NOMN

Speculative Audio Tools
← Werkzeuge

NOMN: Zeitfeinstruktur-Enhancer

Late 2026 / Patent Pending
FAQ
Was NOMN mit Audio macht
Digitale Synthese und digitale Wiedergabe fügen keine eigene Timing-Variation hinzu. Jede akustische Quelle und jedes analoge Laufwerk tut es. NOMN fügt eine Schicht von Timing-Variation hinzu, die an der Stimme gelernt wurde.

In unseren Messungen variieren eine aufgenommene Flöte und Violine von einem Zyklus zum nächsten um 0,25 %, eine Singstimme um 0,74 % und eine Sprechstimme um 2,5 %. Eine Bandmaschine und ein Plattenspieler fügen allem, was sie abspielen, ihre eigene Drift hinzu. Ein synthetisierter Ton variiert um 0,02 %, was die Untergrenze der Messung ist, und eine Drum Machine oder ein Sampler wiederholt jeden Schlag exakt (Wellenformkorrelation 1,000000 zwischen einem Schlag und dem nächsten). Eine Aufnahme einer Stimme behält die eigene Variation der Stimme, und die digitale Kette fügt ihr nichts hinzu.

NOMN arbeitet in zwei Schichten. Die Drift-Schicht bewegt das gesamte Signal langsam, im Bereich der Bewegung von Band und Plattenspieler. Die Feintiming-Schicht fügt Variation von wenigen Mikrosekunden hinzu, auf der Skala, die die Hörforschung zeitliche Feinstruktur nennt (siehe Zeitliche Feinstruktur unten). Beide werden live von Modellen erzeugt, die an der menschlichen Stimme trainiert sind: an mehrsprachiger aufgenommener Sprache und an Elektroglottographie-Aufnahmen, die das Öffnen und Schließen der Stimmlippen am Kehlkopf Zyklus für Zyklus messen. Keine der beiden Schichten läuft in Schleife. Juiciness stellt die Tiefe beider Schichten ein. Der Feintiming-Anteil skaliert die Feintiming-Schicht.
Wie weit NOMN das Audio bewegt
Juiciness stellt die Tiefe beider Schichten ein, und der Feintiming-Anteil skaliert die Feintiming-Schicht von null bis zu den Werten in der letzten Spalte. Gemessen an synthetisierten Testtönen:

Juiciness Drift-Schicht, RMS als Geschwindigkeitsabweichung in Cent, RMS Feintiming-Schicht
0,25 25 µs 0,015 % 0,26 1,0 µs
0,5 51 µs 0,029 % 0,50 1,5 µs
1,0 101 µs 0,054 % 0,93 2,5 µs
2,5 252 µs 0,134 % 2,32 5,8 µs
5,0 505 µs 0,268 % 4,63 11,4 µs
10,0 1.008 µs 0,535 % 9,23 20,3 µs
Bandmodell 149 µs 0,068 % 1,18 0,0 µs
Plattenspielermodell 306 µs 0,116 % 2,00 0,0 µs


Die Geschwindigkeitsabweichung ist der Wert, den ein Gleichlaufmessgerät (Wow and Flutter) anzeigt. Die Drift-Schicht bewegt sich langsam (90 % ihrer Bewegung liegen unter 1,7 Hz). Die Feintiming-Schicht bewegt sich schneller (90 % ihrer Bewegung unter 15,9 Hz) und ist bei Juiciness 1 um das 40-Fache kleiner (2,5 µs gegenüber 101 µs). Beide Schichten skalieren proportional zu ihren Reglern. Der Pegel bleibt bei jeder Einstellung unverändert.
NOMN und Tremolo, Chorus und Bandemulation
Timing-Modulation ist ein altes DSP-Grundelement. Wow und Flutter von Band modulieren analoges Audio seit den 1930er Jahren. Granularsynthese arbeitet seit den 1970er Jahren unterhalb von 10 ms. Chorus-Plugins verwenden seit den 1990er Jahren zeitvariable Verzögerung im Sub-Sample-Bereich.

NOMN unterscheidet sich in der Quelle seiner Bewegung, und der Unterschied ist messbar. Ein Tremolo oder Chorus wird von einem LFO gesteuert. Band- und Plattenspieler-Emulation folgen der Mechanik eines Laufwerks: einmal pro Umdrehung, mit der Rate des Capstans. Ein Humanizer verwendet gefiltertes Zufallsrauschen. NOMNs Bewegung stammt aus Modellen, die an der Stimme trainiert sind.

Wir haben geprüft, ob sich der Unterschied im Audio zeigt. Wir haben einen gleichbleibenden synthetisierten Ton von drei Minuten Länge durch jeden Prozess geschickt, sein Timing aus der Phase des Tons gelesen, die Größe entfernt, sodass nur die Form der Bewegung zählte, und einen Klassifikator den Prozess an Abschnitten der Aufnahme benennen lassen, an denen er nicht trainiert worden war. Gegen einen LFO, unser Bandmodell, unser Plattenspielermodell, das Open-Source-Plugin CHOW Tape Model sowie Gaußsches und 1/f-Humanizer-Rauschen wurden die Abschnitte in jedem Vergleich 52 von 52 Mal richtig benannt. Ein LFO, eine Bandmaschine und ein Plattenspieler haben eine einzige Art von Bewegung, eine Änderung der Geschwindigkeit. NOMN hat zusätzlich eine Feintiming-Schicht.

Der Test belegt, dass NOMN ein eigenständiger Prozess ist. Er prüft keine Hörerpräferenz. Die Messungen, die Methode und die Audiobeispiele finden sich auf dieser Seite.
Warum die Stimme das Modell ist
Band- und Plattenspieler-Emulation reproduzieren das Verhalten zweier Maschinen. Eine Schallplatte driftet, weil ihr Mittelloch nicht genau zentriert ist und der Plattenteller sich 33⅓-mal pro Minute dreht. Ein Bandlaufwerk driftet mit der Rate seines Capstans und seiner Spulen. Wir haben Modelle beider gemessen: Ihre Bewegung ist periodisch, liegt fast vollständig unter 1 Hz und ist eine Änderung der Geschwindigkeit, weil ein Laufwerk nur das gesamte Signal beschleunigen oder verlangsamen kann. Hörer schätzen diese Bewegung, und die Bindung gilt dem Klang zweier bestimmter Medien.

NOMNs Variation stammt aus dem Körper. Seine Modelle lernten Timing aus mehrsprachiger aufgenommener Sprache und aus Elektroglottographie-Aufnahmen der Stimmlippen. Die Stimme ist eine Schallquelle ohne Drehzahl. Über 103 Sprachen hinweg fanden wir das Timing auf dieser Skala weitgehend gleich, was nahelegt, dass es eher zur Physik der Stimme gehört als zu einer einzelnen Sprache. In unseren Messungen ist NOMNs Drift aperiodisch, wo die eines Laufwerks periodisch ist, und NOMN hat eine Feintiming-Schicht auf der Skala der zeitlichen Feinstruktur, die ein Laufwerk nicht hat.

Wenn Timing-Variation für Hörer von Bedeutung ist, und die lange Bindung an analoge Laufwerke legt das nahe, dann ist ein Kandidat für die hinzuzufügende Variation die Art, die die Stimme erzeugt, mit der Auflösung, mit der das Gehör arbeitet. In der Größe deckt NOMN denselben Bereich ab: Bei Juiciness 1 beträgt seine Drift 0,054 % in der Geschwindigkeit, neben 0,068 % für unser Bandmodell. Die Hörtests, die eine Präferenz belegen würden, haben wir noch nicht durchgeführt, und wenn wir sie durchführen, werden wir sie veröffentlichen.

Emulation bezieht ihre Modelle aus den Geräten der Vergangenheit. Wir möchten, dass Werkzeuge aus dem entworfen werden, was über das Hören und über die Körper bekannt ist, die Klang erzeugen.
Timing im Mikrosekundenbereich und die musikalische JND
Die Musikkognitionsforschung setzt den kleinsten berichtbaren Timing-Unterschied zwischen Noten bei 10 bis 50 ms an. Das ist die häufigste Form der Kritik an der Hörbarkeit.

JND-Schwellen (just-noticeable difference, eben merklicher Unterschied) für musikalisches Timing messen, wie weit sich eine Note relativ zu einer anderen verschieben muss, bevor ein Hörer die Verschiebung in einer Zwangswahlaufgabe bewusst erkennen kann. Sie sagen uns, wann ein Timing-Unterschied benannt werden kann. Sie geben nicht die Auflösung an, mit der das Hörsystem Zeit verarbeitet.

Die zeitliche Auflösung des Hörsystems ist 1.000- bis 5.000-mal feiner (10 µs gegenüber 10 bis 50 ms). Es gibt zwei etablierte Beweislinien.

Die binaurale Bahn löst interaurale Zeitdifferenzen (ITD) von etwa 10 µs auf. Klumpp & Eady (1956, J. Acoust. Soc. Am. 28: 859-860) maßen bei zehn Hörern mittlere ITD-Unterscheidungsschwellen von 9 µs für bandbegrenztes Rauschen und 11 µs für einen 1000-Hz-Ton. Brughera, Dunai & Hartmann (2013, J. Acoust. Soc. Am. 133: 2839-2855) bestätigten Schwellen knapp über 10 µs bei 700 bis 1000 Hz. Neuronen in der medialen oberen Olive führen eine Koinzidenzdetektion an phasengekoppelten Spikes aus jedem Ohr durch. Die größte ITD, der ein Hörer normalerweise begegnet, für einen Schall direkt von der Seite, beträgt 600 bis 700 µs und ist durch den Abstand der Ohren festgelegt, und Hörer lösen Winkelunterschiede von etwa 1 Grad nahe der Mittellinie auf (Mills 1958, J. Acoust. Soc. Am. 30: 237-246). Die Messung von Klumpp und Eady stammt aus dem Jahr 1956.

Die monaurale Bahn kodiert die Struktur von Schall unterhalb einer Millisekunde über das, was die auditive Neurowissenschaft zeitliche Feinstruktur (TFS) nennt: die schnellen Schwingungen der Wellenform innerhalb jedes cochleären Frequenzbandes, im Unterschied zur langsameren Hüllkurve (ENV), die ihnen überlagert ist (Moore 2008, J. Assoc. Res. Otolaryngol. 9: 399-406). TFS wird im Timing der Spikes des Hörnervs übertragen, die sich für Komponenten bis zu mehreren Kilohertz an einzelne Zyklen der Wellenform phasenkoppeln (Palmer & Russell 1986, Hearing Research 24: 1-15). Das ist das Standardmodell dafür, wie die auditive Peripherie Zeit kodiert.

Das Hörsystem nutzt TFS für die Tonhöhe komplexer Töne, für Sprache in fluktuierendem Hintergrundrauschen und für die Trennung von Quellen. Smith, Delgutte & Oxenham (2002, Nature 416: 87-90) erzeugten „chimärische“ Klänge, in denen die Hüllkurve eines Signals mit der TFS eines anderen kombiniert war, und Hörer nahmen Tonhöhe und Quellenort aus der TFS wahr. Die TFS-Kodierung gilt für alles, was die Cochlea empfängt, einschließlich Kopfhörern und Lautsprechern, die aufgenommene Musik wiedergeben. Sie läuft kontinuierlich und ohne bewussten Bericht, weshalb Studien zur musikalischen JND sie nicht messen. Die JND misst, was Hörer über diese Verarbeitung berichten können.

Unsere Frage ist, ob Technologie, die Audio für menschliche Hörer erzeugt, mit der Auflösung des Sinnessystems arbeiten sollte, dem sie dient. A/B-Unterscheidung in einem kontrollierten Versuch ist eine separate Frage.

Die Audiobranche beantwortet die erste Frage seit Jahrzehnten auf dieselbe Weise. Studios nehmen mit 96 kHz oder 192 kHz auf, damit die Produktionskette nahe der Grenze des Systems keine Artefakte einführt, unabhängig davon, ob Hörer diese Raten bei einem bestimmten Track von 48 kHz unterscheiden können. Mastering-Ingenieure spezifizieren Wordclock-Jitter weit unterhalb klassischer Hörbarkeitsschwellen, damit der Takt nie das begrenzende Element ist.

NOMN folgt demselben Prinzip. Eine synthetisierte Quelle, die von einem digitalen Takt abgespielt wird, hat weniger Timing-Variation als jede akustische Quelle, die wir gemessen haben: 0,02 % von Zyklus zu Zyklus, gegenüber 0,25 % bis 2,5 % für aufgenommene Instrumente und Stimmen. Die Branche legt Abtastrate, Bittiefe, Jitter, Latenz, Frequenzgang und Verzerrung bereits auf die Auflösung des Gehörs aus. Wir wenden dieselbe Praxis auf Timing-Variation an, bei der die relevanten Größen ebenfalls unterhalb der Schwelle bewusster Benennung liegen.

Schalllokalisation und die Trennung von Stimmen in einer Menge hängen beide von einer zeitlichen Auflösung ab, die weit feiner ist als die musikalische JND.
Zeitliche Feinstruktur
Zeitliche Feinstruktur (TFS) ist der Standardbegriff der auditiven Neurowissenschaft für die schnelle Wellenforminformation unterhalb einer Millisekunde, die die Cochlea an den Hörnerv weitergibt, im Unterschied zur langsameren Hüllkurve (ENV), die auf ihr liegt. Die Cochlea zerlegt breitbandigen Schall in schmalbandige Signale, und jedes schmalbandige Signal lässt sich als langsam veränderliche Hüllkurve auf einem schnelleren Träger beschreiben, der Feinstruktur. Beide werden im Timing der Spikes des Hörnervs kodiert: ENV über Änderungen der Feuerrate, TFS über Phasenkopplung an einzelne Zyklen der Wellenform.

Das TFS-Konzept wird in der Literatur der Hörforschung seit 2002 entwickelt. Moore (2008, J. Assoc. Res. Otolaryngol. 9: 399-406) gibt einen Überblick über seine Rolle bei Tonhöhenwahrnehmung, Maskierung und Sprachwahrnehmung. Smith, Delgutte & Oxenham (2002, Nature 416: 87-90) zeigten mit chimärischen Klängen, dass Hörer sich für Tonhöhe und Lokalisation auf TFS und für Spracherkennung in Ruhe auf ENV stützen. Spätere Arbeiten (Lorenzi et al. 2006, PNAS 103: 18866-18869; Hopkins & Moore 2009, J. Acoust. Soc. Am. 125: 442-446) zeigten, dass TFS-Empfindlichkeit für die Sprachwahrnehmung im Rauschen entscheidend ist und dass verminderte TFS-Empfindlichkeit ein wesentlicher Faktor für die Schwierigkeiten ist, die hörgeschädigte Hörer mit Sprache im Rauschen haben.

TFS ist das etablierte Vokabular für die Skala, auf der NOMNs Feintiming-Schicht arbeitet. NOMN bewegt sich in einem gut kartierten Bereich der Literatur der Hörforschung.

Die bestehende TFS-Forschung konzentriert sich auf Verlust: wie hörgeschädigte Hörer TFS-Empfindlichkeit verlieren, wie Cochlea-Implantate TFS nicht übertragen, wie das Altern die TFS-Verarbeitung beeinträchtigt. NOMN geht von Hörern aus, deren TFS-Verarbeitung intakt ist, und fragt, welche zeitliche Struktur Wiedergabetechnologie ihnen darbieten sollte.

Umfang. NOMN hat zwei Schichten. Seine Drift-Schicht bewegt das gesamte Signal über den Juiciness-Bereich um 25 bis 1.008 µs RMS, langsam, im Bereich eines Bandlaufwerks. Seine Feintiming-Schicht arbeitet über denselben Bereich bei 1,0 bis 20,3 µs. Die Feintiming-Schicht ist diejenige auf der Skala der Feinstruktur. Wir verwenden den Begriff für die Skala der Schicht und für den auditiven Mechanismus, den sie anspricht, und wir veröffentlichen nicht, wie die Schicht erzeugt wird.

Wir behaupten nicht, dass digitalem Audio zeitliche Feinstruktur fehlt oder dass NOMN etwas wiederherstellt, was das Format verloren hat. Eine PCM-Aufnahme trägt die Feinstruktur des im Band liegenden Inhalts des Signals. Unsere Aussage ist, dass digitale Synthese und digitale Wiedergabe keine eigene Timing-Variation hinzufügen und dass NOMN eine Schicht von Variation hinzufügt, die an der Stimme gelernt wurde. Es arbeitet auf dieselbe Weise, gleich welches Detail an Feinstruktur die Quelldatei enthält.
Latenz und Timing unterhalb der JND
Musiker, die mit einer DAW aufnehmen, stellen die Audiopuffergröße so ein, dass die Roundtrip-Latenz niedrig bleibt, und Hersteller von Interfaces veröffentlichen Roundtrip-Werte von wenigen Millisekunden. Die Bela-Plattform wurde gebaut, um bei digitalen Musikinstrumenten eine Latenz von der Aktion zum Klang unterhalb einer Millisekunde zu erreichen (McPherson, Jack & Moro 2016, Proc. NIME).

Jack, Mehrabi, Stockman & McPherson (2018, Music Perception 36: 109-128) testeten professionelle Perkussionisten und Amateurmusiker an einem digitalen Perkussionsinstrument bei 0 ms, 10 ms, 10 ms mit ±3 ms Jitter und 20 ms Latenz. Beide Gruppen bewerteten Latenz null signifikant höher als die Bedingungen 10 ms mit Jitter und 20 ms, und die Profis veränderten ihr Timing unter zusätzlicher Latenz. Schmid, Ambros, Bogon & Wimmer (2024, Proc. Audio Mostly, ACM) maßen den eben merklichen Unterschied für zusätzliche Audiolatenz bei 37 Hörern und fanden einen Mittelwert von 49 ms bei 0 ms Grundlatenz und 27 ms bei 64 ms Grundlatenz. Asynchronien von 30 bis 50 ms treten zwischen Spielern im Ensemblespiel auf (Rasch 1979, Acustica 43: 121-131).

Eine akustische Trommel erreicht die Ohren des Schlagzeugers 2 bis 3 ms nach dem Kontakt des Sticks, eine Verzögerung, die durch die Schallgeschwindigkeit über die Strecke von der Trommel zum Kopf bestimmt ist.

Hersteller von Interfaces zielen nicht auf die 27 bis 49 ms, bei denen Hörer einen Unterschied berichten. Sie legen die Latenz weit unterhalb der Berichtsschwelle aus, wie Studios es mit der Abtastrate und Clock-Entwickler mit dem Jitter tun.

Diese Studien arbeiten bei 10 bis 49 ms. Sie stützen die Praxis, unterhalb der Schwelle bewussten Berichts zu konstruieren, und sie sagen nichts über Mikrosekunden aus. Die Evidenz auf der Mikrosekundenskala ist die interaurale und die Feinstrukturforschung in den beiden Antworten oben.
Einflüsse von Lautsprecher und Raum
Ein Raum und ein Lautsprecher verändern das Timing weit stärker als NOMN. Die Impulsantwort eines Raums dauert von Millisekunden bis zu Hunderten von Millisekunden, und Partialschwingungen der Lautsprechermembran treten unterhalb einer Millisekunde auf.

Der Unterschied liegt in der Struktur. Die Faltung durch Raum und Lautsprecher ist inhaltsunabhängig und stationär: Die Impulsantwort ist für eine gegebene Hörposition fest, und die Hallfahne eines Snare-Schlags und die einer gehaltenen Gesangsnote werden gleich behandelt.

Das Hörsystem verfügt über gut dokumentierte Mechanismen, um Direktschall von Reflexionen zu trennen. Wallach, Newman & Rosenzweig (1949, American Journal of Psychology 62: 315-336) beschrieben den Präzedenzeffekt: Wenn zwei identische Schalle innerhalb weniger Millisekunden nacheinander eintreffen, hört der Hörer einen verschmolzenen Schall an der Position der ersten Wellenfront, und die späteren Reflexionen tragen wenig zum wahrgenommenen Ort bei. Die auditive Szenenanalyse (Bregman 1990, MIT Press) erweitert dies auf die Gruppierungshinweise, mit denen das Gehör Schall in Quellen organisiert, die sich von ihrer Umgebung unterscheiden. Spätere Übersichtsarbeiten (Litovsky et al. 1999, J. Acoust. Soc. Am. 106: 1633-1654; Brown, Stecker & Tollin 2015, J. Assoc. Res. Otolaryngol. 16: 1-28) dokumentieren den Vorgang als kontinuierlich und automatisch.

NOMNs Variation liegt im Signal, bevor es den Lautsprecher erreicht, und sie ändert sich von Moment zu Moment. Ein Raum und ein Lautsprecher wenden auf alles dieselbe feste Antwort an. Wir haben NOMNs Schichten im Signal selbst gemessen, und wir haben nicht gemessen, wie sie mit einem bestimmten Raum zusammenwirken.
Rekonstruktion im DAC
Das Rekonstruktionsfilter eines DAC entfernt NOMNs Modulation nicht. Die Modulation ist im Audioinhalt selbst kodiert, darin, welche Samples welche Energie enthalten. Der DAC empfängt ein normales Audiosignal mit seiner nativen Abtastrate und wendet seine übliche Rekonstruktion an, und welche Filterung er auch auf unbearbeitetes Audio anwendet, er wendet sie identisch auf mit NOMN bearbeitetes Audio an.

Lautsprecher, Raum, HRTF und Gehörgang wirken auf die Modulation als Teil des Audios, und keiner von ihnen entfernt sie selektiv.
Chorus mit geringer Tiefe und gefiltertes Rauschen
Ein Chorus mit geringer Tiefe oder gefiltertes Rauschen, das Varispeed steuert, leistet einen Teil davon. Toningenieure wissen seit Jahrzehnten, dass subtile zeitliche Variation verändert, wie sich digitales Audio anfühlt, und Bandemulations-Plugins, subtiler Chorus und Tonhöhenmodulation wenden dieses Wissen an.

Die Ergebnisse sind messbar verschieden. LFO-gesteuerte Modulation ist periodisch, und in unserem dreiminütigen Test wurde sie in 52 von 52 Abschnitten von NOMN unterschieden. Zufallsrauschen ist der nähere Fall. Wir haben die beiden Formen getestet, die ein Humanizer verwendet, unabhängige Gaußsche Versätze und 1/f-Rauschen, jeweils auf NOMNs Größe eingestellt, und jede wurde in 52 von 52 Abschnitten von NOMN unterschieden. NOMNs Aktivität ist in der Zeit organisiert, in Schüben von Bewegung, gefolgt von ruhigeren Abschnitten. Rauschen ist gleichförmig.

Natürliche Timing-Variation hat Struktur. Hennig (2014, PNAS 111: 12974-12979) dokumentierte langreichweitige Korrelationen im Timing professioneller Schlagzeugdarbietungen, im Einklang mit breiteren Arbeiten zum menschlichen motorischen Timing (Gilden, Thornton & Mallon 1995, Science 267: 1837-1839). NOMNs Modelle sind an der Stimme trainiert, und wir haben gemessen, dass seine Ausgabe im obigen Sinne strukturiert ist. Wie genau diese Struktur einer bestimmten natürlichen Quelle entspricht, haben wir noch nicht gemessen, und wir behaupten nicht, dass sie es tut.
MQA und C Wave
NOMN unterscheidet sich von beiden darin, was es behauptet und wie es funktioniert.

MQA ist ein Kodier- und Dekodierformat: Es verändert, wie eine Datei gespeichert wird, und benötigt für die volle Wiedergabe einen lizenzierten Decoder. NOMN berührt die Kodierkette nicht. Es fügt den Audio-Samples vor der Wandlung Timing-Variation hinzu, und das Ergebnis ist ein gewöhnliches PCM-Signal, das auf jedem Gerät abspielbar ist. Wir sehen NOMN für die Integration in Hardware und Streaming-Clients vor und für den Einsatz durch Mastering-Ingenieure als abschließenden Prozess.

C Wave vertritt, wie wir seine veröffentlichte Beschreibung lesen, die Auffassung, PCM sei „nicht kontinuierlich“, das Gehirn erkenne die Diskontinuität, und ein hallähnlicher Prozess fülle die Lücken. Wir teilen diese Diagnose nicht. Ein Hall-Algorithmus, der auf PCM läuft, ist weiterhin PCM, und das Abtasttheorem garantiert, dass korrekt bandbegrenztes PCM bis zur Nyquist-Frequenz mathematisch einer kontinuierlichen Wellenform äquivalent ist. Unsere Aussage ist, dass digitale Synthese und digitale Wiedergabe keine eigene Timing-Variation hinzufügen, wo jede akustische Quelle und jedes analoge Laufwerk es tut. Das ist eine Aussage über Quellen und Laufwerke, und sie lässt die Abtasttheorie unberührt.
Humanizer-Plugins
Humanizer-Plugins verwenden Zufallszahlengeneratoren, um MIDI-Events Timing-Variation hinzuzufügen. Es gibt sie seit den frühen 1990er Jahren, und die meisten DAWs enthalten einen.

Humanizer fügen zufällige Variation hinzu. NOMNs Variation stammt aus Modellen, die an der Stimme trainiert sind, und in unseren Messungen ist sie von Gaußscher und 1/f-Zufallsvariation derselben Größe unterscheidbar.

Humanizer arbeiten auf dem Timing von MIDI-Events, bevor Audio gerendert wird: Ein Humanizer auf einer quantisierten MIDI-Snare verschiebt den Schlag. NOMN arbeitet auf dem Audiosignal und bewegt es kontinuierlich. NOMN bearbeitet auch fertige Audiodateien.
Hörbarkeit
Ob ein Hörer NOMN als erkennbaren Effekt identifizieren kann, hängt von Juiciness ab. Seine Geschwindigkeitsabweichung liegt bei Juiciness 1 unter der unseres Bandmodells (0,054 % gegenüber 0,068 %) und ist bei Juiciness 10 7,8-mal größer (0,535 %). Die Designabsicht ist, dass es bei Arbeitstiefen nicht als Effekt wahrgenommen wird.

Ob ein Hörer in einem kontrollierten A/B-Versuch mit NOMN bearbeitetes Audio von unbearbeitetem unterscheiden könnte, ist eine empirische Frage. Wir beabsichtigen, sie mit unabhängiger, präregistrierter Wahrnehmungsforschung zu untersuchen, und wir werden die Ergebnisse veröffentlichen.
Nebenwirkungen
Der Pegel bleibt unverändert, und es gibt keine Entzerrung, keine Kompression, kein hinzugefügtes Rauschen und keine räumliche Verarbeitung.

Audio in der Zeit zu bewegen, verschiebt auch seine Tonhöhe geringfügig. Bei Juiciness 1 beträgt die Bewegung 0,054 % in der Geschwindigkeit, 0,93 Cent RMS, neben 1,18 Cent für unser Bandmodell. Die Tabelle unter Wie weit NOMN das Audio bewegt gibt den Wert für jede Einstellung an. Deshalb löscht sich die bearbeitete Datei in einem Nulltest nicht gegen das Original aus, und ein gleichbleibender Ton erhält Seitenbänder niedrigen Pegels. Beides ist messbar, und wir berichten es hier.
Der Name
Der Name leitet sich von „Metronom“ (englisch „metronome“) ab. Er lässt sich auch als „no man“ lesen.
Literatur
Die Hörforschung in diesen FAQ stützt sich auf die unten aufgeführte veröffentlichte Literatur.

SCHWELLEN DER INTERAURALEN ZEITDIFFERENZ

• Klumpp, R.G. & Eady, H.R. (1956). "Some Measurements of Interaural Time Difference Thresholds." Journal of the Acoustical Society of America 28(5): 859-860. Schwelle von 9 µs für bandbegrenztes Rauschen, 11 µs für einen 1000-Hz-Ton, 28 µs für Klicks (75 % korrekte Unterscheidung, zehn Hörer).

• Mills, A.W. (1958). "On the Minimum Audible Angle." Journal of the Acoustical Society of America 30(4): 237-246. Winkelauflösung bei der Schalllokalisation (etwa 1 Grad nahe der Mittellinie).

• Brughera, A., Dunai, L. & Hartmann, W.M. (2013). "Human interaural time difference thresholds for sine tones: The high-frequency limit." Journal of the Acoustical Society of America 133(5): 2839-2855. Schwellen nahe 10 µs für reine Töne bei mittleren Frequenzen, mit einer Hochfrequenzgrenze um 1,4 kHz.

NEURONALE KODIERUNG ZEITLICHER STRUKTUR

• Palmer, A.R. & Russell, I.J. (1986). "Phase-locking in the cochlear nerve of the guinea-pig and its relation to the receptor potential of inner hair-cells." Hearing Research 24(1): 1-15. Phasenkopplung der Hörnervenfasern und ihre obere Frequenzgrenze.

• Moore, B.C.J. (2008). "The role of temporal fine structure processing in pitch perception, masking, and speech perception for normal-hearing and hearing-impaired people." Journal of the Association for Research in Otolaryngology 9(4): 399-406. Übersicht über die zeitliche Feinstruktur (TFS) und ihre Rolle in der Wahrnehmung.

• Smith, Z.M., Delgutte, B. & Oxenham, A.J. (2002). "Chimaeric sounds reveal dichotomies in auditory perception." Nature 416: 87-90. Hörer stützen sich für Tonhöhe und Lokalisation auf TFS und für Spracherkennung in Ruhe auf ENV.

• Lorenzi, C., Gilbert, G., Carn, H., Garnier, S. & Moore, B.C.J. (2006). "Speech perception problems of the hearing impaired reflect inability to use temporal fine structure." Proceedings of the National Academy of Sciences 103: 18866-18869. TFS und Sprachwahrnehmung im Rauschen.

• Hopkins, K. & Moore, B.C.J. (2009). "The contribution of temporal fine structure to the intelligibility of speech in steady and modulated noise." Journal of the Acoustical Society of America 125(1): 442-446.

TRENNUNG VON QUELLE UND UMGEBUNG

• Wallach, H., Newman, E.B. & Rosenzweig, M.R. (1949). "The Precedence Effect in Sound Localization." American Journal of Psychology 62(3): 315-336. Hörer lokalisieren Schall anhand der zuerst eintreffenden Wellenfront.

• Bregman, A.S. (1990). Auditory Scene Analysis: The Perceptual Organization of Sound. MIT Press.

• Litovsky, R.Y., Colburn, H.S., Yost, W.A. & Guzman, S.J. (1999). "The Precedence Effect." Journal of the Acoustical Society of America 106(4): 1633-1654. Übersicht über den Präzedenzeffekt und die Echounterdrückung.

• Brown, A.D., Stecker, G.C. & Tollin, D.J. (2015). "The Precedence Effect in Sound Localization." Journal of the Association for Research in Otolaryngology 16(1): 1-28.

LATENZ UND MUSIKALISCHE AUFFÜHRUNG

• Jack, R.H., Mehrabi, A., Stockman, T. & McPherson, A. (2018). "Action-sound Latency and the Perceived Quality of Digital Musical Instruments." Music Perception 36(1): 109-128.

• McPherson, A., Jack, R. & Moro, G. (2016). "Action-Sound Latency: Are Our Tools Fast Enough?" Proc. NIME 2016.

• Schmid, A., Ambros, D., Bogon, J. & Wimmer, R. (2024). "Measuring the Just Noticeable Difference for Audio Latency." Proc. Audio Mostly 2024 (ACM): 325-331. Mittlere JND von 49 ms bei 0 ms Grundlatenz und 27 ms bei 64 ms.

• Rasch, R.A. (1979). "Synchronization in performed ensemble music." Acustica 43: 121-131.

STATISTIK NATÜRLICHEN TIMINGS

• Hennig, H. (2014). "Synchronization in human musical rhythms and mutually interacting complex systems." Proceedings of the National Academy of Sciences 111(36): 12974-12979. Langreichweitige Korrelationen im Timing professioneller Schlagzeugdarbietungen.

• Gilden, D.L., Thornton, T. & Mallon, M.W. (1995). "1/f noise in human cognition." Science 267: 1837-1839.

Das Gehör hat die feinste zeitliche Auflösung unter den menschlichen Sinnen. Hörer können einen Zeitunterschied von 9 µs zwischen beiden Ohren erkennen (Klumpp und Eady, 1956). Ein 60-Hz-Monitor zeichnet alle 16,7 ms ein Bild, das 1.852-Fache dieses Intervalls.

Jede akustische Quelle variiert in der Zeit. Eine Stimme, eine gestrichene Saite und der Atem über einer Flöte wiederholen nie einen Zyklus exakt. Auch analoge Laufwerke variieren: Die mechanische Instabilität eines Plattenspielers oder einer Bandmaschine fügt allem, was sie abspielen, eine langsame Drift hinzu. Vinyl-Pressungen und analoge Signalketten tragen diese Drift bis in den Hörraum.

Digitale Synthese und digitale Wiedergabe fügen keine eigene Timing-Variation hinzu. DAWs, digitale Synthesizer, Drum Machines, Sampler und Streaming-Wiedergabe laufen nach einem starren Takt, und Audiophile kaufen externe 10-MHz-Clocks, um ihn noch enger zu fassen. Eine synthetisierte oder sequenzierte Quelle hat keine Timing-Variation, solange kein Prozess sie hinzufügt.

Synthetisierter Ton, unbehandeltSynthetisierter Ton, unbehandelt: 0,019 %0.019 %Aufgenommene Flöte und ViolineAufgenommene Flöte und Violine: 0,251 %0.251 %Aufgenommene SingstimmeAufgenommene Singstimme: 0,739 %0.739 %Aufgenommene SprechstimmeAufgenommene Sprechstimme: 2,481 %2.481 %

Timing-Variation von Zyklus zu Zyklus, gemessen. Volle Balken sind Aufnahmen akustischer Quellen (2 Instrumentenclips, 4 Sänger, 4 Sprecher); blasse Balken sind synthetisierte Töne (20). Ein synthetisierter Ton liegt an der Untergrenze der Messung.

NOMN fügt eine Schicht von Timing-Variation hinzu, die an der menschlichen Stimme gelernt wurde. Es arbeitet gleichzeitig auf zwei Skalen: einer langsamen Drift des gesamten Signals im Bereich der Bewegung von Band und Plattenspieler, und Variation im Mikrosekundenbereich, auf der Skala der zeitlichen Feinstruktur. Die Variation wird für jeden Moment des durchlaufenden Audios live erzeugt und läuft nicht in Schleife.

Band- und Plattenspieler-Emulationen modellieren die Mechanik zweier Maschinen. NOMNs Timing-Modelle sind an Sprache und an Elektroglottographie-Aufnahmen der Stimmlippen trainiert.

NOMN arbeitet in dem, was Marcel Duchamp das inframince nannte (das Infradünne): die trennende Differenz zwischen zwei Dingen, die identisch erscheinen, etwa zwei Abgüssen aus derselben Form. Hier sind die beiden Dinge das Timing einer Stimme und das Timing eines Takts. Duchamp schrieb seine Notizen zu dem Begriff in den 1930er und 1940er Jahren, veröffentlicht wurden sie 1980.


Funktionsweise

NOMN beruht auf generativen Timing-Modellen, die an der menschlichen Stimme trainiert sind. Das Driftmodell lernte aus mehrsprachiger aufgenommener Sprache. Unsere Untersuchung über 103 Sprachen ergab, dass sich das Timing auf dieser Skala von Sprache zu Sprache wenig unterscheidet: In unserer Varianzanalyse erklärte die Sprecheridentität 25 bis 50 % der Varianz und die Sprache 3 bis 9 %. Wir lesen das als Stütze für eine gemeinsame physikalische Grundlage in der Mechanik der Stimme. Das Feintiming-Modell lernte aus Elektroglottographie-Aufnahmen, bei denen Elektroden am Hals den Kontakt der Stimmlippen direkt messen, sodass das Trainingsmaterial der Glottiszyklus ist, wie er am Kehlkopf gemessen wird. Die glottale Untersuchung weist in dieselbe Richtung: Das Feintiming-Verhalten trat bei allen 11 Sprechern auf, die wir gemessen haben.

Zur Laufzeit erzeugen die Modelle einen kontinuierlichen Strom von Timing-Werten, der in zwei Schichten auf das eingehende Audio angewendet wird. Die Drift-Schicht bewegt das gesamte Signal. Die Feintiming-Schicht fügt Variation auf der Skala von Mikrosekunden hinzu. Juiciness stellt die Tiefe beider Schichten ein. Der Feintiming-Anteil skaliert die Feintiming-Schicht.

Drift-Schicht: das gesamte Signal
Feintiming-Schicht

Die Kurven sind gemessene Verläufe von NOMN an einem synthetisierten 196-Hz-Ton (6,7 Sekunden), auf die Einstellungen skaliert. Die vertikalen Achsen sind am oberen Ende des Reglerbereichs festgelegt und gestaucht (Quadratwurzelskala, siehe Beschriftungen), sodass kleine und große Einstellungen lesbar sind. Beide Schichten skalieren, wie bei sechs Einstellungen von 0,25 bis 10 gemessen, proportional zu Juiciness, und die Engine gibt die Feintiming-Schicht proportional zu ihrem Anteil aus. Die Verläufe von Band und Plattenspieler sind Modelle.

Das Muster ist das eigene des Modells und bleibt gleich, welches Audio auch spielt; es wird kontinuierlich erzeugt und wiederholt sich innerhalb keiner Sitzung, die wir gemessen haben.


Im Vergleich mit bestehender Modulation

Bisherige Timing-Modulation hat drei Formen. Ein LFO steuert einen Chorus oder ein Vibrato. Band- und Plattenspieler-Emulation reproduzieren die Bewegung eines Laufwerks. Ein Humanizer verwendet Zufallszahlen. NOMN lässt sich von jeder dieser Formen durch Messung unterscheiden. Wir haben einen gleichbleibenden synthetisierten Ton von drei Minuten Länge durch jeden Prozess geschickt und sein Timing aus der Phase des Tons gelesen, nach der Methode, mit der Gleichlaufschwankungen (Wow und Flutter) gemessen werden. Einer der Prozesse ist eine Bandemulation, die Sie herunterladen können: das Open-Source-Plugin CHOW Tape Model, betrieben mit seinen Reglern für Wow und Flutter auf halber Tiefe.

Prozessseine Bewegung stammt vonwiederholt sich
(1 = exakt)
hat eine Feintiming-
Schicht
richtig benannte Abschnitte
gegenüber NOMN
LFO (Chorus, Vibrato)ein Oszillator1.00nein52 von 52
BandmodellTonwelle und Wickelteller1.00nein52 von 52
Plattenspielermodellein drehender Plattenteller1.00nein52 von 52
Plugin CHOW Tape Modeleine Bandmaschinen-Emulation1.00nein52 von 52
CHOW Tape Model, Varianz und Drift andie Emulation mit eigener Zufallsvariation0.91nein52 von 52
Gauß-Rauschen (Humanizer)unabhängige zufällige Versätze0.07nein52 von 52
1/f-Rauschen (Humanizer)Zufallszahlen mit 1/f-Spektrum0.08nein52 von 52
NOMNdie Stimme0.00ja

So ist die Tabelle zu lesen: Jede dreiminütige Messung wurde in 26 Abschnitte von 6,7 Sekunden geschnitten; ein Klassifikator sah in jedem Abschnitt nur die Form der Bewegung, ohne ihre Größe, und benannte Abschnitte aus Teilen der Aufnahme, auf denen er nicht trainiert worden war. NOMN steht hier bei Juiciness 1. Dieser dreiminütige Durchlauf ergab 106 µs RMS und 0,053 % Geschwindigkeitsabweichung, neben dem Median von 101 µs und 0,054 % der kürzeren Testtöne, die für die Abbildungen an anderer Stelle auf dieser Seite verwendet wurden; das CHOW-Plugin bei halber Tiefe ergab 0,65 %. Prüfung der Methode: Bei Prozessen, deren Timing wir selbst festgelegt haben, hat die Messung eine Korrelation von 1,0000 und einen Fehler von 0,65 µs. Gauß-Rauschen ist ein unabhängiger zufälliger Versatz pro Ereignis, 8 Ereignisse pro Sekunde, mit geraden Linien dazwischen; 1/f-Rauschen hat ein 1/f-Spektrum von 0,05 bis 30 Hz. Bandmodell und Plattenspielermodell sind unsere eigenen, aufgebaut nach der Standardbeschreibung des jeweiligen Laufwerks (Band: 0,08 % Wow bei 0,6 Hz mit 0,04 % Flutter; Plattenspieler: 33⅓ U/min, 0,15 % Wow einmal pro Umdrehung). Eine physische Bandmaschine oder einen Plattenspieler, die einen Testton abspielen, haben wir noch nicht gemessen. Die Messungen unterscheiden die Bewegung von NOMN von jedem Vergleichsprozess. Die Präferenz von Hörern wurde nicht getestet.

Je drei Minuten. Zeitversatz desselben Tons, jeder Prozess in derselben Größe auf derselben Skala dargestellt.

LFOwiederholt sich 1,00Bandmodellwiederholt sich 1,00Plattenspielermodellwiederholt sich 1,00Plugin CHOW Tapewiederholt sich 1,00CHOW Tape, Drift anwiederholt sich 0,91Gauß-Rauschenwiederholt sich 0,071/f-Rauschenwiederholt sich 0,08NOMNwiederholt sich 0,000 s30 s60 s90 s120 s150 s180 s

Ein Oszillator und ein Laufwerk kehren in jedem Zyklus an ihren Ausgangspunkt zurück: Ihr Wiederholungswert ist 1,00, und das Tape-Plugin mit eingeschalteter eigener Varianz und Drift erreicht immer noch 0,91. Die Bewegung von NOMN kommt nicht wieder (0,00), die des Humanizer-Rauschens ebenso wenig (0,07 und 0,08).

Spektrum der Geschwindigkeitsabweichung. Dieselben acht Prozesse als Spektrum der Geschwindigkeitsabweichung, 0,2 bis 30 Hz, auf einer Skala.

LFOBandmodellPlattenspielermodellPlugin CHOW TapeCHOW Tape, Drift anGauß-Rauschen1/f-RauschenNOMN0,5 Hz1 Hz2 Hz5 Hz10 Hz20 Hz

Die Maschinen und ihre Emulationen legen ihre Bewegung in schmale Linien bei ihren eigenen Raten. Die von NOMN verteilt sich über einen Bereich, in dem keine Linie liegt. Die beiden Humanizer-Rauschen wurden auf die zeitliche Größe von NOMN eingestellt (106 µs RMS); bei dieser Größe bewegt das Gauß-Rauschen die Tonhöhe 2,6-mal so stark wie NOMN (0,138 % Geschwindigkeitsabweichung gegenüber 0,053 %) und das 1/f-Rauschen 9,0-mal so stark (0,476 %), weil mehr von ihrer Bewegung schnell ist.


Hören

Sechs kurze Loops aus unseren eigenen Demo-Tracks. Jeder lässt sich zwischen der unbehandelten Quelle, NOMN mit angegebenen Einstellungen sowie dem Bandmodell und dem Plattenspielermodell umschalten, und beim Umschalten bleibt die Position in der Musik erhalten. Alle Versionen sind im Pegel angeglichen und zeitlich ausgerichtet.

Was die Bewegung ist

Absichtlich übertrieben: Juiciness 10. Bandmodell und Plattenspielermodell sind auf dieselbe Tiefe skaliert, sodass der Unterschied in der Form der Bewegung liegt.

▶Unbehandelt
▶NOMN, Juiciness 100,535 % Geschwindigkeit
▶Bandmodell, gleiche Tiefegleiche Tiefe
▶Plattenspielermodell, gleiche Tiefegleiche Tiefe
Ambient Example x3 Reservoir Instances
Arbeitstiefe

Bandmodell in seiner eigenen Tiefe (0,068 % Geschwindigkeitsabweichung), neben NOMN bei Juiciness 1 (0,054 %) und 2,5 (0,134 %).

▶Unbehandelt
▶NOMN, Juiciness 10,054 % Geschwindigkeit
▶NOMN, Juiciness 2,50,134 % Geschwindigkeit
▶Bandmodell0,068 % Geschwindigkeit
Abstract Film Scoring Example 1
Feintiming-Schicht allein

Diese Versionen enthalten keine Drift, daher kann hier nichts eine Tonhöhenbewegung sein. Die Feintiming-Schicht liegt bei 9 µs (Juiciness 4) und 20 µs (Juiciness 10).

▶Unbehandelt
▶Nur Feintiming-Schicht, Juiciness 49 µs Feintiming
▶Nur Feintiming-Schicht, Juiciness 1020 µs Feintiming
Locrian Mode Extended Evolution Ambient Example
Eine Schicht gegenüber beiden

Gleiche Drift in beiden Versionen. Die zweite fügt die Feintiming-Schicht hinzu.

▶Unbehandelt
▶Nur Drift-Schicht, Juiciness 40,214 % Geschwindigkeit
▶Beide Schichten, Juiciness 40,214 % Geschwindigkeit
Locrian Mode Extended Evolution Ambient Example
Ein sequenziertes Stück

NOMN auf dem gesamten Mix bei Juiciness 2,5, neben dem Bandmodell in gleicher Tiefe.

▶Unbehandelt
▶NOMN, Juiciness 2,50,134 % Geschwindigkeit
▶Bandmodell, gleiche Tiefegleiche Tiefe
Bass and Rhythm Syncopation
Wo es zu viel wird

Klavier ist der Standardtest für Tonhöhendrift.

▶Unbehandelt
▶NOMN, Juiciness 10,054 % Geschwindigkeit
▶NOMN, Juiciness 2,50,134 % Geschwindigkeit
▶NOMN, Juiciness 50,268 % Geschwindigkeit
▶NOMN, Juiciness 100,535 % Geschwindigkeit
Soloklavier in Cis

Anwendungsfälle

Produktion
Synthesizer, Drum Machines, Sampler und sequenzierte Parts: Quellen, die keine eigene Timing-Variation haben.

Mastering & Postproduktion
Ein Prozess im Zeitbereich für die Mastering-Kette, eingesetzt neben EQ, Kompression, räumlicher Verarbeitung und Lautheitssteuerung.

Lizenzierung
Verfügbar für die Integration in Hardware, Software und Streaming-Infrastruktur. Fragen Sie uns: hello@nomn.jp.


Abgrenzung

NOMN ist kein Equalizer, kein Kompressor und kein Raumprozessor. Es verändert weder Pegel noch Lautheit und fügt kein Rauschen und keine Sättigung hinzu. Die Modifikation findet im Zeitbereich statt, und eine Veränderung in der Zeit ist zugleich eine kleine Veränderung der Tonhöhe: 0,93 Cent RMS bei Juiciness 1. Eine bearbeitete Datei ergibt mit ihrem Original keine Nullauslöschung.

Wir behaupten nicht, dass digitalem Audio zeitliche Feinstruktur fehlt oder dass NOMN etwas wiederherstellt, was das Format verloren hat. Eine digitale Aufnahme trägt die Feinstruktur dessen, was aufgenommen wurde. NOMN fügt eine eigene Schicht hinzu.


Formate & Zugang

Desktop-App: in Entwicklung. Ende 2026.

Patentstatus: Patent angemeldet (Japan, 2026). POLYTOPE KK.


Grundlagen des digitalen Audios

Digitales Audio ist schwerer vorstellbar als Pixel auf einem Bildschirm, und die Darstellungen in Foren und Audiophilen-Communitys gehen weit auseinander. Wiedergegebener Klang ist eine Wahrnehmungsillusion, die aus Zahlen aufgebaut ist, und sie funktioniert weit besser, als ihr Mechanismus vermuten lässt.

Beim Aufnehmen oder beim Rendern einer Audiodatei wird ein sich kontinuierlich änderndes Signal in schneller Folge gemessen, und die Messungen werden als Zahlenfolge gespeichert.

Ein Sample ist eine Messung: eine Ganzzahl oder Gleitkommazahl, die die Amplitude der Wellenform zu einem Zeitpunkt angibt. Eine Datei ist eine dichte Folge von Amplitudenwerten über die Zeit.

Die Abtastrate ist die Zahl der Messungen pro Sekunde. CD-Audio speichert 44.100 pro Sekunde (44,1 kHz); 96 kHz speichert 96.000. Ein korrekt bandbegrenztes abgetastetes Signal stellt die ursprüngliche Wellenform bis zur Nyquist-Frequenz vollständig dar, sodass zwischen den Samples nichts fehlt. Das Rekonstruktionsfilter des DAC erzeugt die eine kontinuierliche Wellenform, die die Samples definieren. Raten über 48 kHz verschieben das Übergangsband des Filters weiter über den hörbaren Bereich hinaus.

DSD (Direct Stream Digital) reicht von 2,8224 MHz (DSD64) bis 22,5792 MHz (DSD512). Es speichert 1 Bit pro Sample, und die Rauschformung bei der hohen Taktrate liefert die Auflösung, die dem einzelnen Bit fehlt.

Ein Sample trägt keine Information über Frequenz, Klangfarbe oder Tonhöhe. Diese Eigenschaften liegen im Muster über viele Samples hinweg. Eine Lautsprechermembran braucht für jeden Zeitpunkt eine Position, und eine Folge von Positionen zeichnet jede Wellenform innerhalb des Bandes nach. Die Membran verdrängt Luft, und die Verdrängung breitet sich als Kompressionswelle aus.

Um eine Frequenz F darzustellen, muss ein System mit mehr als 2F abtasten. Das Gehör reicht bei jungen Hörern bis 20 kHz, also decken 44,1 kHz und 48 kHz das hörbare Band mit Reserve ab. Bei 343 m/s (Luft bei 20 °C) ist eine 20-kHz-Welle 17,2 mm lang.

44,1 kHz Abtastung → 22,05 kHz max. Frequenz → 15,6 mm Wellenlänge
48 kHz Abtastung → 24 kHz max. → 14,3 mm
96 kHz Abtastung → 48 kHz max. → 7,1 mm
192 kHz Abtastung → 96 kHz max. → 3,6 mm
384 kHz Abtastung → 192 kHz max. → 1,8 mm
768 kHz Abtastung → 384 kHz max. → 0,89 mm

DSD lässt sich in dieser Tabelle nicht direkt vergleichen. Seine Taktrate bei DSD512 beträgt 22,5792 MHz, die Rate eines 1-Bit-Modulators, und seine nutzbare Audiobandbreite wird durch das Rauschformungsfilter bestimmt.

Die Bittiefe legt die Zahl der möglichen Amplitudenwerte pro Sample fest. 24 Bit ergeben 16.777.216 Werte, was den Dynamikumfang und das Grundrauschen bestimmt. Die Bittiefe bestimmt nur die Auflösung der Amplitude.

Ein Puffer ist ein Block aufeinanderfolgender Samples, den Software, Treiber und Hardware als Einheit weitergeben, typischerweise 64, 128 oder 512 Samples. Bei 96 kHz enthält ein Puffer von 64 Samples 0,667 ms Audio. Kleinere Puffer senken die Latenz (die Zeit vom Eingang bis zum Ausgang) und erhöhen die CPU-Last und das Risiko von Aussetzern durch Betriebssystem, Treiber oder Firmware. Größere Puffer verringern die CPU-Last und fügen Verzögerung hinzu, was bei Live-Auftritten und beim Monitoring von Bedeutung ist.

Bei mehr als einem Kanal gibt es zu jedem Zeitpunkt ein Sample pro Kanal, und diese Gruppe ist ein Frame. Stereo bei 96 kHz erzeugt 96.000 Frames aus je zwei Samples pro Sekunde. Puffergrößen werden in Frames gezählt, sodass eine Puffergröße bei jeder Kanalzahl einer festen Dauer entspricht.

Die Audio-Engine füllt jeden Puffer, verarbeitet ihn und übergibt ihn an den DAC. Bei 96 kHz mit Puffern von 64 Frames geschieht diese Übergabe 1.500-mal pro Sekunde. Der DAC wandelt die Zahlen in eine kontinuierliche Spannung um, die die Lautsprechermembran an die Positionen bewegt, die die Samples beschreiben. Der Ausgang ist bei jeder Puffergröße kontinuierlich, weil die Rekonstruktion eine kontinuierliche Wellenform erzeugt.


Subtilität

Bei niedriger Juiciness ist der Effekt subtil. Er verändert, wie sich Audio in der Zeit bewegt, und wird nicht als diskrete Veränderung wahrgenommen, wie es eine EQ-Anhebung wird. Ob er für einen bestimmten Hörer, eine Aufnahme oder eine Wiedergabekette von Bedeutung ist, ist eine empirische Frage, und die Hörtests, die sie beantworten würden, haben wir noch nicht durchgeführt.