在網絡上，同時傳輸音頻和視頻並且在不同的通道傳輸，就涉及到了脣音同步(Lip-sync)的問題，比如SIP視頻通話、視頻會議等。
最近在研究這個問題，對Lip-sync有所瞭解。介紹一種通用易懂的架構。如下：
1.發送端的動作
音頻幀和視頻幀都打上時間戳(以同樣的時間基(timebase)，比如系統運行的時間)
2.接收端的動作
1)媒體內同步
創建音頻和視頻的jitter 緩衝區，來處理延遲抖動、丟包、亂序導致的播放不流暢問題。
2)媒體間同步
以音頻爲主流，視頻爲從流。
音頻播放之前，緩衝一定數量的音頻幀。 定時從音頻緩衝區中取得一個音頻幀進行播放，
並記錄下時間戳Ta。然後從視頻緩衝區中取得一個視頻幀，其時間戳Tv與Ta進行對比，來決定
是立即顯示、丟棄還是稍後顯示。
以上就是簡單的脣音同步的方案，僅在接收端進行改善，但是音頻和視頻不同步，
有很多原因：採集不同步、編碼不同步、網絡打包不同步、網絡傳輸不同步、 網絡解包不同步，解碼不同步。
故，實現脣音同步，不僅可以在接收端進行改善，同時也可以在發送端做改善的處理，在此不做描述。