Vergleich der direkten Live-Übertragung der USB-Webcam (UVC/UAC) der Kamera und der Aufnahmequalität der Capture-Karte sowie der Verzögerung der Audiosynchronisation

1. Technische Details und Kompromisse der USB-C-Direktverbindung (UVC/UAC-Protokoll)

Moderne Kameras (Sony A7M4/ZV-E1, Panasonic S5II, Fujifilm X-S20, Canon R8) unterstützen im Allgemeinen treiberfreies UVC (USB Video Class) und UAC (USB Audio Class):

• Plug-and-Play-Vorteil: Es müssen keine proprietären Treiber oder Zusatzsoftware installiert werden. Schließen Sie einfach ein hochwertiges USB-C-Datenkabel an den Computer an, und das Computersystem (OBS/Zoom/Tencent Conference) erkennt die Kamera direkt als Standard-HD-Webcam. Gleichzeitig wird der Ton des Kameramikrofons über USB übertragen, und die Kamera kann umgekehrt kontinuierlich über USB-C PD mit Strom versorgt werden.
• Beeinträchtigung der physischen Bandbreite und Einschränkungen der Bildqualität:
• Die integrierte USB-Firmware der meisten Kameras begrenzt die UVC-Ausgabe auf 1080p 30fps oder 1080p 60fps (einige High-End-Modelle bieten 4K 15fps/30fps, erzeugen aber starke Hitze);
• Kamerainterne erzwungene Kodierungskomprimierung: Um die USB-Bandbreite zu reduzieren, komprimiert der interne Hardware-Encoder der Kamera Bilder in das Format Motion JPEG (MJPEG) oder H.264/YUY2. Mikroskopische Farbdetails werden verlustbehaftet komprimiert und Hauttonübergänge und Schatten erzeugen schwache Farbblöcke und Rauschartefakte.

2. Externe HDMI-Videoaufnahmekarte (Capture Card): verlustfreie Übertragung auf Filmebene

Professionelle Regisseure und hochauflösende Live-Übertragungen von Spielen verwenden im Allgemeinen HDMI-Capture-Karten (wie Elgato Cam Link 4K, AVerMedia und Lenovo):

1. Unkomprimierter rein digitaler Stream (Unkomprimierter Videostream):

• Die Kamera gibt sauberes reines HDMI-Videosignal über die HDMI-Schnittstelle in voller Größe aus;
• Was übertragen wird, ist der ursprüngliche unkomprimierte digitale Pixelstrom ohne verlustbehaftete Neukodierung. Die Chroma-Abtastung beträgt bis zu 4:2:2 10-Bit. Der Farbdynamikbereich, die Schärfe der Haarlinienkanten und die Schattenreinheit machen UVC völlig zunichte.

2. Unterstützung für ultrahohe Auflösung und hohe Bildraten: Einfaches und stabiles Ausführen von 4K 60fps HDR, wodurch die Hintergrundunschärfe und Textur auf Filmebene von großformatigen Sensoren und Objektiven mit großer Blende vollständig freigesetzt wird.
3. Geringe Erwärmung der Kamera: Die Kamera benötigt nicht den eingebauten Videokomprimierungs-Codierungschip mit extrem hohem Energieverbrauch. Es erfolgt nur eine reine Anzeigeausgabe. Es kann den Körper stundenlang bei ununterbrochener Live-Übertragung kühl halten, wodurch Überhitzung und Abschalten vollständig vermieden werden.

3. Der größte Albtraum des Live-Streamings: der Entstehungsmechanismus von nicht synchronem Audio und Video (Lippensynchronisationslatenz)

Während der Live-Übertragung sieht das Publikum oft, dass, nachdem der Moderator 0,3 Sekunden lang seinen Mund bewegt hat, der Ton aus den Kopfhörern kommt, was äußerst dramatisch ist:

• Physische Ursachen der Verzögerung:
• Audioroute: Schallwellen gelangen in ein externes USB-Mikrofon oder eine Soundkarte, die Menge der Audiodaten ist extrem gering (nur wenige hundert Kbit/s), die Verarbeitungsgeschwindigkeit ist extrem hoch und die Systemverzögerung beträgt normalerweise nur 10–20 Millisekunden (ms);
• Videoroute: Das High-Pixel-Videosignal wird vom Sensor gelesen, demosaikiert, in eine Farbmatrix umgewandelt, über HDMI ausgegeben und von der Capture-Karte entschlüsselt. Die Systemhardware-Verfestigungsverzögerung beträgt normalerweise 80~200 Millisekunden (ms)!
• Ergebnis: Der Ton kommt immer früher als das Bild, was zu einem schwerwiegenden „Sound-Front-Running“-Phänomen führt.

4. Vierstufige Methode zur präzisen Synchronisationskalibrierung von OBS Studio auf Millisekundenebene für Audio und Video

Professioneller und praktischer Workflow zur Lösung des Problems der Nichtsynchronisation von Audio und Video:

1. Planung der Vorbereitung der Testmethode:

• Öffnen Sie OBS Studio und fügen Sie der Szene das Bild und den Mikrofonton hinzu;
• Schauen Sie in die Kamera und klatschen Sie mit beiden Händen in die Handflächen (klatschen), oder schlagen Sie mit einem Lineal auf den Tisch, um ein klares Schlaggeräusch zu erzeugen und die Szene aufzunehmen.

2. Bild-für-Bild-Wiedergabe der Videopositionierungszeitdifferenz:

• Nehmen Sie ein 10-sekündiges Testvideo mit Klatschbewegungen auf und ziehen Sie es in die Bearbeitungssoftware (Premiere oder Cut);
• Vergrößern Sie die Bildebene auf der Timeline und suchen Sie das Bild, bei dem die Handflächen beider Hände gerade zusammenkommen und Kontakt herstellen (z. B. bei Bild 12 bei 1 Sekunde);
• Finden Sie den Frame auf der Audiowellenformspur, in dem sich die blendend scharfe Stoßimpulsspitze befindet (z. B. bei Frame 1 Sekunde 04);
• Berechnen Sie die Frame-Differenz zwischen den beiden: eine Differenz von 8 Frames. Bei 30 Bildern pro Sekunde beträgt der Zeitunterschied:
  [ 8 \div 30 \times 1000,\text{ms} \ approx \mathbf{267,\text{ms}} ]

3. Injizieren Sie den Audio-Synchronisations-Offset (Sync Offset) in OBS:

• Klicken Sie im Fenster „Mixer“ unten in OBS auf das Zahnradsymbol rechts neben dem Mikrofon -> wählen Sie Erweiterte Audioeigenschaften;
• Suchen Sie Ihre Mikrofonspur und geben Sie den berechneten Wert in die Spalte Sync Offset ein: 267 ms;
• Die Software verzögert den Ton automatisch um 267 Millisekunden, sodass Ton und Bild einwandfrei und absolut perfekt sind!

---