Test of Digital Audio Product – I

Di seguito illustreremo diversi test audio digitali di comparazione tra diversi processori hardware e software, player e recorder, DAC e ADC, per capire in modo approfondito quale risulta più qualitativo, più trasparente, più preciso e perché. Impareremo a conoscere i test da compiere e come svolgerli cosi che ognuno con pochi e semplici tool è in grado di realizzarli anche a casa propria e poter scegliere sempre il miglior prodotto secondo il budget a disposizione.

Queste analisi sono eseguite tramite analizzazione FFT della risposta in frequenza e spettrogramma.

I dati ottenuti rispecchiano nel modo più preciso ed affidabile la qualità audio del processore sotto test, ma il giudizio ultimo è sempre quello dell’ascolto ed in base al tipo di utilizzo che se ne deve fare, per questo è sempre bene utilizzare questo tipo di analisi come supporto all’ascolto e porre un giudizio complessivo finale. Per scopo illustrativo e didattico analizzeremo esclusivamente le risposte tramite FFT in risposta in frequenza e spettrogramma. Essendo analisi molto risolutive permettono di capire per un suono percepito allo stesso modo ( soprattutto per chi non è abituato e non ha l’orecchio allenato ), quale in realtà è più di qualità ( più trasparenza, maggiore linearità della risposta in frequenza, maggiore dinamica, minor numero di armoniche introdotte nel processamento, artefatti e distorsioni varie ).

Per capire a pieno i vari test è necessario avere basi e fondamenti in Audio Digitale ( campionamenti, quantizzazioni, dither, jitter, samplerate converter, over and upsampling, ADC, DAC, meter digitali, ecc.., non chè conoscere la struttura e funzionamento di un analizzatore di spettro FFT in risposta in frequenza e spettrogramma, conoscere plugin e loro versioni come VST, AAX, RTAS, ecc… ).

Quale segnale di test ?

Una traccia audio non può essere un riferimento per effettuare dei test in quanto spesso e volentieri presenta alterazioni dinamiche, alterazioni di fase e risposta in frequenza, piani e forti, non costanti nel tempo, per cui risulterebbe molto difficile avere un riferimento stabile e continuo da poter comparare.

I migliori segnali di test sono quelli tonali ( sinusoidi ) e broadband ( rumori ) che utilizzati in un certo modo danno una risposta immediata delle caratteristiche tecniche del processore sotto analisi.

I segnali tonali o impulsi sono le sinusoidi ( singole o a gruppi ), una sinusoide continua nel tempo può far capire la stabilità di un eventuale generatore tonale nella sua riproduzione.

I rumori broadband sono ad esempio il rumore bianco e rosa, i quali pongono un certo tipo di contributo energetico diviso per lo spettro in frequenza ( per il rumore bianco il livello in dB è costante per tutto lo spettro, per il rosa 6 dB di attenuazione ogni raddoppio di ottava o 3 dB di attenuazione per ogni terzo d’ottava ).

Il rumore rosa è più utilizzato per costruire, tarare e linearizzare impianti audio secondo la risposta dell’orecchio, in quanto che riducendo di 6 dB ogni raddoppio di ottava si percepisce un livello di intesità sonora uguale e costante a tutte le frequenze ( anche se in realtà dipende dal livello di intensità sonora, generalmente dagli 85 dB in su ).

Il rumore bianco invece viene più che altro utilizzato per analizzare il livello di linearità di qualsiasi processore per capire se genera alterazioni e come, sulla risposta in frequenza, dinamica, fase e molto altro, per questo verrà utilizzato come segnale di riferimento insieme alla sinusoide per i nostri test.

E’ vero anche che toni e rumori non rispecchiano le caratteristiche di lavoro e stress del processore quando attraversato da audio armonico e musicale ( come appunto una traccia audio ). Tendezialmente lo stress portato da un file audio musicale tende ad aumentare del 20 – 30 % gli errori introdotti nella fase di processamento, però gia con toni e rumori è possibile capire quale processore è più qualitativo dell’altro.

La sinusoide presa per i test ha fondamentale a 1000 hz ( generalmente è un riferimento standard per molteplici analisi, essendo frequenza di centro banda e su di un range di frequenze a cui l’orecchio umano è più sensibile, quindi percepisce meglio gli artefatti ).

Alcune caratteristiche dell’onda presa come test sono:

• Viene sempre generato un file standard di comparazione per tutti i processori con formato .wav non compresso, per questo l’analisi non è in tempo reale ma offline dopo rendering del file risultante ( al fine di massimizzare le prestazioni del computer ).
• Ampiezza di picco a 0 dB ( per avere il massmo valore energetico al fine di portare al maggiore stress il processore e capirne eventuali distorsioni in ampiezza ).
• Tempo di risoluzione 5 s, ritenuto idoneo come tempo minimo per capire alterazioni e risonanze nel tempo, tempi superiori significano anche più stress per il computer ed un peso maggiore sul file creato che può influire negativamente sulla risoluzione di analisi.
• Risoluzione di creazione del tono, massimo possibile per il generatore di tono sotto test.

I toni migliori dopo analisi di ogni generatore verranno utilizzati per la comparazione di processori plugin, software e hardware.

Il rumore preso per i test è il Rumore Bianco, ad indicare un segnale con tonalità costante su tutto il range di frequenze sotto test.

Alcune caratteristiche del rumore bianco preso come test sono:

• Minima compressione dinamica possibile.
• Ampiezza di picco a 0 dB ( per avere il massimo valore energetico al fine di portare al maggiore stress il processore e capirne eventuali distorsioni in ampiezza ).

I rumori migliori dopo analisi di ogni generatore verranno utilizzati per la comparazione di processori plugin, software e hardware.

Verranno comunque testati anche generatori di rumore rosa per comparazione, ad identificare quelli più qualitativi per l’analisi spettrale e linearizzazione di impianti audio.

Quali Analizzatori ?

L’analizzatore FFT per la risposta in frequeza è lo Spectrum Analyzer di Wavelab 6 con le seguenti caratteristiche risolutive:

• Precisione di analisi 262144 sample ( il quale garantisce una risoluzione di 0,2 Hz a 44.1 Khz e 0,4 Hz a 96 Khz a scapito di un tempo di analisi più elevato quindi un più alto quantitativo di campioni di analisi necessario per poter proiettare una risposta di analisi ).
• Overlapping di analisi 99 % ( un maggiore overlapping consente di migliorare la risoluzione di cattura di ogni campione audio ponendo in visualizzazione anche i più piccoli artefatti, in quanto che segnali ed impulsi più brevi della stessa durata della finestra temporale non vengono visualizzati o visualizzati in maniera distorta, un altro vantaggio dell’overlapping è il fatto che utilizzando finestre temporali curve per minimizzare distorsioni ed artefatti prodotti da finestre rettangolari si minimizza l’effetto di cancellazione, presente quando un campione audio non si trova all’interno della finestra ma rimane fuori dalla curvatura, lo svantaggio è che i campioni sovrapposti verranno mostrati sovrapposti per tutto il periodo di analisi ponendo in risalto anche le più piccole variazioni, per alterare meno la reale risposta in frequenza dividendo lo spettro audio tra campioni non mediati e mediati da sovrapposizione è utile avere un livello di overlapping molto elevato, possibilimente la quasi totalità dei campioni sovrapposti ).
• Finestra FFT con filtro Blackman-Harris 9th ( la più risolutiva che ho testato ).
• Risposta in frequenza di analisi, sempre adattata al tipo di campionamento ( per capire bene il livello distorsivo non solo generato dal segnale di impulso ma anche il livello di qualità dei filtri presenti in ADC – DAC – SRC – ASRC presenti nelle varie forme di campionamento, la risposta in frequenza limite è sempre la metà di quella di campionamento oltre la quale si attiva il filtro anti-alias ).
• Livello dinamico da 0 dBFS a – 200 dBFS ( per capire anche i più piccoli valori di differenza ).

L’analizzatore FFT per lo spettrogramma è iZotope RX 5 Audio Editor ( il più risolutivo che ho trovato per analisi di file audio ) con le seguenti caratteristiche risolutive:

• Tipo di Spettrogramma STFT ( Short Time Fourier Transform, più precisa e chiara garantendo una risoluzione costante nel tempo )
• Amplitude Range da 0 dBFS a – 200 dBFS ( massimo possibile )
• Risoluzione FFT 65536 sample ( massima possibile )
• Overlapping di analisi: Frequency Overlap 32x, Time Overlap 128x ( per gli stessi motivi di aumento risoluzione visti per l’FFT nella risposta in frequenza ).
• Frequency Scale, MEL ( Melody, distribuzione della scala simile a come l’orecchio umano percepisce le frequenze ).
• Risoluzione di visualizzazione finestra a GAUSS 200 ( la più chiara e risolutiva )

n.b. I 64FP bit non sono compatibili con questa versione del programma e per questo non viene analizzato il loro spettrogramma.

Differenze Oggettive tra l’analisi FFT della Risposta in Frequenza e Spettrogramma.

Attraverso il grafico FFT della risposta in frequenza è possibile identificare l’istante o la media della risposta in frequenza di tutta la selezione di analisi per poter capire a pieno la linearità di distribuzione dell’energia associata ad ogni frequenza, identificare alterazioni, livello armonico e filtraggi.

L’overlapping come prima accennato consente di ottenere una maggiore risoluzione, soprattutto per bassi valori energetici e transienti, un esempio di differenza tra 2 analisi con diverso valore di overlapping è mostrato in figura 1.

Fig. 1

In figura 1 abbiamo la sovrapposizione di uno stesso segnale audio stereo ( dinamico ), ( Left in alto – Right in basso ), in cui la linea viola rappresenta un overlapping dello 0 % mentre la linea gialla un overlapping del 99%, si vede chiaramente come vi sia differenza nella rappresentazione dello spettro, in questo caso pure contenuta grazie alla risoluzione della finestra di ponderazione scelta, ma in altri casi molto più evidente. Per maggiore chiarezza in figura 2 uno zoom per notare meglio le differenze di spettro.

Fig. 2

Gli scarti medi si aggirano sui 3 – 4 dB, non poco per un’analisi di precisione.

Un’altra considerazione di esempio che si può fare nell’utilizzo di FFT la possiamo vedere in figura 3 e 4.

Fig. 3

Fig.4

In figura 3 e 4 abbiamo due grafici FFT apparentemente identici, in realtà quello in figura 4 è un audio che nei suoi picchi va sempre in distorsione oltre i + 0,5 dBFS, da questo si capisce come l’analisi FFT della risposta in frequenza non sia adatta a capire i livelli di distorsione del segnale audio se non con l’aiuto di un level meter, in quanto che l’energia che porta a livelli di distorsione è quella complessiva di tutte le frequenze mentre qui è possibile vedere l’energia prodotta da ogni singola frequenza.

Il massimo che si può capire da questo tipo di analisi FFT è che vi è un incremento in dB su tutto lo spettro audio di 2/3 dBFS, si può capire come la risposta in frequenza sia discretamente lineare all’ascolto ( in quanto la pendenza della risposta tende ad approssima i 6 dB/Oct come visto per il rumore rosa ), si può capire inoltre come vi sia un taglio netto della risposta in frequenza sui 15/16 Khz ad indicare un file privo di frequenze altissime ( possibile file compresso, con frequenze tagliate dal codec ).

Si può vedere anche come l’andamento dello spettro sia tendende ad onde armoniche nel tempo, probabilmente un ripple del codec di compressione ( non di qualità ), soprattutto nella zona delle basse frequenze e nel filtraggio in alta frequenza.

Attraverso il grafico FFT dello Spettrogramma invece è possibile identificare l’istante o una visione completa dello spettro nel suo andamento temporale, attraverso questo è possibile identificare comb filtering, filtri eq, rumori, spazialità di immagine, capire la dinamica di ogni frequenza e del complesso, capire il livello armonico, capire quali frequenze hanno un livello di distorsione, eventuali risonanze e difetti di registrazione/riproduzione, rumori ed interferenze.

Esempio di FFT con Spettrogramma ( fig. 5 – 6 – 7 )

Fig. 5

Fig. 6

Fig. 7

I grafici in figura 5 e 6 sono come per il caso della risposta in frequenza 2 brani simili stereo ( Left in alto – Right in basso ) ma con il secondo ( fig. 6 ) distorto, è possibile vedere un incremento del valore in dB dello spettro audio in figura 6 in quanto che il colore dello spettrogramma è più giallo ( i colori dello spettrogramma sono programmabili, generalmente vanno da 0 dBFS per il bianco a nero per il minimo valore impostato ). E’ possibile rilevare il filtraggio definito anche prima per la risposta in frequenza sopra ai 15 Khz ( in cui il colore dello spettro tende ad ingrigirsi, quindi forti attenuazioni di livello ). E’ possibile rilevare l’introduzione di artefatti e distorsioni in quanto rispetto all’originale in figura 5, quello distorto in figura 6 produce armoniche in alta frequenza oltre i 15 Khz, tagliate invece nel brano originale non distorto. E’ possibile notare un attenuazione del livello del guadagno delle alte frequenze ( dai 40 ai 50 secondi, dai 7 Khz ai 15 Khz, non chè dai 10 Khz ai 15 Khz nell’intorno dei primi 5 secondi ), possibile un filtraggio per creare effetto imbuto, effetto molto più distorto e non omogeneo nel brano in figura 6 ( a confermare una versione distorta ). Sia dalla figura 5 che 6 si può notare un brano molto compresso in quanto che la colorazione di tutto lo spettro tende ad essere omogenea nel tempo.

In figura 7 invece abbiamo un brano differente molto più dinamico, rilevabile dal fatto che nella distribuzione dei colori nel tempo si hanno spesso alternanze tra tonalità di giallo ed arancio. Rilevabile il filtraggio oltre i 15 Khz ed una forte pausa/attenuazione all’intorno dei 3,8 secondi ed un fade-out non omogeneo dai 5 minuti e 40 secondi, in quanto che come si vede dalla distribuzione dei colori, le frequenze basse rispetto a quelle medie ed ancor più alte tendono ad attenuarsi più lievemente ( visto l’andamento spettrale forse non si tratta di un fade-out ma di una coda di riverberazione ).

Un altro esempio di utilizzo dello spettrogramma per come verrà usato nei nostri test è rappresentato in figura 8 e 9.

Fig. 8

Fig. 9

In considerazione di un segnale costante a tutte le frequenze, in figura 8 abbiamo un campionamento a 44.1 Khz ed in figura 9 un campionamento a 384 Khz, è possibile da questa comparazione dedurre come un campionamento più elevato sia riconoscibile da una mappatura di punti più densa, più linee e punti come si vedono cerchiati di rosso nei due grafici sono espansi e più la risoluzione di campionamento è bassa, mentre più sono stretti e più il campionamento è alto. Una differenza di quantizzazione sarà invece chiaramente visibile come vedremo nei nostri test, per livelli di segnale dinamici ed ancor più di basso livello.

n.b. Per capire a pieno se un segnale audio porta in distorsione lo stadio di ingresso o di uscita di un hardware o software è comunque e sempre più utile l’utilizzo di un meter e/o processori di rilevamento anti-clipping. Per capire la profondità di immagine e spazialità di un mix stereo o multicanale, sia l’FFT della risposta in frequenza che spettrogramma non sono molto indicati a meno di non avere segnali molto differenti, molto più precisi e chiari sono invece appositi tool chiamati Stereo Scope ( per lo stereo ) o Image Scope ( per stereo e/o surround ).

Per quanto riguarda l’analisi di precisione dell’FFT che sia risposta in frequenza o spettrogramma è possibile capire il necessario utilizzo di impostazioni risolutive dai grafici rappresentati dalle figure 10 – 11.

Fig. 10

Fig. 11

La figura 10 mostra la risposta in frequenza di un rumore bianco della durata di 5 secondi analizzata con una risoluzione FFT di 1024 sample ed uno 0 % di overlapping. La figura 11 invece mostra sempre la risposta in frequenza FFT dello stesso rumore con stessa durata ma una risoluzione di 26200 sample ed uno 0 % overlapping. E’ chiaro come aumentando il numero di sample analizzati vi sia una maggiore precisione di analisi nella risposta in frequenza campione per campione.

Lo stesso risultato è possibile vederlo anche attraverso lo spettrogramma in figura 12 e 13.

Fig. 12

Fig. 13

La figura 12 è un FFT con risoluzione di 1024 sample, mentre la figura 13 è un FFT con risoluzione di 65536, chiaro come a parita di overlapping quello in figura 13 sia uno spettro più compatto ed omogeneo ad indicare una maggiore risoluzione di analisi.

In realtà più si aumenta il numero di campioni da analizzare e più verrà richiesta una finestra di analisi temporale ampia dipendente anche dal valore del campionamento utilizzato, per esempio 44.1 Khz di campionamento sono 44.100 campioni in un secondo, se la risoluzione dell’FFT è impostata su 1024 campioni verrà utilizzata una finestra temporale di 23 ms ( sempre in considerazione di un overlapping dello 0% ), mentre se impostiamo una risoluzione di 262144 campioni per avere una maggiore precisione di analisi, avremo una finestra temporale utilizzata di 5 s e 944 ms. Più si aumenta il campionamento del file analizzato e tanto più cala il tempo di analisi necessario in quanto più campioni sono presenti nel medesimo tempo rispetto ad un campionamento più basso. Ad esempio a 96 Khz abbiamo 96.000 campioni in un secondo e a 1024 sample di risoluzione abbiamo un tempo di analisi di 11 ms, ben 12 ms in meno rispetto al campionamento a 44.1 Khz.

Questo significa che per una corretta analisi più il campionamento è basso e più sarà necessario un segnale con tempo di riproduzione ( ms ) ampio.

Ad esempio considerando un impulso molto breve di riferimento ( 4 ms ) con un decadimento di circa 6 dB/oct è possibile vedere come differenti campionamenti diano differenti risposte.

Fig. 14

Fig. 15

In figura 14 abbiamo una risoluzione di 1024 sample a 44.1 Khz, mentre in figura 15 abbiamo sempre 1024 di risoluzione ma con un campionamento di 96 Khz.

Si vede come in figura 14 il tempo dell’impulso non sia sufficente a proiettare correttamente la forma d’onda con un conseguente taglio sulle basse frequenze ed un ripple in medio alta e alta frequenza, fenomeni non presenti invece in figura 15.

Se aumentiamo il tempo di durata del file da analizzare con campionamento a 44.1 Khz avremo una risposta come quella in figura 16.

Fig. 16

In figura 16 vediamo come raddoppiando il tempo di durata dell’impulso il segnale cominci ad essere rappresentato con un decadimento più simile a quello rappresentato dal campionemento a 96 Khz e quindi va a rispecchiare anche più il segnale originale con decadimento di 6 dB/oct, ovviamente però il campionamento a 44.1 Khz è meno risolutivo rispetto a quello a 96 Khz, quindi presenterà anche più step ( tipo comb filtering ) come si vede in figura 16.

A parità di campionamento il numero di sample di risoluzione di analisi è fondamentale per poter catturare correttamente il segnale audio analizzato. Tutti i campioni che sono più brevi della finestra temporale di analisi necessaria per una corretta analisi come precedentemente visto, non saranno correttamente processati. Per esempio a 44.1 Khz abbiamo detto che ci sono 44.100 campioni in un secondo, se impostiamo la risoluzione dell’FFT a 1024 campioni il tempo necessario per una corretta analisi è di 23 ms. Considerando un impulso di 23 ms averemo una risposta in frequenza come quella in figura 17.

Fig. 17

Se aumentiamo al risoluzione dell’FFT inserendo 262144 sample di analisi avremo una risposta in frequenza come quella in figura 18.

Fig. 18

Come si nota in figura 18 lo spettro non presenta risposta in frequenza ad indicare che il tempo di 23 ms di impulso sia troppo breve per una risoluzione di 262144 sample che richiederebbe invece un tempo di analisi corretto di 5 s 944 ms a 44.1 Khz. Tutti i campioni che non vengono prelevati nell’arco di tempo di analisi, in questo caso da 23 ms a 5 s 944 ms con un tempo di non-analisi di 5 s 921 ms, andranno a pesare sull’analisi complessiva mediando un valore di – ∞ ai valori prelevati nei primi 23 ms di analisi, abbassando sempre più il livello complessivo reale della risposta in frequenza fino a valori nulli per elevate risoluzione dell’FFT.

La dimostrazione la si ha impostando una risoluzione dell’FFT a 4098 sample che richiederebbe una finestra temporale di analisi pari a 93 ms, in figura 19 lo spettro risultante.

Fig. 19

Si nota in figura 19 come il livello complessivo del segnale si sia notevolmente abbassato rispetto a quello correttamente ripreso in figura 17, causa dei 70 ms di campioni persi. Oltre a questo come si nota si producono anche numerosi artefatti nella distribuzione energetica delle frequenze.

Per comparazione se consideriamo una traccia audio musicale, l’informazione contenuta ad esempio nei primi 4 ms di ogni finestra se le impostazioni di risoluzione non sono adeguate ne verrà a meno la precisione di analisi.

In aiuto, per poter aumentare la precisione della risposta dell’FFT anche a risoluzioni elevate come può essere 262144 sample vi è l’overlapping.

Un più alto valore o percentuale di overlapping ( sovrapposizione delle finestre di analisi ) farà diminuire il tempo di analisi necessario.

Per esempio a 1024 sample di risoluzione con overlapping a 0 % la finestra di analisi ha bisogno di un tempo pari a 23 ms, se mettiamo il valore dell’overlapping a 99 % il tempo necessario per una corretta analisi diventa di 232 microsecondi ( veramente molto basso ).

L’overlapping consentendo di mantenere un tempo di analisi molto breve permette di alzare il livello di risoluzione dell’FFT, a 262144 sample con 99 % di overlapping abbiamo un tempo di analisi pari a 59 ms ( utile per effettuare test come quelli che eseguiremo avendo segnali costanti nel tempo come impulsi sinusoidali e rumori della dura di 5 s, ben oltre il valore minimo richiesto dalla finestra temporale anche alla più bassa frequenza di campionamento utilizzata per i test, 44.1 Khz ).

In questi esempi si parla di ms di analisi per capire in modo approfondito il funzionamento di una corretto processamento, ma più il tempo di analisi è grande e più questi valori di impostazione fanno la differenza..

Dallo spettrogramma è possibile quindi capire più chiaramente come la finestra temporale di overlapping incida nella precisione di analisi. Per fare qualche esempio vediamo in figura 20 la risposta a 65536 sample con overlapping ( nullo ) per un brano audio della durata di 3 minuti e 57 secondi a 44.1 Khz di campionamento. In figura 21 lo stesso brano con stessa risoluzione ma con overlapping ( 16x per la risposta in frequenza e 32x per l’arco temporale, indici di valore presenti nel software utilizzato, invece che valori percentuali si hanno valori di sovracampionamento ma il principio è lo stesso ).

Fig. 20

Fig. 21

E’ chiaro come la risposta in figura 21 sia ben più definita e precisa rispetto a quella in figura 20.

Per analisi di brani audio, che siano in tempo reale o meno, la risoluzione più adeguata sempre con 99% di overlapping ( od il più alto possibile per quel tipo di analizzatore ) è 16384 sample che consente un tempo di analisi anche alla più bassa frequenza di campionamento 44.1 Khz di 3 ms, tempi più brevi non sarebbero necessari in quanto non rispecchierebbero la reale risposta di impulso dell’orecchio che come massima risoluzione si aggira attorno ai 3 ms in medio-alta frequenza. Se aumentiamo il campionamento è possibile aumentare la risoluzione cosi da migliorare la precisione di analisi, ad esempio a 96 Khz è possibile usare una risoluzione di 32768 sample.

Da tutti questi fattori analizzati si capisce come sia necessaria una mediazione tra la risoluzione della risposta in frequenza ed il tempo di analisi.

Risoluzione dei file ?

La risoluzione dei file creati come toni e rumori per i test segue la tabella in figura 22:

fig. 22

Quantizzazione ( dB )	Campionamento ( Khz )
16	44.1
16	96
16	192
16	384
24	44.1
24	96
24	192
24	384
32	44.1
32	96
32	192
32	384
32 FP	44.1
32 FP	96
32 FP	192
32 FP	384
64 FP	44.1
64 FP	96
64 FP	192
64 FP	384

n.b. Ogni processore verrà analizzato e comparato nel suo limite di creazione e processamento. La dicitura FP indica che il tipo di quantizzazione è Floating Point.

Altro

Verrano successivamente eseguiti test se ritenuti utili anche con più sinusoidi per verificare il contributo di interferenza armonica data dai processori, non chè analisi di generatori di toni e rumori in tempo reale. Verrano eseguiti test sull’immagine e profondità stereo e/o multicanale, non chè test di Bit-Transparency.

Nel prossimo articolo cominceremo ad analizzare i primi generatori di tono sinusoidale.

Altro su Test of Digital Audio Product:

Test of Digital Audio Product – II ( Comparazione e scelta dei segnali Tonali )

Test of Digital Audio Product – III ( Comparazione e scelta dei Rumori )

Test of Digital Audio Product – IV ( Comparazione di altri Generatori di Tono )

Test of Digital Audio Product – V ( Comparazione di altri Generatori di Rumore )

Test of Digital Audio Product – VI ( Utilizzo Dither e SRC )

Test of Digital Audio Product – VII ( Conversione verso 16 bit 44.1 Khz )

Test of Digital Audio Product – VIII ( Conversione verso 16 bit 48 Khz )

Test of Digital Audio Product – IX ( Conversione verso 24 bit 48 Khz )

Test of Digital Audio Product – X ( Conversione verso 24 bit 96 Khz )

Test of Digital Audio Product – XI ( Conversione verso 24 bit 192 Khz )

Test of Digital Audio Product – XII ( Conversione verso 32 bit 192 Khz )

Test of Digital Audio Product – XIII ( Conversione verso 32 bit 384 Khz )

Test of Digital Audio Product – XIV ( Conversione verso 32FP bit – 192 Khz )

Test of Digital Audio Product – XV ( Conversione verso 64FP bit 384 Khz )

Test of Digital Audio Product – XVI ( Audacity Tone and Noise generator Test )

Acquista prodotti iZotope da: Amazon.it  – Thomann – eBay

Acquista prodotti Steinberg da: Amazon.it  – Thomann – eBay

Acquista Digital Audio Product dai principali Store

Digital Mixer

Digital Converter

Interfacce Audio Digitali

Digital Crossover e Management

Stage Box – Splitter Digitali

Audio Router ed Accessori Digitali