我们知道，音频的采集是有时间机制的。比如采样率是8000，采样位数是8，我们就可以算出采8K字节的数据所用的时间是1s，这样音频就可以按照自己的速度播放;而摄像头每秒采集的帧数是相对固定的，如OV9650采集速度为平均每秒30帧，这样即可以算出1/30秒(约为0.03333，具体精度可以根据要求决定)刷新一帧图片，这种方式中只要保证源端音频视频的采集是同步的就可以，而门禁对讲过程中，这种同步是原生的。
        与文件形式的多媒体不同的是，可视对讲中音视频流的源端是永远同步的。所以一种简单的解决方案是发送端启用独立的音频和视频线程，进行音视频采集，采集后只管往外发送数据，接收端接到数据就分别解码播放，从表面看，这种采用无同步机制多线程解决方案是可行的，但是忽略了一个问题，即音频数据包和视频数据包的大小。包的大小会影响网络传输的速度。这种差别在网络条件好的情况下显示不出来，一旦遇到网络拥塞或者其他情况就会变得很明显。

        接收端接收到音频数据，直接交给声卡播放，当前播放的音频包的时间戳时间传送给视频线程;接收到视频帧，则将其时间戳时间与当前播放的音频时间戳进行比较，若未达到参考时间，则解码播放;若达到参考时间，则说明该视频帧滞后，丢弃该视频帧，接收下一个视频帧，循环往复，直到线程接收到结束命令停止;以上述音频采样率和采样位数为例，视频参考时间的计算方法为(以C语言格式的?号表达式表示)：音频时间戳时间+1/30>视频时间戳时间?丢弃：播放;在编程实现时，采集端和播放端的音频和视频可采用独立的线程，并利用Qt的信号槽机制实现音视频线程时间戳的传递。本方案已在一种新型的数字化智能家居门禁系统中得到了应用，嘉松电子科技有限公司所研发生产的无线可视门铃也正是应用此方案，并取得良好的效果。