Featured Καλωδια ηχειων ..... ( μακρυτατο )

[thva]

Δεν μπορω να καταλαβω πως τοσο ευκολα παιρνετε πραγματα ως δεδομενα ...Το ποσο αυξανεται η υπολογιστικη ικανοτητα δεν σημαινει οτι υπαρχει και η τελεια μεθοδος επεξεργασιας . Απλα θα φερει αποτελεσμα πιο γρηγορα οχι απαραιτητα πιο σωστα .
Συμφωνω οτι θα φτασουμε εκει αλλα οχι ακομα

σε εναν υπολογιστη εχεις 5 διαφορετικα player το καθε ενα απο αυτα παιζει διαφορετικα λογο του διαφορετικου αλγορυθμου επξεργασιας που εχει . Η ικανοτητα του υπαολογιστη σε μνημες και υπολογιστικη ικανοτητα στις μερες μας ειναι τοση πολυ που δεν παιζει απολυτως κανενα ρολο .
18 μηες μετα οταν διπλασιαστει δεν θα αλλαξει τιποτα
Θα αλλαξει οταν βελτιωθει ο αλγορυθμος που δουλευει το player

Ναι σε γενικό πλαίσο σωστά. Με μεγαλύτερη ταχύτητα αυξάνεται μόνο η αποδοτικότητα αλλά και μόνο έμμεσα οι αλγόριθμοι καθώς με μεγαλύτερες ταχύτητες (ανάλογα και το είδος του αλγοριθμου , δεν την έχουν όλοι "ανάγκη¨την ταχύτητα αυτή ώστε να ανεβάσουν αποδοτικότητα εξαρτάται απο το Ο κλπ) έχεις την ευκαιρία να σχεδιάσεις καλύτερο αλγόριθμο που θα λύνει προβλήματα που πριν δεν εμπεριέχονταν ως inputs (πλήθος και είδος).

Στο audio χρησιμοποιούνται πολλών ειδών (κυρίως στην παραγωγη με τα DAW) κα΄ποιοι απο αυτούς μπορεί να ευνοήσουν κάποια θέματα αποδοσης κάποιοι όχι. Οι περισσότεροι ηχητικά κρισιμοι αλγοριθμοί στο audio είναι πολυωνυμικοί νομίζω οπότε όχι τόσο πολύ. ¨Εχει βέβαια κάθε είδους γραμμικούς , λογαριθμικούς ;κλπ ;; Εξάλλου το όριο της ταχύτητας με τα τρανζίστορ και πόσα χωράνε σε ένα τσίπ ήδη έχει κορυφωθεί , ο Moore's Law πλέον δεν προκειται να αποφέρει βελτιώσεις όπως νομίζουν όλοι ακόμη και στην πρόγνωση καιρού, ή στην βιομηχανία πετρελαίου ή στο χρηματιστήριο ή στο δίπλωμα προτείνης που είχε και έναν σημαντικό ρόλο η ταχύτητα .... στο audio τώρα θα προκύψει βελτίωση ; Ήδη οι ταχύτητες υπερκαλύπτονται απο ενα Mac λαπτοπ.

Ο @steadyshot ισως θα μπορούσε να βοηθησει και να αποκωδικοποίησει για εμας την σχεση αυτή σε αλγόριθμους που χρησιμοποιουνται στο audio (κυρίως στην παραγωγή της μουσικής και όχι τόσο στην αναπαραγωγή είναι ζήτημα άξιο εξέτασης). εδω τα ειδη που χρησιμοποιουνται :

• Sample-rate processing
  • Linear interpolation, cubic interpolation, windowed sinc (bandlimited) interpolation for resampling and sample-rate conversion.
  • Polyphase filters for efficient high-quality conversion.
• Fixed/streaming block processing
  • Overlap-add / Overlap-save for convolution and FFT-based processing.
  • Double-buffering and lock-free ring buffers for real-time audio I/O.
• Window functions
  • Hann, Hamming, Blackman, Kaiser for spectral analysis and overlap-add.

Time-domain processing

• FIR filters
  • Windowed FIR design (Parks–McClellan for optimal equiripple designs).
  • Linear-phase designs used when phase preservation is required.
• IIR filters
  • Biquads (2nd-order sections) implemented in cascade for EQs, shelving, and shelving filters.
  • Filter design methods: bilinear transform, matched z-transform, Butterworth/Chebyshev/elliptic prototypes.
• Nonlinear processing
  • Soft clipping, waveshaping, tanh approximation, diode/asymmetric models for distortion/saturation.
  • ARC (autoregressive models) and memoryless vs. memory nonlinear filters.

Frequency-domain processing

• Fast Fourier Transform (FFT)
  • STFT (Short-Time Fourier Transform) for spectral analysis, spectral effects, phase vocoder.
  • Overlap-add for inverse transforms.
• Spectral processing
  • Phase vocoder for time-stretching and pitch-shifting (Griffin–Lim variants for phase reconstruction).
  • Sinusoidal modeling + additive resynthesis for high-quality pitch/time manipulation.
  • Spectral smoothing, spectral gating, spectral morphing.
• Convolution
  • Time-domain FIR for short IRs; FFT-based partitioned convolution for long impulse responses (uniform and non-uniform partitioning for latency vs. CPU tradeoffs).

Synthesis algorithms

• Oscillators
  • Bandlimited waveform generation: BLEP/BLIT/anti-aliased wavetable oscillators.
  • Wavetable interpolation (linear, cubic, sinc) and table morphing.
• Additive synthesis
  • Bank of oscillators/partials with envelopes and phase control.
• Subtractive synthesis
  • Oscillators + filter (biquad) + envelopes + LFOs.
• FM / Phase modulation
  • Complex operator graphs (DX7-style), algorithms for modulation index control and aliasing reduction.
• Granular synthesis
  • Windowed grains, randomization, and stream scheduling for texture/texture morphing.
• Physical modeling
  • Digital waveguide, modal synthesis, mass-spring networks, finite-difference schemes for strings, plates, and resonators.

Analysis & feature extraction

• Pitch detection
  • Autocorrelation, YIN, pYIN, cepstrum, harmonic product spectrum for monophonic pitch.
  • Multi-pitch estimation: NMF (non-negative matrix factorization), probabilistic models, deep-learning-based multi-pitch.
• Onset detection
  • Spectral flux, high-frequency content, complex-domain methods, machine-learning classifiers.
• Tempo and beat tracking
  • Tempogram, dynamic programming, Viterbi segmentation, probabilistic models, neural beat trackers.
• Harmonic/percussive separation
  • Median filtering in spectrogram domain, RPCA (robust principal component analysis), NMF.

Time and pitch manipulation

• Time-stretching
  • Classic: SOLA / WSOLA, overlap-add variants.
  • Phase vocoder with transient preservation (transient detection + hybrid approaches).
  • Recent: neural time-domain models (e.g., neural vocoders) — note: up-to-date models available as of May 2024.
• Pitch shifting
  • Resampling with time correction (phase vocoder), granular pitch shift, PSOLA, or neural approaches.

Dynamics and spatial processing

• Compressors / Limiters
  • Envelope detection (peak vs. RMS, lookahead), sidechain filtering, knee functions, gain-smoothing (attack/release via first-order filters).
  • Lookahead via delay lines for brick-wall limiting.
• Expansion and gating
  • Threshold, ratio, hysteresis, envelope followers.
• Spatialization and panning
  • Equal-power panning laws, vector-base amplitude panning (VBAP), binaural convolution (HRTF), ambisonics (spherical harmonics).
• Reverb
  • Algorithmic: Schroeder/comb-pass + allpass networks, diffusion networks.
  • Hybrid: early-reflection models + late reverb via dense feedback delay networks.
  • Convolution reverb using measured IRs (see partitioned FFT convolution above).

Machine learning / data-driven methods (increasingly common)

• Source separation
  • NMF, sparse coding, and deep-learning models (U-Net, Conv-TasNet, Demucs).
• Denoising and enhancement
  • Spectral masking, Wiener filtering, DNN-based denoisers, and end-to-end time-domain networks.
• Style transfer and synthesis
  • Generative models: WaveNet derivatives, GANs, diffusion models for audio generation and transformation.
• Auto-tagging, classification, and recommender features
  • CNNs, transformer architectures applied to spectrogram inputs.

Control, automation, and meta-algorithms

• Parameter smoothing
  • Slew limiters, low-pass filters to avoid zipper noise during automation.
• Preset interpolation
  • Crossfading in perceptual parameter spaces, parameter mapping curves (linear, exponential, logarithmic).
• Optimization and tuning
  • Gradient-based parameter fitting for modeling tasks; least-squares and iterative methods for filter/EQ matching.

Practical considerations and engineering patterns

• Real-time constraints
  • Avoid dynamic memory allocations and heavy locking in audio thread; use SIMD (SSE/AVX), CPU cache-aware algorithms.
  • Fixed-point or double precision where required (double for offline/mastering; single for most real-time).
• Anti-aliasing and numerical stability
  • Use oversampling where necessary, stable IIR sectioning, denormal handling.
• Latency vs. quality tradeoffs
  • Partitioned convolution, block size selection, lookahead settings, offline vs. real-time algorithm choices.

References and starting points (compact)

• Texts: Oppenheim & Schafer (signals), Lyons (understanding digital signal processing), Smith (Music DSP), Zölzer (DAFX).
• Libraries and tools: FFTW/FFTPACK, Eigen, JUCE framework, EigenAudio, kissFFT, SoundTouch, Rubber Band Library, TensorFlow/PyTorch models for ML.

Typical implementation pairings (quick recipes)

• High-quality reverb: measured IR + partitioned FFT convolution for late reverb + algorithmic early reflections for low memory.
• Low-latency pitch shift: phase vocoder with transient-preserving hybrid or PSOLA for monophonic sources; neural models where latency allowance exists.
• Real-time synth oscillator: BLEP/BLIT with wavetable interpolation and antialiasing; use SIMD for polyphony.

This set covers the algorithms most commonly deployed in modern DAWs and plugins; specific products combine and tune these building blocks to meet goals for latency, CPU, memory, and sonic character.

 

[thva]

προτείνης

πρωτείνης χα χα

 

[Astronaut Jr.]

τωρα επιστρεψαμε εκει που ξεκινησαμε
δεν χρειαζεται να μιλαμε

Κανένα πρόβλημα, φτάνει να μη σχολιάζεις ούτε έμμεσα αυτά που λέω, αφού απαξιείς. Μή κάνεις μισές δουλειές!

Όταν λες Δημόσια ατάκες του στυλ, πήρα το τάδε ηχείο, (εργοστασιακό), « …και με μετρήσεις άρχισα να κάνω tweaks. Και ναι, αυτό υποστηρίζω, ότι γ@μάει και δέρνει. » , ενώ δεν είσαι σε θέση να υποστηρίξεις και να αποδείξεις τα λεγόμενα σου, πιθανό να νομίζεις ότι μιλάς σε καθυστερημένα, αλλά εδώ μέσα δεν είμαστε όλοι ίδιοι κι όμοιοι, μ αυτό πού έχεις στο μυαλό σου.
Βασίλης !

Δεν έχω να σου αποδείξω τίποτα απολύτως. Για τη τάξη των πραγμάτων μόνο θα αναφέρω ότι οι μετρήσεις βρίσκονται σε σκληρό δίσκο υπολογιστή που βρίσκεται στη φάση να γίνει server και προς το παρόν δεν λειτουργεί. Αν νομίζεις ότι θα κάτσω να ξηλώσω δίσκο, να τον κοτσάρω σε άλλο υπολογιστή, να βρω τα αρχεία, να φορτώσω rew απο την αρχή και όλα αυτά για να αποδείξω σ'εσένα κάτι που είναι γνωστό τοις πάσι, μάλλον έχεις μεγάλη ιδέα για τον εαυτό σου. Νικολάκη.

Δεν μπορω να καταλαβω πως τοσο ευκολα παιρνετε πραγματα ως δεδομενα ...Το ποσο αυξανεται η υπολογιστικη ικανοτητα δεν σημαινει οτι υπαρχει και η τελεια μεθοδος επεξεργασιας . Απλα θα φερει αποτελεσμα πιο γρηγορα οχι απαραιτητα πιο σωστα .
Συμφωνω οτι θα φτασουμε εκει αλλα οχι ακομα

σε εναν υπολογιστη εχεις 5 διαφορετικα player το καθε ενα απο αυτα παιζει διαφορετικα λογο του διαφορετικου αλγορυθμου επξεργασιας που εχει . Η ικανοτητα του υπαολογιστη σε μνημες και υπολογιστικη ικανοτητα στις μερες μας ειναι τοση πολυ που δεν παιζει απολυτως κανενα ρολο .
18 μηες μετα οταν διπλασιαστει δεν θα αλλαξει τιποτα
Θα αλλαξει οταν βελτιωθει ο αλγορυθμος που δουλευει το player

Θα μπορεί να εκτελέσει τον κώδικα πιο γρήγορα και πιο σωστά, άρα θα μπορεί να τρέξει πιο πολύπλοκο κώδικα χωρίς κολλήματα. Επιπλέον, αν πεις να φορτώσεις FIR σε υπολογιστή χαμηλών υπολογιστικών δυνατοτήτων και ειδικά σε υψηλό bitrate, κουράγιο και καλά ξεμπερδέματα.

 

[thva]

Κανένα πρόβλημα, φτάνει να μη σχολιάζεις ούτε έμμεσα αυτά που λέω, αφού απαξιείς. Μή κάνεις μισές δουλειές!


Δεν έχω να σου αποδείξω τίποτα απολύτως. Για τη τάξη των πραγμάτων μόνο θα αναφέρω ότι οι μετρήσεις βρίσκονται σε σκληρό δίσκο υπολογιστή που βρίσκεται στη φάση να γίνει server και προς το παρόν δεν λειτουργεί. Αν νομίζεις ότι θα κάτσω να ξηλώσω δίσκο, να τον κοτσάρω σε άλλο υπολογιστή, να βρω τα αρχεία, να φορτώσω rew απο την αρχή και όλα αυτά για να αποδείξω σ'εσένα κάτι που είναι γνωστό τοις πάσι, μάλλον έχεις μεγάλη ιδέα για τον εαυτό σου. Νικολάκη.


Θα μπορεί να εκτελέσει τον κώδικα πιο γρήγορα και πιο σωστά, άρα θα μπορεί να τρέξει πιο πολύπλοκο κώδικα χωρίς κολλήματα. Επιπλέον, αν πεις να φορτώσεις FIR σε υπολογιστή χαμηλών υπολογιστικών δυνατοτήτων και ειδικά σε υψηλό bitrate, κουράγιο και καλά ξεμπερδέματα.

Η ήδη αποδοτικότητα, δομή του αλγόριθμου και η ποιότητα των inputs είναι πιο σημαντική πάντως απο την ταχύτητα που εκτελούνται. Ήδη υπάρχοντα αυτά ... τότε μόνο κιόλας και κυρίως μπορεί να επωφεληθούν απο την ταχύτητα εκτέλεσης τους. Ανάλογα και το είδος του αλγόριθμου βέβαια κιόλας. Ήδη είμαστε εκεί εδω και πολλά χρόνια απο θέμα ταχυτητας. Μην περιμένετε πορεία εξέλιξης όπως συνέβη στην αρχή που γνωρίζετε ... ότι θα συνεχιστεί αυτό. Αυτό ήταν γιατί απο το 1 πήγαμε στο Χ 2 = 2 . Δεν ισχύει για το 100 να πάμε στο Χ 0.01 δηλαδή στο 101 όπως είμαστε τώρα εδω και πολλά χρόνια.

 

[steadyshot]

Ναι σε γενικό πλαίσο σωστά. Με μεγαλύτερη ταχύτητα αυξάνεται μόνο η αποδοτικότητα αλλά και μόνο έμμεσα οι αλγόριθμοι καθώς με μεγαλύτερες ταχύτητες (ανάλογα και το είδος του αλγοριθμου , δεν την έχουν όλοι "ανάγκη¨την ταχύτητα αυτή ώστε να ανεβάσουν αποδοτικότητα εξαρτάται απο το Ο κλπ) έχεις την ευκαιρία να σχεδιάσεις καλύτερο αλγόριθμο που θα λύνει προβλήματα που πριν δεν εμπεριέχονταν ως inputs (πλήθος και είδος).

Στο audio χρησιμοποιούνται πολλών ειδών (κυρίως στην παραγωγη με τα DAW) κα΄ποιοι απο αυτούς μπορεί να ευνοήσουν κάποια θέματα αποδοσης κάποιοι όχι. Οι περισσότεροι ηχητικά κρισιμοι αλγοριθμοί στο audio είναι πολυωνυμικοί νομίζω οπότε όχι τόσο πολύ. ¨Εχει βέβαια κάθε είδους γραμμικούς , λογαριθμικούς ;κλπ ;; Εξάλλου το όριο της ταχύτητας με τα τρανζίστορ και πόσα χωράνε σε ένα τσίπ ήδη έχει κορυφωθεί , ο Moore's Law πλέον δεν προκειται να αποφέρει βελτιώσεις όπως νομίζουν όλοι ακόμη και στην πρόγνωση καιρού, ή στην βιομηχανία πετρελαίου ή στο χρηματιστήριο ή στο δίπλωμα προτείνης που είχε και έναν σημαντικό ρόλο η ταχύτητα .... στο audio τώρα θα προκύψει βελτίωση ; Ήδη οι ταχύτητες υπερκαλύπτονται απο ενα Mac λαπτοπ.

Ο @steadyshot ισως θα μπορούσε να βοηθησει και να αποκωδικοποίησει για εμας την σχεση αυτή σε αλγόριθμους που χρησιμοποιουνται στο audio (κυρίως στην παραγωγή της μουσικής και όχι τόσο στην αναπαραγωγή είναι ζήτημα άξιο εξέτασης). εδω τα ειδη που χρησιμοποιουνται :

• Sample-rate processing
  • Linear interpolation, cubic interpolation, windowed sinc (bandlimited) interpolation for resampling and sample-rate conversion.
  • Polyphase filters for efficient high-quality conversion.
• Fixed/streaming block processing
  • Overlap-add / Overlap-save for convolution and FFT-based processing.
  • Double-buffering and lock-free ring buffers for real-time audio I/O.
• Window functions
  • Hann, Hamming, Blackman, Kaiser for spectral analysis and overlap-add.

Time-domain processing

• FIR filters
  • Windowed FIR design (Parks–McClellan for optimal equiripple designs).
  • Linear-phase designs used when phase preservation is required.
• IIR filters
  • Biquads (2nd-order sections) implemented in cascade for EQs, shelving, and shelving filters.
  • Filter design methods: bilinear transform, matched z-transform, Butterworth/Chebyshev/elliptic prototypes.
• Nonlinear processing
  • Soft clipping, waveshaping, tanh approximation, diode/asymmetric models for distortion/saturation.
  • ARC (autoregressive models) and memoryless vs. memory nonlinear filters.

Frequency-domain processing

• Fast Fourier Transform (FFT)
  • STFT (Short-Time Fourier Transform) for spectral analysis, spectral effects, phase vocoder.
  • Overlap-add for inverse transforms.
• Spectral processing
  • Phase vocoder for time-stretching and pitch-shifting (Griffin–Lim variants for phase reconstruction).
  • Sinusoidal modeling + additive resynthesis for high-quality pitch/time manipulation.
  • Spectral smoothing, spectral gating, spectral morphing.
• Convolution
  • Time-domain FIR for short IRs; FFT-based partitioned convolution for long impulse responses (uniform and non-uniform partitioning for latency vs. CPU tradeoffs).

Synthesis algorithms

• Oscillators
  • Bandlimited waveform generation: BLEP/BLIT/anti-aliased wavetable oscillators.
  • Wavetable interpolation (linear, cubic, sinc) and table morphing.
• Additive synthesis
  • Bank of oscillators/partials with envelopes and phase control.
• Subtractive synthesis
  • Oscillators + filter (biquad) + envelopes + LFOs.
• FM / Phase modulation
  • Complex operator graphs (DX7-style), algorithms for modulation index control and aliasing reduction.
• Granular synthesis
  • Windowed grains, randomization, and stream scheduling for texture/texture morphing.
• Physical modeling
  • Digital waveguide, modal synthesis, mass-spring networks, finite-difference schemes for strings, plates, and resonators.

Analysis & feature extraction

• Pitch detection
  • Autocorrelation, YIN, pYIN, cepstrum, harmonic product spectrum for monophonic pitch.
  • Multi-pitch estimation: NMF (non-negative matrix factorization), probabilistic models, deep-learning-based multi-pitch.
• Onset detection
  • Spectral flux, high-frequency content, complex-domain methods, machine-learning classifiers.
• Tempo and beat tracking
  • Tempogram, dynamic programming, Viterbi segmentation, probabilistic models, neural beat trackers.
• Harmonic/percussive separation
  • Median filtering in spectrogram domain, RPCA (robust principal component analysis), NMF.

Time and pitch manipulation

• Time-stretching
  • Classic: SOLA / WSOLA, overlap-add variants.
  • Phase vocoder with transient preservation (transient detection + hybrid approaches).
  • Recent: neural time-domain models (e.g., neural vocoders) — note: up-to-date models available as of May 2024.
• Pitch shifting
  • Resampling with time correction (phase vocoder), granular pitch shift, PSOLA, or neural approaches.

Dynamics and spatial processing

• Compressors / Limiters
  • Envelope detection (peak vs. RMS, lookahead), sidechain filtering, knee functions, gain-smoothing (attack/release via first-order filters).
  • Lookahead via delay lines for brick-wall limiting.
• Expansion and gating
  • Threshold, ratio, hysteresis, envelope followers.
• Spatialization and panning
  • Equal-power panning laws, vector-base amplitude panning (VBAP), binaural convolution (HRTF), ambisonics (spherical harmonics).
• Reverb
  • Algorithmic: Schroeder/comb-pass + allpass networks, diffusion networks.
  • Hybrid: early-reflection models + late reverb via dense feedback delay networks.
  • Convolution reverb using measured IRs (see partitioned FFT convolution above).

Machine learning / data-driven methods (increasingly common)

• Source separation
  • NMF, sparse coding, and deep-learning models (U-Net, Conv-TasNet, Demucs).
• Denoising and enhancement
  • Spectral masking, Wiener filtering, DNN-based denoisers, and end-to-end time-domain networks.
• Style transfer and synthesis
  • Generative models: WaveNet derivatives, GANs, diffusion models for audio generation and transformation.
• Auto-tagging, classification, and recommender features
  • CNNs, transformer architectures applied to spectrogram inputs.

Control, automation, and meta-algorithms

• Parameter smoothing
  • Slew limiters, low-pass filters to avoid zipper noise during automation.
• Preset interpolation
  • Crossfading in perceptual parameter spaces, parameter mapping curves (linear, exponential, logarithmic).
• Optimization and tuning
  • Gradient-based parameter fitting for modeling tasks; least-squares and iterative methods for filter/EQ matching.

Practical considerations and engineering patterns

• Real-time constraints
  • Avoid dynamic memory allocations and heavy locking in audio thread; use SIMD (SSE/AVX), CPU cache-aware algorithms.
  • Fixed-point or double precision where required (double for offline/mastering; single for most real-time).
• Anti-aliasing and numerical stability
  • Use oversampling where necessary, stable IIR sectioning, denormal handling.
• Latency vs. quality tradeoffs
  • Partitioned convolution, block size selection, lookahead settings, offline vs. real-time algorithm choices.

References and starting points (compact)

• Texts: Oppenheim & Schafer (signals), Lyons (understanding digital signal processing), Smith (Music DSP), Zölzer (DAFX).
• Libraries and tools: FFTW/FFTPACK, Eigen, JUCE framework, EigenAudio, kissFFT, SoundTouch, Rubber Band Library, TensorFlow/PyTorch models for ML.

Typical implementation pairings (quick recipes)

• High-quality reverb: measured IR + partitioned FFT convolution for late reverb + algorithmic early reflections for low memory.
• Low-latency pitch shift: phase vocoder with transient-preserving hybrid or PSOLA for monophonic sources; neural models where latency allowance exists.
• Real-time synth oscillator: BLEP/BLIT with wavetable interpolation and antialiasing; use SIMD for polyphony.

This set covers the algorithms most commonly deployed in modern DAWs and plugins; specific products combine and tune these building blocks to meet goals for latency, CPU, memory, and sonic character.

Δεν έχω ιδέα !

 

[Petros_Dalipis]

Ναι σε γενικό πλαίσο σωστά. Με μεγαλύτερη ταχύτητα αυξάνεται μόνο η αποδοτικότητα αλλά και μόνο έμμεσα οι αλγόριθμοι καθώς με μεγαλύτερες ταχύτητες (ανάλογα και το είδος του αλγοριθμου , δεν την έχουν όλοι "ανάγκη¨την ταχύτητα αυτή ώστε να ανεβάσουν αποδοτικότητα εξαρτάται απο το Ο κλπ) έχεις την ευκαιρία να σχεδιάσεις καλύτερο αλγόριθμο που θα λύνει προβλήματα που πριν δεν εμπεριέχονταν ως inputs (πλήθος και είδος).

Στο audio χρησιμοποιούνται πολλών ειδών (κυρίως στην παραγωγη με τα DAW) κα΄ποιοι απο αυτούς μπορεί να ευνοήσουν κάποια θέματα αποδοσης κάποιοι όχι. Οι περισσότεροι ηχητικά κρισιμοι αλγοριθμοί στο audio είναι πολυωνυμικοί νομίζω οπότε όχι τόσο πολύ. ¨Εχει βέβαια κάθε είδους γραμμικούς , λογαριθμικούς ;κλπ ;; Εξάλλου το όριο της ταχύτητας με τα τρανζίστορ και πόσα χωράνε σε ένα τσίπ ήδη έχει κορυφωθεί , ο Moore's Law πλέον δεν προκειται να αποφέρει βελτιώσεις όπως νομίζουν όλοι ακόμη και στην πρόγνωση καιρού, ή στην βιομηχανία πετρελαίου ή στο χρηματιστήριο ή στο δίπλωμα προτείνης που είχε και έναν σημαντικό ρόλο η ταχύτητα .... στο audio τώρα θα προκύψει βελτίωση ; Ήδη οι ταχύτητες υπερκαλύπτονται απο ενα Mac λαπτοπ.

Ο @steadyshot ισως θα μπορούσε να βοηθησει και να αποκωδικοποίησει για εμας την σχεση αυτή σε αλγόριθμους που χρησιμοποιουνται στο audio (κυρίως στην παραγωγή της μουσικής και όχι τόσο στην αναπαραγωγή είναι ζήτημα άξιο εξέτασης). εδω τα ειδη που χρησιμοποιουνται :

• Sample-rate processing
  • Linear interpolation, cubic interpolation, windowed sinc (bandlimited) interpolation for resampling and sample-rate conversion.
  • Polyphase filters for efficient high-quality conversion.
• Fixed/streaming block processing
  • Overlap-add / Overlap-save for convolution and FFT-based processing.
  • Double-buffering and lock-free ring buffers for real-time audio I/O.
• Window functions
  • Hann, Hamming, Blackman, Kaiser for spectral analysis and overlap-add.

Time-domain processing

• FIR filters
  • Windowed FIR design (Parks–McClellan for optimal equiripple designs).
  • Linear-phase designs used when phase preservation is required.
• IIR filters
  • Biquads (2nd-order sections) implemented in cascade for EQs, shelving, and shelving filters.
  • Filter design methods: bilinear transform, matched z-transform, Butterworth/Chebyshev/elliptic prototypes.
• Nonlinear processing
  • Soft clipping, waveshaping, tanh approximation, diode/asymmetric models for distortion/saturation.
  • ARC (autoregressive models) and memoryless vs. memory nonlinear filters.

Frequency-domain processing

• Fast Fourier Transform (FFT)
  • STFT (Short-Time Fourier Transform) for spectral analysis, spectral effects, phase vocoder.
  • Overlap-add for inverse transforms.
• Spectral processing
  • Phase vocoder for time-stretching and pitch-shifting (Griffin–Lim variants for phase reconstruction).
  • Sinusoidal modeling + additive resynthesis for high-quality pitch/time manipulation.
  • Spectral smoothing, spectral gating, spectral morphing.
• Convolution
  • Time-domain FIR for short IRs; FFT-based partitioned convolution for long impulse responses (uniform and non-uniform partitioning for latency vs. CPU tradeoffs).

Synthesis algorithms

• Oscillators
  • Bandlimited waveform generation: BLEP/BLIT/anti-aliased wavetable oscillators.
  • Wavetable interpolation (linear, cubic, sinc) and table morphing.
• Additive synthesis
  • Bank of oscillators/partials with envelopes and phase control.
• Subtractive synthesis
  • Oscillators + filter (biquad) + envelopes + LFOs.
• FM / Phase modulation
  • Complex operator graphs (DX7-style), algorithms for modulation index control and aliasing reduction.
• Granular synthesis
  • Windowed grains, randomization, and stream scheduling for texture/texture morphing.
• Physical modeling
  • Digital waveguide, modal synthesis, mass-spring networks, finite-difference schemes for strings, plates, and resonators.

Analysis & feature extraction

• Pitch detection
  • Autocorrelation, YIN, pYIN, cepstrum, harmonic product spectrum for monophonic pitch.
  • Multi-pitch estimation: NMF (non-negative matrix factorization), probabilistic models, deep-learning-based multi-pitch.
• Onset detection
  • Spectral flux, high-frequency content, complex-domain methods, machine-learning classifiers.
• Tempo and beat tracking
  • Tempogram, dynamic programming, Viterbi segmentation, probabilistic models, neural beat trackers.
• Harmonic/percussive separation
  • Median filtering in spectrogram domain, RPCA (robust principal component analysis), NMF.

Time and pitch manipulation

• Time-stretching
  • Classic: SOLA / WSOLA, overlap-add variants.
  • Phase vocoder with transient preservation (transient detection + hybrid approaches).
  • Recent: neural time-domain models (e.g., neural vocoders) — note: up-to-date models available as of May 2024.
• Pitch shifting
  • Resampling with time correction (phase vocoder), granular pitch shift, PSOLA, or neural approaches.

Dynamics and spatial processing

• Compressors / Limiters
  • Envelope detection (peak vs. RMS, lookahead), sidechain filtering, knee functions, gain-smoothing (attack/release via first-order filters).
  • Lookahead via delay lines for brick-wall limiting.
• Expansion and gating
  • Threshold, ratio, hysteresis, envelope followers.
• Spatialization and panning
  • Equal-power panning laws, vector-base amplitude panning (VBAP), binaural convolution (HRTF), ambisonics (spherical harmonics).
• Reverb
  • Algorithmic: Schroeder/comb-pass + allpass networks, diffusion networks.
  • Hybrid: early-reflection models + late reverb via dense feedback delay networks.
  • Convolution reverb using measured IRs (see partitioned FFT convolution above).

Machine learning / data-driven methods (increasingly common)

• Source separation
  • NMF, sparse coding, and deep-learning models (U-Net, Conv-TasNet, Demucs).
• Denoising and enhancement
  • Spectral masking, Wiener filtering, DNN-based denoisers, and end-to-end time-domain networks.
• Style transfer and synthesis
  • Generative models: WaveNet derivatives, GANs, diffusion models for audio generation and transformation.
• Auto-tagging, classification, and recommender features
  • CNNs, transformer architectures applied to spectrogram inputs.

Control, automation, and meta-algorithms

• Parameter smoothing
  • Slew limiters, low-pass filters to avoid zipper noise during automation.
• Preset interpolation
  • Crossfading in perceptual parameter spaces, parameter mapping curves (linear, exponential, logarithmic).
• Optimization and tuning
  • Gradient-based parameter fitting for modeling tasks; least-squares and iterative methods for filter/EQ matching.

Practical considerations and engineering patterns

• Real-time constraints
  • Avoid dynamic memory allocations and heavy locking in audio thread; use SIMD (SSE/AVX), CPU cache-aware algorithms.
  • Fixed-point or double precision where required (double for offline/mastering; single for most real-time).
• Anti-aliasing and numerical stability
  • Use oversampling where necessary, stable IIR sectioning, denormal handling.
• Latency vs. quality tradeoffs
  • Partitioned convolution, block size selection, lookahead settings, offline vs. real-time algorithm choices.

References and starting points (compact)

• Texts: Oppenheim & Schafer (signals), Lyons (understanding digital signal processing), Smith (Music DSP), Zölzer (DAFX).
• Libraries and tools: FFTW/FFTPACK, Eigen, JUCE framework, EigenAudio, kissFFT, SoundTouch, Rubber Band Library, TensorFlow/PyTorch models for ML.

Typical implementation pairings (quick recipes)

• High-quality reverb: measured IR + partitioned FFT convolution for late reverb + algorithmic early reflections for low memory.
• Low-latency pitch shift: phase vocoder with transient-preserving hybrid or PSOLA for monophonic sources; neural models where latency allowance exists.
• Real-time synth oscillator: BLEP/BLIT with wavetable interpolation and antialiasing; use SIMD for polyphony.

This set covers the algorithms most commonly deployed in modern DAWs and plugins; specific products combine and tune these building blocks to meet goals for latency, CPU, memory, and sonic character.

Παιδιά, μετά από ενδελεχή έρευνα και 3 καφέδες, κατέληξα ότι το καλώδιο παίζει καλύτερα όταν του μιλάς ευγενικά. Αν το αποκαλέσεις “αγόρι μου”, έχει πιο ζεστά μεσαία. Αν του πεις “φιλαράκι”, ανοίγει η σκηνή. Δουλεύει μόνο με χάλκινα όμως· με ασημένια ντρέπεται.

 

[steadyshot]

Ωραια πασσα
Η απαντηση ομως ειναι πολυπαραγοντικη συν οτι κατι υπαρχει που δεν καταλαβαινω

Καθε υλοποιηση αναλογα την ταξη λειτουργιας εχει ενα δικο της κοινοτυπο (μεταξυ μηχανηματων ιδιας κατηγοριας) βασικο πακετο αρμονικων και παραμορφωσεων συν οτι ολα αυτα θα επιρεαστουν απο τον σχεδιαστη σε δεκαδες σημεια απο το προσωπικο του αγγιγμα η το κοστος . Η βασικη δομη ομως θα παραμενει ιδια αλλα το τελικο ηχοχρωμα θα διαφερει ακομα και αν εχει την ιδια βαση .

Οποτε απο 1000 ενισχυτες που παραγονται αυτη την στιγμη ειναι χωρισμενοι ( σε οτι αφορα το κοινο που απευθυνονται) σε 5-6 κατηγοριες πανω κατω με κριτηριο το τελικο ηχρωμα ( αρμονικες + παραορφωσεις ) και το σε ποια κατηγορια ειναι το καθε μηχανημα σχετιζεται με τις παραπανω επιλογες .

Χοντρικα για να μην πλατιαζουμε οι ανθρωποι του χωρου ξερουν πανω κατω τι κανει η καθε σχολη σε αυτο το θεμα και ξερουμε συνηθως ποιο μηχανημα παει που και γιατι . Η αναλυτκη περιγραφη του thva αποτελει την βαση .

Ομως εδω υπαρχει και αυτο που δεν καταλαβαινω αν θελεις μου εξηγεις
Γραφεις : να είναι συμβατές με τις αρμονικές των φυσικών οργάνων ώστε να μη με ξενίζει κάτι.


Ομως εδω τα οργανα που ακουμε στις ηχογραφησεις που εχουμε αγορασει ΔΕΝ ΕΙΝΑΙ ΦΥΣΙΚΑ .
εχουν υποστει επεξεργασια και περιεχουν μεσα την αποψη του μουσικου , του παραγωγου , του down mix του mastering , την ποιοτητα της εκτυπωσης και εγγραφης και καμμια 30αρια αλλες παραμετρους .

Στα "φυσικα οργανα" που πιθανον ακουσες πχ στο Μεγαρο ενα βραδυ περιεχεται εκει η αποψη του μαεστρου , η ενορχηστρωση , οι επιδοσεις οτυ μουσικου την συγκεριμενη βραδια , η πληροφορια του χωρου , η συγκεριμενη θεση ακροασης τα προβληματα του χωρου οπου ο Μανθος RIP το πρωι εψαχνε μια βλαβη στο δικτυο και επειδη τον πηρε αργα εκλεισε τα πανελ αλλα δεν προλαβε να βαλει τις μονωσεις μεσα , Ενω ο τσελιστας ηρθε λιαρδα απο την Αυστρια και επινε ξυδια σαν να μην υπαρχιε αυριο

Ακροατης που προσπαθει να πετυχει τον δευτερο στοχο δεν εχει απολυτως καμμια ελπιδα , κατα την αποψη μου ειναι στημενος σε λαθος κριτηρια και κυνηγαει ενα στοχο που δεν θα πιασει ποτε.

Ουσιαστικά εννοώ ότι αν προκύψει παραμόρφωση, θα προτιμούσα να είναι κυρίως χαμηλής τάξης, δηλαδή 2η και 3η αρμονική, επειδή αυτές “δένονται” πιο φυσικά με το αρμονικό περιεχόμενο των πραγματικών οργάνων και δεν ξενίζουν το αυτί. Δεν εννοώ ότι πρέπει να “ταιριάζουν” απόλυτα με τις αρμονικές της μουσικής, αλλά ότι η κατανομή των αρμονικών του ενισχυτή είναι προτιμότερο να μην έχει υψηλής τάξης συνιστώσες που ακούγονται σκληρές.

Γιατί distortion = tonality ! ( υπό μια έννοια )

 

[AndreasLav]

Άμα το χαϊδεύεις να δεις εκεί πως μπετωνει το έργο

 

[east electronics]

Ουσιαστικά εννοώ ότι αν προκύψει παραμόρφωση, θα προτιμούσα να είναι κυρίως χαμηλής τάξης, δηλαδή 2η και 3η αρμονική, επειδή αυτές “δένονται” πιο φυσικά με το αρμονικό περιεχόμενο των πραγματικών οργάνων και δεν ξενίζουν το αυτί. Δεν εννοώ ότι πρέπει να “ταιριάζουν” απόλυτα με τις αρμονικές της μουσικής, αλλά ότι η κατανομή των αρμονικών του ενισχυτή είναι προτιμότερο να μην έχει υψηλής τάξης συνιστώσες που ακούγονται σκληρές.

Γιατί distortion = tonality ! ( υπό μια έννοια )

Distortion =tonality?
Το σημειώνω αυτο....

 

[thva]

Ουσιαστικά εννοώ ότι αν προκύψει παραμόρφωση, θα προτιμούσα να είναι κυρίως χαμηλής τάξης, δηλαδή 2η και 3η αρμονική, επειδή αυτές “δένονται” πιο φυσικά με το αρμονικό περιεχόμενο των πραγματικών οργάνων και δεν ξενίζουν το αυτί. Δεν εννοώ ότι πρέπει να “ταιριάζουν” απόλυτα με τις αρμονικές της μουσικής, αλλά ότι η κατανομή των αρμονικών του ενισχυτή είναι προτιμότερο να μην έχει υψηλής τάξης συνιστώσες που ακούγονται σκληρές.

Γιατί distortion = tonality ! ( υπό μια έννοια )

Εάν ακούσεις ενισχυτή - (ή ότι άλλο) όπως είναι τα πράγματα τώρα στο audio - χωρίς καθόλου αρμονικη παραμόρφωση δεν θα ακούγεται.

Ούτε αυτό το γνωρίζουν οι audio people και ασχολούνται δεκαετίες με αυτό ;

 

[Astronaut Jr.]

Εάν ακούσεις ενισχυτή - (ή ότι άλλο) όπως είναι τα πράγματα τώρα στο audio - χωρίς καθόλου παραμόρφωση δεν θα ακούγεται.

Ούτε αυτό το γνωρίζετε οι audio people και ασχολείστε δεκαετίες με αυτό ;

Δηλαδή αν σου τύχει να βρεις μια μπάντα στο δρόμο που θα παίζει με φυσικά όργανα και χωρίς ενισχυτές και μικρόφωνα, θα τους πεις να βρουν τρόπο να το παραμορφώσουν το πράγμα ή θα φύγεις;

 

[steadyshot]

Εάν ακούσεις ενισχυτή - (ή ότι άλλο) όπως είναι τα πράγματα τώρα στο audio - χωρίς καθόλου αρμονικη παραμόρφωση δεν θα ακούγεται.

Ούτε αυτό το γνωρίζουν οι audio people και ασχολούνται δεκαετίες με αυτό ;

Όσο καθαρός ενισχυτής και να είναι κάποια στιγμή θα πιεστεί , θα δώσεις ένταση θα πιάσει peak , ειδικά με αναίσθητα ηχεία , ειδικά άμα κλιπαρει … Οπότε στον πραγματικό κόσμο υπάρχει παραμόρφωση ακουστή . Δεν είναι solved issue !

 

[thva]

Δηλαδή αν σου τύχει να βρεις μια μπάντα στο δρόμο που θα παίζει με φυσικά όργανα και χωρίς ενισχυτές και μικρόφωνα, θα τους πεις να βρουν τρόπο να το παραμορφώσουν το πράγμα ή θα φύγεις;

Έαν παίζουν εγώ, ή ο Ν.Κ ή εσύ κλαρίνο (ή άλλο όργανο) ... ναι.

Εάν παίζει ο Κος Χρήστος @christos77 ... όχι.

Όλα τα όργανα έχουν τις αρμονικές τους αλλά και παραμόρφωση ... αλλά αυτό που ρωτας δεν εχει απολύτως καμία σχέση. Δεν εχει καμια σχέση η αναπαραγωγή των φυσικών οργάνων με την αναπαραγωγή στο audio. Και αρμονικά να ήσουν ΟΚ θα είχες άλλα πολλά πράγματα που δεν μπορείς να ικανοποιητικά προσωμοιώσεις απο ένα φυσικό όργανο. Οταν δε, είναι πολλά και βαράνε και όλα μαζί ... καληνύχτα χα χα.

Όσο καθαρός ενισχυτής και να είναι κάποια στιγμή θα πιεστεί , θα δώσεις ένταση θα πιάσει peak , ειδικά με αναίσθητα ηχεία , ειδικά άμα κλιπαρει … Οπότε στον πραγματικό κόσμο υπάρχει παραμόρφωση ακουστή . Δεν είναι solved issue !

Το τέστ αυτό που σου λέω έχει γίνει. Δεν είναι ευφυολόγημα δικό μου. Ήδη απο την δεκαετία του 70 , 80 ξέρω γώ κάπου εκεί. Όλοι οι κατασκευαστες το ξέρουν αλλά και οι σχεδιαστές.

 

[christos77]

Στα "φυσικα οργανα" που πιθανον ακουσες πχ στο Μεγαρο ενα βραδυ περιεχεται εκει η αποψη του μαεστρου , η ενορχηστρωση , οι επιδοσεις οτυ μουσικου την συγκεριμενη βραδια , η πληροφορια του χωρου , η συγκεριμενη θεση ακροασης τα προβληματα του χωρου

 

[thva]

Όσο καθαρός ενισχυτής και να είναι κάποια στιγμή θα πιεστεί , θα δώσεις ένταση θα πιάσει peak , ειδικά με αναίσθητα ηχεία , ειδικά άμα κλιπαρει … Οπότε στον πραγματικό κόσμο υπάρχει παραμόρφωση ακουστή . Δεν είναι solved issue !

Ακόμη και η ανισορροπία στο κλιπάρισμα ((που κάνουν π.χ. οι SET λάμπες μόνο στο πάνω μέρος (ή μόνο κάτω και λίγο ... πάντως σίγουρα ανομοιόμορφο ; East για πες ) συγκριτικά με και τα δύο μέρη που κάνει το τρανζίστορ και to push pull γενικότερα και στις λάμπες)) ...παίζει μεγάλο ρόλο ηχητικά.

 

[east electronics]

Ακόμη και η ανισορροπία στο κλιπάρισμα ((που κάνουν π.χ. οι SET λάμπες μόνο στο πάνω μέρος (ή μόνο κάτω και λίγο ... πάντως σίγουρα ανομοιόμορφο ; East για πες ) συγκριτικά με και τα δύο μέρη που κάνει το τρανζίστορ και to push pull γενικότερα και στις λάμπες)) ...παίζει μεγάλο ρόλο ηχητικά.

Δεν κάνουμε κουβέντα για ενισχυτές εκει πανω δεν εχει νόημα.....αν σε οποια προσέγγιση δεν υπάρχει headroom δεν υπάρχει μουσική.

Στην τάξη ΑΒ υπάρχει ενα στάδιο που λέγεται vas ( voltage amplifier stage) αυτο γίνεται με δύο τρόπους πηγή ρεύματος και bootstrap
Και η δυο λύσεις ειναι αποδεκτες τεχνικά εχεις αυτούς που έχουν ccs σου λένε εχει ακρίβεια είναι αυστηρός κλπ κλπ
Οι αλλοι με το bootstrap σου λένε ότι ειναι γλυκός, μουσικότητα....

Μεταφραζε τώρα εσύ μια παραμέτρο εχει άλλες 100.

Και σε μια μπάντα που παίζει στο δρόμο χωρίς ηλεκτρικά υπάρχουν παραμορφωσεις ειναι και αυτές μεσα στο περιεχόμενο και δεν ειναι όλες οι παραμορφωσεις κακές κάποιες φυσικές συμβάλουν στο συνολο .

Ξαναγυρίζουμε σε αυτο που γράφτηκε πιο πανω distortion =tonality και σε αυτο που έγραψα οτο ο μεταλας την γουστάρει αυτη την παραμόρφωση ταιριάζει στις χροιές του την θεωρεί χαρακτήρα. Το θέμα είναι ποιες και πόσο.

Σωστο και αυτο που γράφτηκε αν στην θεωρία αφαιρέσεις τα πάντα απο εναν ενισχυτη το αποτελεσμα ειναι δραμα .

Συμβαίνει ηδη στην αγορά δυστυχώς στην υψηλή κατηγορία σχεδιάζουν πιτσιρικάδες αδιάβαστοι χωρίς να έχουν διαβάσει ιστορία τύπου πως φτάσαμε ως εδω το μόνο τους εργαλείο ειναι ενα simulator οπότε εκει αφαιρούν τα πάντα απο το μηχάνημα για να μετράει τελεια και όταν το βάλεις να παίξει δεν παίζει μια .

Συμβαίνει σε μχνμ που παιζει στην Κατηγορία 80Κ αυτη την στιγμή και εκτός αυτού υποφέρει απο μύρια αλλα προβλήματα που λύθηκαν το 80 απο τους Ιάπωνες. Το τσαγανό μου λεει ότι αυτο θα την κλείσει αυτη τη εταιρία. ...Όχι ότι στο παρελθόν ήταν καλύτερη εφιαχνε ενισχυτές με μοσφετ απο ηλεκτροκοληση που επεισης δεν έπαιζαν.


PS. @ Highlander .
Οι πιτσιρικάδες αυτοί που ειναι αδιάβαστοι δεν ξέρουν ιστορία εκτός απο ενισχυτές φτιάχνουν και DSP .

 

[thva]

Δεν κάνουμε κουβέντα για ενισχυτές εκει πανω δεν εχει νόημα.....αν σε οποια προσέγγιση δεν υπάρχει headroom δεν υπάρχει μουσική.

Στην τάξη ΑΒ υπάρχει ενα στάδιο που λέγεται vas ( voltage amplifier stage) αυτο γίνεται με δύο τρόπους πηγή ρεύματος και bootstrap
Και η δυο λύσεις ειναι αποδεκτες τεχνικά εχεις αυτούς που έχουν ccs σου λένε εχει ακρίβεια είναι αυστηρός κλπ κλπ
Οι αλλοι με το bootstrap σου λένε ότι ειναι γλυκός, μουσικότητα....

Μεταφραζε τώρα εσύ μια παραμέτρο εχει άλλες 100.

Και σε μια μπάντα που παίζει στο δρόμο χωρίς ηλεκτρικά υπάρχουν παραμορφωσεις ειναι και αυτές μεσα στο περιεχόμενο και δεν ειναι όλες οι παραμορφωσεις κακές κάποιες φυσικές συμβάλουν στο συνολο .

Ξαναγυρίζουμε σε αυτο που γράφτηκε πιο πανω distortion =tonality και σε αυτο που έγραψα οτο ο μεταλας την γουστάρει αυτη την παραμόρφωση ταιριάζει στις χροιές του την θεωρεί χαρακτήρα. Το θέμα είναι ποιες και πόσο.

Σωστο και αυτο που γράφτηκε αν στην θεωρία αφαιρέσεις τα πάντα απο εναν ενισχυτη το αποτελεσμα ειναι δραμα .

Συμβαίνει ηδη στην αγορά δυστυχώς στην υψηλή κατηγορία σχεδιάζουν πιτσιρικάδες αδιάβαστοι χωρίς να έχουν διαβάσει ιστορία τύπου πως φτάσαμε ως εδω το μόνο τους εργαλείο ειναι ενα simulator οπότε εκει αφαιρούν τα πάντα απο το μηχάνημα για να μετράει τελεια και όταν το βάλεις να παίξει δεν παίζει μια .

Συμβαίνει σε μχνμ που παιζει στην Κατηγορία 80Κ αυτη την στιγμή και εκτός αυτού υποφέρει απο μύρια αλλα προβλήματα που λύθηκαν το 80 απο τους Ιάπωνες. Το τσαγανό μου λεει ότι αυτο θα την κλείσει αυτη τη εταιρία. ...Όχι ότι στο παρελθόν ήταν καλύτερη εφιαχνε ενισχυτές με μοσφετ απο ηλεκτροκοληση που επεισης δεν έπαιζαν.

Κλιπαρισμα γίνεται πάντα όπως και να έχει στον real κόσμο και με τις επιλογές που κάνουμε σε μηχανήματα και ηχεία ή δεν είσαι αυτής της άποψης - (κάνω λάθος) ; Εκτός εάν ακούς πολυ πολυ χαμηλά σε ένταση.