Latência em sistemas AV: onde ela nasce, quando incomoda e como especificar limites

"Latência" talvez seja o requisito mais citado e pior especificado em projetos de integração audiovisual. Nos editais, aparece como "baixa latência", "tempo real" ou "latência imperceptível" — expressões que não se medem, não se verificam no recebimento e, justamente por isso, não protegem o órgão contratante.

Na Netfocus, projetamos e comissionamos sistemas audiovisuais para órgãos federais desde 2009 — mais de 150 projetos entregues — e observamos um padrão claro: quando a latência vira número, método e critério de aceitação, o sistema entrega o que a operação precisa; quando fica no adjetivo, vira disputa na entrega. Este guia percorre a cadeia inteira: onde a latência nasce, quanto incomoda em cada aplicação e como escrever o requisito.

O que é latência — e por que zero não existe

Latência é o intervalo entre um evento na origem e sua reprodução no destino: do vidro da câmera ao vidro da tela (glass-to-glass), do microfone ao ouvido (mic-to-ear), do movimento do mouse à reação do cursor. Todo elo da cadeia consome tempo — inclusive uma "simples" ligação direta por cabo, porque o display processa a imagem antes de exibi-la.

Duas réguas ajudam a calibrar a intuição. A primeira é física: o som percorre cerca de 343 metros por segundo — cada metro entre caixa e ouvinte adiciona por volta de 3 ms de atraso acústico. Um músico a 3 metros do próprio monitor de palco convive, portanto, com cerca de 9 ms antes de qualquer eletrônica entrar em cena. A segunda é o quadro de vídeo: a 60 Hz, cada quadro dura 16,7 ms; a 30 Hz, 33,3 ms. Equipamentos que processam quadro a quadro somam múltiplos dessas unidades.

O objetivo de engenharia, portanto, nunca é "latência zero" — é latência adequada à aplicação, estável ao longo do tempo (sem variação perceptível) e alinhada entre áudio e vídeo.

Onde a latência nasce: as cinco etapas da cadeia

Cada sinal atravessa até cinco estágios, e os atrasos se somam. Especificar bem começa por saber onde o tempo é gasto.

1. Captura

Câmeras expõem, leem o sensor e processam a imagem antes de entregá-la: em câmeras PTZ e placas de captura, isso tipicamente custa de poucos a dezenas de milissegundos, variando com resolução e taxa de quadros. No áudio, a conversão analógico-digital é muito mais rápida — frações de milissegundo.

2. Processamento e escalonamento

Scalers, processadores de videowall, matrizes com conversão de resolução e DSPs de áudio adicionam do submilissegundo (DSP dedicado) a um ou mais quadros (conversão de taxa de quadros, composição de janelas). Cada conversão evitável no caminho do sinal é latência economizada.

3. Codec

Comprimir e descomprimir custa tempo — e aqui está a maior variação de toda a cadeia: de frações de milissegundo em compressão leve intra-quadro a centenas de milissegundos em codecs interquadro com GOP longo e buffers profundos. A diferença é tão decisiva que merece seção própria adiante.

4. Rede e transporte

Em uma LAN bem projetada, a comutação em si é rápida — microssegundos por switch. O que pesa são filas em enlaces congestionados e os buffers de compensação de jitter nos receptores. Em WAN e nuvem, somam-se dezenas a centenas de milissegundos de propagação e processamento, fora do controle do projeto local.

5. Display

Painéis, projetores e controladoras de videowall LED processam a imagem recebida (deinterlacing, melhoria de imagem, mapeamento de pixels), tipicamente na casa de um a dois quadros — menos em modos de baixa latência, mais com recursos de aprimoramento ativados. Em projetos críticos, o modo de operação do display faz parte da especificação.

A soma dessas parcelas é o orçamento de latência (latency budget) do percurso. É ele — e não o datasheet de um equipamento isolado — que o usuário percebe.

Quanto é aceitável: limites práticos por aplicação

Os valores abaixo são referências de prática de projeto — ordens de grandeza que usamos como ponto de partida e validamos caso a caso no comissionamento.

Sonorização ao vivo e retorno de palco

É a aplicação mais sensível da lista. O músico ouve a própria voz por condução óssea e pelo retorno; atrasos eletrônicos que se somam ao caminho acústico incomodam a partir de poucos milissegundos — em especial com fones in-ear, onde não há som direto mascarando o atraso. Por isso redes de áudio profissional como Dante, AES67 e AVB operam com latência determinística, configurável de frações de milissegundo a poucos milissegundos.

Tradução simultânea

O intérprete trabalha ouvindo e falando ao mesmo tempo: o áudio que chega à cabine precisa de atraso mínimo e, sobretudo, estável. A distribuição aos receptores dos ouvintes tolera um pouco mais; em sessões híbridas, o desalinhamento entre o áudio traduzido e o vídeo do orador é o primeiro sintoma de um projeto sem orçamento de latência.

Videoconferência

A conversa flui com naturalidade com latência unidirecional na casa de 150 ms, de boca a orelha; a partir de aproximadamente 300 ms surgem sobreposições de fala e o ritmo artificial de "walkie-talkie". No orçamento total, rede e processamento em nuvem costumam pesar mais que o equipamento da sala de videoconferência — o que reforça a importância de qualidade de serviço no enlace.

KVM e operação interativa

Quem opera uma estação remota via KVM sobre IP percebe o atraso entre mover o mouse e ver o cursor reagir. Abaixo de um a dois quadros (17–33 ms a 60 Hz), a resposta parece instantânea; acima disso, o operador passa a "perseguir o cursor" — inaceitável em console de operação contínua. É o caso típico de compressão leve e rede dedicada.

Videowall e monitoramento

Monitoramento passivo tolera latências maiores — algumas centenas de milissegundos raramente prejudicam a leitura da cena. O requisito muda quando há interação (controle de câmeras PTZ a partir do videowall, resposta a alarmes) e quando fluxos correlatos aparecem lado a lado: janelas com latências muito diferentes mostram o mesmo evento em tempos distintos e confundem a operação de um centro de operações. Consistência entre fluxos é requisito tão importante quanto o valor absoluto.

Latência de codec vs latência de transporte em AVoIP

Em projetos de AV over IP, dois componentes se somam — e são frequentemente confundidos. A latência de codec é o tempo de comprimir e descomprimir: depende do algoritmo (por linha, por quadro ou interquadro), dos buffers e da implementação. A latência de transporte é o tempo de a rede levar os pacotes: serialização, comutação, filas e buffer de de-jitter no receptor.

Em LAN de projeto, o transporte responde por microssegundos a poucos milissegundos; quem domina o orçamento é quase sempre o codec. Na prática, três famílias resolvem problemas diferentes:

• Sem compressão ou compressão leve intra-quadro — latência subquadro e banda alta (tipicamente redes de 10 Gbps): indicada para KVM, videowall e operação interativa;
• Compressão mezzanine (visualmente sem perdas) — poucos quadros de latência com banda intermediária: equilíbrio comum em distribuição corporativa de alta qualidade;
• Codecs interquadro (H.264, H.265, AV1) — máxima eficiência de banda, latência maior e variável com GOP e buffers: adequados a streaming e distribuição, não a interação.

No áudio, o raciocínio se repete com números menores: Dante, AES67 e AVB transportam sem compressão e com sincronização de relógio por PTP, o que permite latência fixa e determinística — pré-requisito para sonorização e tradução simultânea. No vídeo, arquiteturas híbridas são comuns em AV over IP: compressão leve nos percursos interativos e codec interquadro nos percursos de distribuição.

Nada disso se sustenta sem a rede certa: QoS, multicast com IGMP bem configurado e dimensionamento de banda são condição de contorno — detalhamos em rede para AVoIP.

Como medir latência na prática

Latência se mede — com instrumento dedicado ou com método simples e reprodutível. Quatro técnicas cobrem a maioria dos casos:

• Vídeo (glass-to-glass): exiba um contador de alta resolução na fonte e enquadre fonte e tela de destino na mesma filmagem em câmera lenta; a diferença de leitura entre as duas telas é a latência do percurso. O modo de câmera lenta de um smartphone resolve para triagem; instrumentos dedicados dão repetibilidade para aceitação formal;
• Áudio (mic-to-ear): softwares de medição de sistemas comparam o sinal de referência com o capturado e reportam o atraso do percurso com precisão de amostra;
• Lip sync: uma claquete audiovisual (flash + estalo simultâneos) permite verificar o desalinhamento áudio-vídeo em cada ponto de consumo;
• Interatividade (mouse-to-photon): filme mouse e tela juntos em câmera lenta e conte os quadros entre o movimento físico e a reação do cursor.

Três cuidados transformam medição em evidência: repetir (reportar média e pior caso, nunca medida única), medir em carga realista (a latência de rede muda com tráfego; a de processadores, com o número de janelas ativas) e registrar as condições (resolução, taxa de quadros, rotas e configuração dos equipamentos).

Do número ao contrato: latência como critério de aceitação

Requisito bom é requisito verificável. Em vez de "o sistema deverá apresentar baixa latência", escreva: "latência glass-to-glass máxima de X ms no percurso câmera→videowall, medida por contador filmado, em N repetições, com o sistema em carga nominal, na resolução e taxa de quadros de operação". O número deriva da aplicação (seção anterior); o método, do plano de comissionamento.

No termo de referência e no plano de testes, isso se organiza em quatro blocos:

1. Matriz de percursos críticos (origem→destino) com o limite de cada um — não um número único para o sistema inteiro;
2. Condições de medição: resolução, taxa de quadros, carga de rede e cenário de uso;
3. Método e instrumento, com número de repetições e forma de registro;
4. Critério de aceitação vinculado ao recebimento — as medições integram o FAT e o SAT: em bancada, valida-se a solução; no site, valida-se a solução na rede real.

Inclua os requisitos-irmãos: estabilidade (jitter máximo tolerado) e desalinhamento áudio-vídeo admissível, com meio de ajuste fino de delay no processamento. Nos comissionamentos que conduzimos em órgãos federais, é comum o SAT revelar diferenças relevantes em relação ao FAT — quase sempre por rede e displays. É exatamente para isso que ele existe.

Erros de especificação que custam caro

Os problemas que mais vemos em editais e projetos executivos se repetem:

• Pedir "latência zero" ou "tempo real": inverificável — qualquer fornecedor "atende" e nenhum se compromete com nada mensurável;
• Subespecificar o percurso crítico: descobrir no SAT que o retorno de palco ou o KVM da sala de controle não respondem é retrabalho de arquitetura — troca de codec, de switch, às vezes de cabeamento — com a obra já entregue;
• Superespecificar percursos não críticos: exigir latência subquadro para sinalização digital ou TV corporativa encarece rede e endpoints sem nenhum benefício perceptível;
• Número sem método: limite sem procedimento de medição definido vira disputa jurídica no recebimento;
• Ignorar a consistência entre fluxos: janelas vizinhas do videowall com latências díspares mostram o mesmo evento em tempos diferentes;
• Esquecer o lip sync: cada processamento de vídeo inserido atrasa a imagem em relação ao som — sem delay de áudio compensável, o resultado é fala fora de sincronismo em plenárias e auditórios.

O padrão por trás de todos é o mesmo: tratar latência como adjetivo, e não como número por percurso. Quem define limites por aplicação, exige método e amarra a verificação ao comissionamento compra exatamente o desempenho de que precisa — nem mais caro, nem insuficiente. Os termos técnicos deste guia estão reunidos no nosso glossário AV.

Matheus Lourencatto — Engenharia Netfocus. Integração audiovisual para o governo federal desde 2009: 150+ projetos entregues em 50+ órgãos, SICAF ativo e SLA contratual de 4h. Fale com a engenharia →