Zeitlage von Ton und Bild (Lippensynchronität)

Die Zeitlage von Ton und Bild beschreibt, wie weit der Ton einer Wiedergabe dem Bild vorauseilt oder ihm nachläuft. Der Begriff Lippensynchronität ist die geläufige Kurzform dafür, benennt aber nur den auffälligsten Fall — sprechende Menschen. Entscheidend ist eine Größe, die auch ohne Gesichter im Bild gilt: der Unterschied zwischen zwei Wegen, die gleichzeitig wahrgenommen werden.

Ausführliche Erklärung

In einer Anlage nehmen Bild und Ton fast nie denselben Weg. Der Bildweg läuft durch Decodierung, Skalierung und die Bildverarbeitung des Anzeigegeräts; der Tonweg durch einen Verstärker oder Prozessor, oft mit eigener Verarbeitung, manchmal über eine ganz andere Plattform. Beide Wege kosten Zeit, aber nicht dieselbe. Was am Ende auffällt, ist die Differenz.

Daraus folgt die Regel, die in der Planung wirklich zählt und die auf der Seite zur Videokompression im Transport mit den Zahlen der Übertragungskette hinterlegt ist: Nicht die absolute Verzögerung entscheidet, sondern ihr Unterschied zwischen zwei Wegen, die gleichzeitig wahrnehmbar sind. Eine Anlage, in der alles gleich lange braucht, bleibt unauffällig, selbst wenn diese Zeit beträchtlich ist. Eine Anlage mit einem schnellen und einem langsamen Weg wird an ihrem Unterschied gemessen.

Warum die Schwelle nicht symmetrisch ist

Der eigentliche Kern des Begriffs steckt in einer Asymmetrie, die man sich einmal klarmachen sollte, weil sie jede Einstellarbeit an einer Anlage erklärt.

Licht ist unvergleichlich schneller als Schall. Über jede Entfernung, die im Alltag vorkommt, erreicht uns das Bild eines Ereignisses praktisch sofort und sein Geräusch später. Ein Handwerker auf dem Nachbardach, ein Ball, der aufkommt, ein Gewitter am Horizont: Das Auge ist immer zuerst dran. Ein Ton, der dem Bild nachläuft, ist damit der Normalfall der Wahrnehmung — das Gehirn ist darauf eingerichtet und ordnet Ereignisse trotz der Verschiebung zusammen.

Ein Ton, der dem Bild vorauseilt, kommt in der Natur dagegen nicht vor. Es gibt keine Entfernung, aus der ein Geräusch vor seinem Anblick eintrifft. Für diesen Fall gibt es keine Erfahrung, keine Gewöhnung und keine Toleranz — er fällt entsprechend früher auf und wird schneller als Fehler empfunden.

Genau deshalb beziffern die einschlägigen Empfehlungen ihre Schwellen getrennt nach Richtung und zusätzlich in zwei Stufen, statt in einer einzigen Zahl: bis wohin ein Versatz überhaupt unbemerkt bleibt (Erkennbarkeit) und bis wohin er zwar bemerkt, aber noch hingenommen wird (Akzeptanz).

Die Empfehlung ITU-R BT.1359-1 der Internationalen Fernmeldeunion beziffert beide Stufen. Positiv gerechnet wird, wenn der Ton dem Bild vorauseilt:

Damit steht die Asymmetrie als Zahl da: In der nachlaufenden Richtung ist ungefähr das Dreifache hinnehmbar. Die Werte stammen aus Reihenversuchen in Japan, der Schweiz und Australien; für die Gesamttoleranz einer Rundfunkkette von der Bildquelle bis zum Zuschauer nennt dieselbe Empfehlung +90 beziehungsweise −185 ms.

Die European Broadcasting Union setzt in ihrer Empfehlung R37 deutlich engere Grenzen — je Stufe der Kette einen Bereich von 5 ms vorauseilendem bis 15 ms nachlaufendem Ton, und am Ausgang zum Sender höchstens 40 ms voraus beziehungsweise 60 ms nach. Das widerspricht der ITU nicht, es beantwortet eine andere Frage. Die ITU-Werte sagen, wo die Wahrnehmung ihre Grenze hat; die EBU-Werte sind Arbeitsgrenzen für eine Kette, in der sich der Versatz über mehrere Stufen aufaddiert und deshalb an keiner einzelnen Stufe ausgereizt werden darf.

Für die praktische Arbeit an einer Anlage folgt aus der Asymmetrie eine Faustregel: Wenn ein Ausgleich nicht exakt gelingt, ist der Rest besser auf der Seite des nachlaufenden Tons aufgehoben als auf der des vorauseilenden. Ein etwas zu später Ton ist die Richtung, in die das Gehör von Natur aus nachgiebig ist.

Wo der Versatz in einer Kette entsteht

Drei Stellen erzeugen ihn regelmäßig, und sie sind verschieden gut zu beherrschen.

Die Bildverarbeitung des Anzeigegeräts ist die häufigste Ursache. Rauschminderung, Bewegungsglättung und Skalierung brauchen Zeit, und zwar deutlich mehr, als die Tonverarbeitung eines Verstärkers braucht. Der Ton ist damit im Normalfall zu früh — die unangenehme Richtung. Der Spielmodus eines Fernsehers schaltet genau diese Verarbeitung ab; was das für die Reaktionszeit bedeutet, steht beim Input-Lag.

Die Decodierung des Bildes kostet zusätzlich Zeit, wenn das Verfahren Bilder aufeinander bezieht und der Decoder deshalb mehrere davon sammeln muss, bevor er anzeigen kann. Das Prinzip dahinter steht bei Intra-Frame gegen Inter-Frame.

Getrennt geführte Wege sind der Fall, der sich am wenigsten von selbst löst: Läuft der Ton über eine eigene Audioplattform und das Bild über eine Netzverteilung, gibt es keine gemeinsame Instanz mehr, die beides zusammenhält. Was in einer HDMI-Kette wenigstens ausgehandelt werden kann, muss hier von Hand gestellt und nach jedem Gerätetausch erneut geprüft werden.

Für die Aushandlung innerhalb einer HDMI-Kette gibt es einen eigenen Mechanismus, mit dem Geräte ihre Bild- und Tonlatenz melden, damit die Quelle die Differenz ausgleicht — er steht beim Latency Indication Protocol. Das Werkzeug, mit dem ein Versatz am Ende tatsächlich korrigiert wird, ist in beiden Fällen dasselbe: eine gezielte Verzögerung des schnelleren Wegs, siehe Delay.

Häufiges Missverständnis

„Die Verzögerung an sich ist das Problem." Das ist die verbreitetste und folgenreichste Fehlannahme, weil sie zur Suche nach dem schnellsten Gerät führt statt zur Betrachtung der Kette. Eine Anlage, die Bild und Ton um denselben Betrag verzögert, ist synchron — auch bei beträchtlicher Verzögerung. Spürbar wird sie erst dort, wo etwas auf eine Eingabe antworten muss, und das ist eine andere Anforderung mit anderen Grenzen. Zum Problem für die Zeitlage wird Verzögerung ausschließlich als Differenz.

„Lippensynchronität betrifft nur Gesichter." Der Name legt das nahe, die Sache ist weiter. Jedes Geräusch mit sichtbarer Ursache prüft die Zeitlage mit: eine zufallende Tür, ein Schlagzeug, ein Aufprall. Sprache ist nur der empfindlichste Prüfstein, weil das Gehör auf sie am besten trainiert ist — sie ist der Anlass des Namens, nicht die Grenze des Phänomens.

Nicht zu verwechseln mit

• Delay: die gezielt eingesetzte Verzögerung. Sie ist das Werkzeug, mit dem ein Zeitversatz behoben wird, nicht der Versatz selbst.
• Jitter: die Schwankung von Zeitpunkten um ihren Sollwert. Die Zeitlage beschreibt dagegen eine gleichbleibende Verschiebung — ein Weg kann konstant zu früh und dabei völlig jitterfrei sein.
• Gruppenlaufzeit: unterschiedliche Laufzeiten verschiedener Frequenzen innerhalb des Tonwegs. Sie wirkt im Ton selbst, nicht zwischen Ton und Bild.
• Latency Indication Protocol: das Verfahren, mit dem Geräte ihre Latenzen melden und abgleichen. Es regelt die Aushandlung, nicht die Wahrnehmungsgrenze.

In der Planung

Ein Wohnraum, in dem der Fernseher an einer Multiroom-Zone hängt: Das Bild kommt über HDMI aus einem Zuspieler, der Ton läuft über die Audioplattform des Hauses, weil dieselbe Zone auch Musik in Küche und Terrasse verteilt. Nach der Inbetriebnahme passt der Ton nicht zu den Lippen.

Kein Menüeingriff ohne diese Klärung: Sollen Bild und Ton in diesem Raum über dieselbe Plattform laufen oder nicht? Wer sie trennt, entscheidet sich für zwei Wege mit eigenen Verzögerungen und dafür, den Abgleich dauerhaft selbst zu verantworten — nach jedem Firmware-Stand und jedem Gerätetausch erneut. Wer sie zusammenführt, gibt dafür ein Stück Flexibilität der Multiroom-Nutzung auf. Beides ist vertretbar, aber es ist eine Entscheidung und kein Nebeneffekt der Verkabelung.

Bleiben die Wege getrennt, muss der Ausgleich an genau einer Stelle stattfinden und dort dokumentiert sein — sonst korrigieren später zwei Geräte gegeneinander. Laufen sie zusammen, übernimmt im HDMI-Fall die Aushandlung der Kette einen Teil der Arbeit, und die verbleibende Aufgabe ist die Bildverarbeitung des Fernsehers.

Die Geräte kommen ganz am Schluss. Und dann lohnt der Blick auf einen Punkt, der in keinem Datenblatt steht: ob die eingestellte Korrektur den Betriebsmodus überlebt. Ein Fernseher, der im Spielmodus weniger Zeit für das Bild braucht als im Filmmodus, verschiebt die Differenz — und eine Korrektur, die für den einen Modus stimmt, ist im anderen genau so weit daneben.

Verknüpfte Inhalte

Wie eine Verzögerung ausgeglichen wird, steht bei Delay; wie Geräte innerhalb einer HDMI-Kette ihre Latenzen melden, beim Latency Indication Protocol. Warum das Decodieren von Bild überhaupt Zeit kostet, erklärt Intra-Frame gegen Inter-Frame; die Verzögerungen der Übertragungskette samt Zahlen stehen bei Videokompression im Transport. Abzugrenzen sind Jitter und die Gruppenlaufzeit.

Quellen

Die Asymmetrie der Wahrnehmung ist hier aus der Physik der Schallausbreitung hergeleitet und qualitativ dargestellt. Die bezifferten Schwellen für Erkennbarkeit und Akzeptanz sowie die Gesamttoleranz der Sendekette stammen aus der Empfehlung ITU-R BT.1359-1 der Internationalen Fernmeldeunion vom November 1998, die Stufen- und Ausgangsgrenzen der Produktionskette aus der Empfehlung R37-2007 der European Broadcasting Union. Beide Dokumente sind für diese Seite im Volltext am Objekt gelesen worden. Beide gelten dem Rundfunk und nicht der Wiedergabe im Wohnraum; für diese gibt es keine entsprechende Festlegung.