这是大多数多媒体系统面临和解决的普遍问题。

基本上，最接近源，应该有一个实体（称为始发者）必须同时收集两个数据，然后标记每个观察，即视频帧和传感器样本，来自本地的时间戳（最合适的时钟） . 在此之后，发起者以所需的任何形式分发数据。

正如originator所见，本质上是两个源的通用参考时钟。此数据的任何编码、处理和使用都必须保留和解释这些时间戳。

这种同步当然与源时钟本身一样好；在始发者使用的这种时钟中可能存在抖动和偏差。发起者要么遵循任何主要来源的时钟（数据或视频，以可靠为准）并将其标记在另一个上，要么使用可靠的晶体或 GPS 或 NTP 等推导出本地时钟。