ortalama fark etme eşiği | 185,19 ms (SS 42,32 ms) | Younkin ve Corriveau, IEEE Transactions on Broadcasting 2008 |
| Konuşmanın eşzamanlı sayıldığı aralık, ses önde ve görüntü önde | 131 ms ve 225 ms | Conrey ve Pisoni, JASA 2006 |
| Sesin önde olduğu durumda kabul edilebilirlik eşiği, haber spikeri ve Amerikan futbolu | 200 ms ve 1,3 s | Ebenezer, arXiv 2022 |
| Eşzamanlılık penceresi, genç ve yaşlı dinleyiciler | 100 ms ve 250 ms | Gordon-Salant ve ark., Frontiers in Psychology 2022 |
| Duyarlılık, ses önde ve görüntü önde çiftler | d prime 1,58 ve 0,98 | Cecere ve ark., European Journal of Neuroscience 2016 |
| Test edilen konuşan kişi videosu oynatımında teslim edilen medyan sapmalar | Ses 79,2 ile 210,9 ms geç | Ho ve Li, Preprints.org 2026 |
| Microsoft Teams sapma aralığı, beş bilgisayar | -95 ms ile -20 ms arası | Allion Labs AV-Sync testi |
| Zoom sapma aralığı, beş bilgisayar | -92 ms ile +73 ms arası | Allion Labs AV-Sync testi |
| En kötü ortalama başlangıç farkı, kalibre edilmemiş karma gerçeklik başlığı | 156,63 ms | Eckhoff ve ark., PLOS ONE 2024 |
| Bazı yakalama aygıtlarında ilk sapma | Yaklaşık 60-90 ms | LEADTOOLS belgeleri (satıcı) |
| LRS2 üzerinde dudak senkronu sınıflandırıcı doğruluğu, IC-SyncNet ve SyncNet | %96,5 ve %75,8 | Park ve ark., arXiv 2024 |
| PEAVS’ın insan puanlarıyla korelasyonu, küme düzeyi | 0,79 | Goncalves ve ark. (Amazon), ECCV 2024 |
Metodoloji ve Kaynaklar
- ITU tavsiyeleri: 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 ve Bell Laboratories eşiği, Randy Hoffner’ın TV Technology’deki köşe yazıları üzerinden: ATSC Recommends AV Sync Rules (2004) ve A/V Synchronization: How Bad Is Bad? (2003).
- Younkin ve Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey ve Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia ve ark., Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere, Gross ve Thut, European Journal of Neuroscience (2016).
- Gordon-Salant ve ark., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson ve 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 ve 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 ve 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 ve 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) ve Goncalves ve ark., PEAVS, ECCV (2024).
- Park ve ark., Interpretable Convolutional SyncNet, arXiv (2024).
- Veri notu: fark edilebilirlik rakamları çalışmalar arasında çelişiyor. 1998 yayın tavsiyesi sesin önde olduğu durumda fark etmeyi yaklaşık 45 ms, Bell Laboratories çalışması 35 ms, Younkin ve Corriveau ise ortalama 185,19 ms olarak veriyor; birini seçmek yerine üçünü de aktarıyoruz ve uyaran ile yöntem farklılıklarının aradaki farkı büyük olasılıkla açıkladığını düşünüyoruz. İşaret kuralları da farklı: yayın belgelerinin çoğu ve Allion Labs, önce sesin geldiği durum için pozitif değer kullanırken, 2026 fotodiyot çalışması ses gecikmesini negatif olarak bildiriyor. Allion Labs sayfasında yayın tarihi yok; fotodiyot çalışması (3 Kasım 2026’da yayımlandı) ve Ebenezer spor çalışması ise hakem değerlendirmesinden geçmemiş ön baskılar. LEADTOOLS rakamları bir yazılım satıcısının kendi gözlemleridir. ATSC IS/191 değerleri, ATSC belgesine ulaşılamadığı için TV Technology’nin haberlerinden alınmıştır. Saatte 3,6 ms kayma rakamı, ±1 ppm toleransından yaptığımız bir hesaptır, ölçülmüş bir değer değildir. Eşik ve tolerans verilerinin çoğu üç yıldan eskidir ve mevcut en güncel veri olarak işaretlenmiştir.
Son güncelleme: 6 Kasım 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, Kasım 2026 tarihli, teslim edilen dudak senkronuna dair fotodiyot çalışmasının hakem değerlendirmesinden geçmiş sürümü yayımlandığında yapılması bekleniyor.