অডিও ল্যাটেন্সি — টেস্ট যা বলে না
বেশিরভাগ অডিও টেস্ট শুধু চেক করে শব্দ বাজে কিনা এবং মাইক ক্যাপচার করে কিনা। কোনটাই রাউন্ড-ট্রিপ ল্যাটেন্সি পরিমাপ করে না — অডিও ইভেন্ট মাইকে প্রবেশ করা থেকে প্রসেসড সিগন্যাল স্পিকারে বের হওয়া পর্যন্ত সময়। এই একটি সংখ্যা নির্ধারণ করে সঙ্গীতশিল্পীরা ক্লিক ট্র্যাকে রেকর্ড করতে পারবে কিনা, ভিডিও কল স্বাভাবিক মনে হবে কিনা, এবং গেমে স্প্যাটিয়াল অডিও সঠিক শোনাবে কিনা। একটি সিস্টেম প্রতিটি প্লেব্যাক চেক পাস করতে পারে কিন্তু বিপর্যয়কর ল্যাটেন্সি প্রদর্শন করতে পারে, কারণ কার্যকারিতা এবং টাইমিং আলাদা অক্ষ। এই গাইড রাউন্ড-ট্রিপ ল্যাটেন্সি কীভাবে পরিমাপ করতে হয়, সংখ্যাগুলি কী বোঝায়, এবং কীভাবে তা কমানো যায় তা ব্যাখ্যা করে।
প্রতিটি হার্ডওয়্যার চেক একইভাবে শুরু হয়। নতুন স্পিকার প্লাগ করুন, টেস্ট টোন বাজান, শব্দ বের হয় কিনা নিশ্চিত করুন, এগিয়ে যান। মাইক প্লাগ করুন, কথা বলুন, লেভেল মিটার লাফাতে দেখুন, এগিয়ে যান। এই দুটি টেস্ট নিশ্চিত করে যে আপনার আউটপুট পথ কাজ করে এবং আপনার ইনপুট পথ কাজ করে। কোনটিই সেই প্রশ্ন পরিমাপ করে না যা আসলে ঠিক করে আপনার অডিও সেটআপ আসল কাজ সামলাতে পারে কিনা: একটি শব্দ মাইক থেকে, কম্পিউটারের মধ্য দিয়ে, এবং স্পিকারে বের হতে কত সময় নেয়?
সেই সংখ্যাটি হল রাউন্ড-ট্রিপ ল্যাটেন্সি, এবং এটি নীরবে নির্ধারণ করে আপনার সিস্টেম কোন কাজগুলি সততার সাথে সামলাতে পারে:
- সঙ্গীত রেকর্ড করা। ক্লিক বা ব্যাকিং ট্র্যাকে বাজানোর সময় আপনার নিজের শব্দ প্রায় সাথে সাথে ফিরে আসা প্রয়োজন। প্রায় চল্লিশ মিলিসেকেন্ডের উপরে রাউন্ড-ট্রিপে, আপনার টাইমিং কেটে যায়, প্রতিটি টেক ধীর শোনায়, এবং কোনো অনুশীলন এটি ঠিক করে না। অন্যান্য ডিভাইসের সাথে একটি USB কন্ট্রোলার শেয়ার করা অডিও ইন্টারফেসগুলি USB ব্যান্ডউইথ প্রতিযোগিতা থেকেও ভুকতে পারে, যা বাফার বিলম্বের উপরে বিলম্বের স্পাইক যোগ করে।
- কথোপকথন ধরে রাখা। ভিডিও কল তখনই স্বাভাবিক মনে হয় যখন অডিও পাইপলাইন টাইট থাকে। অতিরিক্ত ডিলে ইকো, ওভারল্যাপিং স্পিচ, এবং স্যাটেলাইট ফোন কলের খোঁড়া ছন্দ তৈরি করে।
- স্প্যাটিয়াল অডিও সহ গেম। পজিশনাল সাউন্ড তখনই কাজ করে যখন অডিও যা আপনি দেখেন তার সাথে তাল মিলিয়ে আসে। যখন অডিও পথ ডিসপ্লের পিছনে ল্যাগ করে, পায়ের শব্দ এবং বন্দুকের গুলি পর্দার অ্যাকশন থেকে বিচ্ছিন্ন হয়ে যায়।
আপনার স্পিকার টেস্ট এবং মাইক টেস্ট উত্তর দেয় “এটা কি কাজ করে?” লুপব্যাক ল্যাটেন্সি টেস্ট উত্তর দেয় “কত দ্রুত?” এই পৃষ্ঠা ব্যাখ্যা করে রাউন্ড-ট্রিপ ল্যাটেন্সি কী, কোথা থেকে আসে, এবং কীভাবে তা কমানো যায়। এখানকার পরিসংখ্যানগুলি অনেক হার্ডওয়্যার এবং সফটওয়্যার কনফিগারেশন জুড়ে সাধারণ অভিজ্ঞতা থেকে এসেছে — Focusrite Scarlett 2i2-এ একটি আসল ASIO সেটআপ Windows 11-এ অনবোর্ড Realtek কোডেকের চেয়ে ভিন্ন সংখ্যা দেবে। আপনার ফলাফল আপনার নির্দিষ্ট ইন্টারফেস, ড্রাইভার, এবং বাফার সেটিংসের সাথে পরিবর্তিত হবে।
টোন টেস্ট ল্যাটেন্সি পরিমাপ করে না
স্পিকার টেস্ট একটি টোন, একটি সুইপ, বা একটি সঙ্গীত নমুনা আপনার আউটপুট পথে বাজায় এবং নিশ্চিত করে যে শব্দ বের হয়। এটি একটি কার্যকারিতা চেক যার ফলাফল pass বা fail: কেবল সংযুক্ত, ড্রাইভার লোডেড, ভলিউম মিউট নয়, ডিজিটাল-টু-অ্যানালগ কনভার্টার সচল। যদি আপনি টোন শুনতে পান, আউটপুট পথ কাজ করে। এটিই টেস্টটি যা বলতে পারে।
মাইক টেস্ট ইনপুট দিকের জন্য একই করে। এটি আপনি যা বলেন তা ক্যাপচার করে, একটি লেভেল মিটার দেখায়, এবং নিশ্চিত করে যে মাইক, প্রিঅ্যাম্প, এবং অ্যানালগ-টু-ডিজিটাল কনভার্টার কার্যকর। আবার, ফলাফল হল pass বা fail।
ল্যাটেন্সি পরিমাপ সম্পূর্ণ ভিন্ন ধরনের টেস্ট। এটি জিজ্ঞাসা করে না সিগন্যাল পথ অতিক্রম করতে পারে কিনা, বরং অতিক্রম করতে কত সময় লাগে। প্রক্রিয়াটি সহজ: একটি পরিচিত সিগন্যাল — একটি ইম্পালস, একটি ক্লিক, একটি ছোট বার্স্ট — আউটপুটের মাধ্যমে পাঠান, ইনপুটে ক্যাপচার করুন, এবং ট্রান্সমিশন ও রিসিপশনের মধ্যে সময় পার্থক্য গণনা করুন। সেই পার্থক্যই রাউন্ড-ট্রিপ ল্যাটেন্সি, মিলিসেকেন্ডে প্রকাশিত।
পার্থক্যটি গুরুত্বপূর্ণ কারণ দুটি পরিমাপ স্বাধীন। একটি সিস্টেম প্রতিটি প্লেব্যাক টেস্ট পাস করতে পারে কিন্তু বিপর্যয়কর ল্যাটেন্সি প্রদর্শন করতে পারে। ব্লুটুথ স্পিকার হল ক্লাসিক উদাহরণ: তারা একটি টোন বিশ্বস্তভাবে পুনরুৎপাদন করে, তাই স্পিকার টেস্ট সফল রিপোর্ট করে, যেখানে ওয়্যারলেস কোডেক একশ থেকে একশো আশি মিলিসেকেন্ড ডিলে যোগ করে যা কোনো প্লেব্যাক টেস্ট কখনও লক্ষ্য করে না। একটি টোন যা একশো পঞ্চাশ মিলিসেকেন্ড দেরিতে আসে তবুও, কঠোরভাবে বলতে, বাজছে।
এই কারণেই সাধারণ অনুমান — “আমার স্পিকার ভাল শোনায়, তাই আমার অডিও সিস্টেম ঠিক আছে” — যেকোনো টাইমিং-সংবেদনশীল কাজের জন্য ভেঙে পড়ে। ফাংশন এবং টাইমিং হল আলাদা অক্ষ। আপনার সেটআপকে রেকর্ডিং, কল, বা গেমিংয়ের জন্য বিশ্বাস করার আগে, আপনার সেই সংখ্যা দরকার যা প্লেব্যাক টেস্ট কাঠামোগতভাবে উৎপাদন করতে অক্ষম।
বাফার পূর্ণ হওয়া দেখুন
রাউন্ড-ট্রিপ ল্যাটেন্সি একটি মাত্র ডিলে নয়। এটি মাইক ক্যাপসুল থেকে স্পিকার কোন পর্যন্ত প্রতিটি স্তরে জমা হওয়া ডিলের সমষ্টি। পথটি বোঝা আপনাকে বলে আপনার মিলিসেকেন্ডগুলি কোথায় লুকিয়ে আছে:
- ইনপুট বাফার। অ্যানালগ-টু-ডিজিটাল কনভার্টার ক্রমাগত স্যাম্পল করে, কিন্তু অপারেটিং সিস্টেম অডিও ব্লকে ডেলিভার করে। ড্রাইভার একটি ফুল বাফারের জন্য অপেক্ষা করে আগে অ্যাপ্লিকেশনকে ডেটা দেয়। ৪৮ kHz-এ, একটি ১২৮-স্যাম্পল বাফার পূর্ণ হতে ২.৭ মিলিসেকেন্ড নেয় — এটি আপনার অডিও কতক্ষণ অপেক্ষা করে আগে কেউ এটি প্রসেস করে। বেশিরভাগ সিস্টেম দুই বা তিনটি বাফার ইন ফ্লাইট রাখে। আপনার অ্যাপ্লিকেশন প্রথম স্যাম্পল দেখার আগে প্রায় পাঁচ থেকে আট মিলিসেকেন্ড আশা করুন।
- অ্যানালগ-টু-ডিজিটাল রূপান্তর। কনভার্টারকে স্যাম্পল, কোয়ান্টাইজ, এবং ক্লক করতে সময় লাগে। কনজ্যুমার হার্ডওয়্যারে এটি সাধারণত এক থেকে তিন মিলিসেকেন্ড অবদান রাখে; ডেডিকেটেড ইন্টারফেস আরও ভাল করে।
- অপারেটিং সিস্টেম শিডিউলিং। অডিও ইঞ্জিন একটি টাইমারে আপনার অ্যাপ্লিকেশনকে জাগায়, এবং জাগরণ স্বাভাবিক থ্রেড শিডিউলিংয়ের অধীন। শেয়ার্ড মোডে অপারেটিং সিস্টেম আপনার স্ট্রিমকে সিস্টেমের প্রতিটি অন্য অডিও সোর্সের সাথে মিক্স করে, নিজস্ব প্রসেসিং পাস যোগ করে। এই স্তরটি কয়েক মিলিসেকেন্ড থেকে বিশ বা তার বেশি অবদান রাখে, প্ল্যাটফর্ম এবং লোডের উপর নির্ভর করে। এই স্তরেই Linux এর PipeWire Windows-এর চেয়ে এগিয়ে যেতে পারে — এবং এখানেই একটি ব্যস্ত ডেস্কটপ এনভায়রনমেন্ট চুপচাপ আপনার ল্যাটেন্সি বাড়িয়ে দিতে পারে।
- অ্যাপ্লিকেশন প্রসেসিং। রিসিভিং এন্ডের সফটওয়্যার — একটি ডিজিটাল অডিও ওয়ার্কস্টেশন, একটি ইফেক্টস চেইন, একটি ব্রাউজার অডিও গ্রাফ — ব্লকটি প্রসেস করে আগে পাস করে। ছোট, কিন্তু মোটের অংশ।
- ডিজিটাল-টু-অ্যানালগ রূপান্তর। স্তর দুইয়ের মিরর, আরও এক থেকে তিন মিলিসেকেন্ড যোগ করে যখন প্রসেসড সিগন্যাল অ্যানালগ ভোল্টেজে পরিণত হয়।
- আউটপুট বাফার। প্রসেসড স্যাম্পলগুলি আউটপুট বাফারে অপেক্ষা করে যতক্ষণ না কনভার্টার সেগুলি প্লে করতে প্রস্তুত, ইনপুট সাইডের বাফার-সাইজ ম্যাথ পুনরাবৃত্তি করে। সাধারণ কনফিগারেশনে আরও পাঁচ থেকে আট মিলিসেকেন্ড যোগ করুন।
স্তরগুলি একসাথে যোগ করলে শেয়ার্ড-মোড রাউন্ড-ট্রিপ ল্যাটেন্সি সাধারণত একটি সাধারণ কম্পিউটারে ত্রিশ থেকে ষাট মিলিসেকেন্ডের মধ্যে পড়ে — নিচের পরিমাপিত পরিসংখ্যানগুলি নির্দিষ্ট হার্ডওয়্যার থেকে উদাহরণ, সার্বজনীন স্পেসিফিকেশন নয়। একটি স্টক Windows 11 ল্যাপটপে অনবোর্ড Realtek ALC897 কোডেকে ১২৮-স্যাম্পল বাফারে অনুপদানিক পরীক্ষায়, শেয়ার্ড-মোড পরিমাপ সেই রেঞ্জের উচ্চ প্রান্তের কাছে দেখা গেছে। একই হার্ডওয়্যারে ASIO4ALL এর মাধ্যমে একটি Behringer U-Phoria UM2 দিয়ে, পরিমাপ পনের মিলিসেকেন্ডের কাছে নেমেছে। এগুলি নিয়ন্ত্রিত পরিবেশ ছাড়া একক-মেশিন পর্যবেক্ষণ; এগুলি শেয়ার্ড-মোড এবং ASIO পথের মধ্যে সাধারণ ব্যবধানের জন্য রেফারেন্স পয়েন্ট হিসেবে কাজ করে, আপনার হার্ডওয়্যারের জন্য গ্যারান্টিড মান হিসেবে নয়। কোনো ড্রাইভার রূপান্তর সময় সরিয়ে দেয় না — কিন্তু বাফারিং এবং শিডিউলিং ওভারহেড, যা মোট পরিমাণে আধিপত্য বিস্তার করে, নাটকীয়ভাবে কমে।
একটি সংখ্যা, দুটি সংজ্ঞা
অডিও সফটওয়্যার খুব কমই একটি সংখ্যা উদ্ধৃত করে। একটি প্রফেশনাল অ্যাপ্লিকেশনের সেটিংস খুলুন এবং আপনি সাধারণত দুটি দেখবেন: ইনপুট ল্যাটেন্সি, মাইক থেকে অ্যাপ্লিকেশন পর্যন্ত সময়, এবং আউটপুট ল্যাটেন্সি, অ্যাপ্লিকেশন থেকে স্পিকার পর্যন্ত সময়। ASIO এর মতো ড্রাইভার উভয় মান আলাদাভাবে রিপোর্ট করে, এবং মার্কেটিং সামগ্রী প্রায়শই যেটি দেখতে ভালো সেটি উদ্ধৃত করে।
রাউন্ড-ট্রিপ ল্যাটেন্সি হল তাদের সমষ্টি, প্লাস অ্যাপ্লিকেশনের নিজস্ব প্রসেসিং সময়। যদি একটি সিস্টেম একধা বিশ মিলিসেকেন্ড উদ্ধৃত করে, রাউন্ড ট্রিপ প্রায় চল্লিশ মিলিসেকেন্ড। একজন ব্যবহারকারী যিনি “20 ms ল্যাটেন্সি” পড়েন এবং ধরে নেন সেটিই তিনি শুনতে পাবেন, তিনি দুই গুণ পার্থক্যে ভুল করছেন — এবং ভুলটি সাধারণ কারণ একধা মানগুলি স্পেসিফিকেশন শিটে ছাপানো থাকে।
পার্থক্যটি গুরুত্বপূর্ণ কারণ আপনি যা পারসিভ করেন তা সবসময় রাউন্ড ট্রিপ। যখন একজন সঙ্গীতশিল্পী নিজের কণ্ঠ বা যন্ত্র মনিটর করেন, শব্দটি মাইক ছেড়ে, সিস্টেমের মধ্য দিয়ে, এবং হেডফোনে ফিরে আসতে হয় আগে তিনি শুনতে পান। সেটিই সম্পূর্ণ পথ। একধা সংখ্যা শুধু অর্ধেক যাত্রা বর্ণনা করে।
আলোচনা ধারাবাহিক রাখতে, এখানকার সব সংখ্যা রাউন্ড-ট্রিপ ল্যাটেন্সি বোঝায়। যখন আপনি আপনার পরিমাপ একটি প্রোডাক্ট স্পেসিফিকেশন বা বেঞ্চমার্কের বিপরীতে তুলনা করেন, সবসময় যাচাই করুন যে উভয় সংখ্যা একই ধরনের যাত্রা বর্ণনা করে। একটি রাউন্ড-ট্রিপ পরিমাপ একটি একধা স্পেসিফিকেশনের বিপরীতে তুলনা করলে আপনার সিস্টেম আসলের চেয়ে দ্বিগুণ ধীর দেখায়।
OS আপনার আগে সিদ্ধান্ত নেয়
একই মাইক, একই স্পিকার, এবং একই কেবল ভিন্ন অপারেটিং সিস্টেমে ভিন্ন ল্যাটেন্সি উৎপন্ন করে, কারণ প্রতিটি প্ল্যাটফর্ম অডিওকে ভিন্ন সফটওয়্যার স্ট্যাকের মাধ্যমে রুট করে। স্ট্যাক সিদ্ধান্ত নেয় অপরিহার্য রূপান্তর সময়ে কত বাফারিং এবং শিডিউলিং ওভারহেড যোগ হবে।
Windows: শেয়ার্ড মোড, এক্সক্লুসিভ মোড, এবং ASIO
Windows হার্ডওয়্যারে পৌঁছানোর তিনটি উপায় অফার করে, প্রতিটিতে ভিন্ন ল্যাটেন্সি প্রোফাইল:
- WASAPI শেয়ার্ড মোড হল ডিফল্ট পথ যা প্রতিটি অ্যাপ্লিকেশন ব্যবহার করে যদি না অন্য কিছু চায় (Microsoft Learn: WASAPI Shared Mode, 2023)। সব অডিও একসাথে মিক্স করা হয় এবং কনজারভেটিভ বাফারিং সহ ডেলিভার করা হয়। সাধারণত পরিলক্ষিত রাউন্ড-ট্রিপ ল্যাটেন্সি সাধারণ সিস্টেমে বাফার সাইজ এবং লোডের উপর নির্ভর করে বত্রিশ থেকে চৌষট্টি মিলিসেকেন্ডের মধ্যে — এগুলি সাধারণ অভিজ্ঞতার রেঞ্জ, গ্যারান্টিড মান নয়। Web Audio, WebRTC, এবং মিডিয়া প্লেব্যাক প্রতিটি সামান্য ভিন্ন পথে চলে, কিন্তু সব এই শেয়ার্ড মিক্সারে শুরু হয়।
- WASAPI এক্সক্লুসিভ মোড বা ASIO মিক্সার বাইপাস করে এবং একটি অ্যাপ্লিকেশনকে সরাসরি ডিভাইস অ্যাক্সেস দেয়, সাধারণত সাধারণ হার্ডওয়্যারে ল্যাটেন্সি প্রায় দশ মিলিসেকেন্ডে নামিয়ে আনে (Microsoft Learn: WASAPI Exclusive Mode, 2023)। এটি নেটিভ অ্যাপ্লিকেশনের জন্য উপলব্ধ যা এটি চায়; ব্রাউজার পারে না।
- ASIO হল একটি ড্রাইভার প্রোটোকল যা Windows অডিও স্ট্যাক সম্পূর্ণভাবে বাইপাস করে এবং সরাসরি ইন্টারফেস হার্ডওয়্যারের সাথে যোগাযোগ করে (Steinberg: ASIO Host and Driver Guide v2.3, 2021)। একটি সক্ষম ইন্টারফেসে, ASIO সাধারণত আট থেকে পনের মিলিসেকেন্ড অর্জন করে, যদিও সঠিক সংখ্যা নির্দিষ্ট ইন্টারফেস, ড্রাইভার সংস্করণ, এবং বাফার কনফিগারেশনের উপর নির্ভর করে। ব্রাউজার এটি ব্যবহার করতে পারে না।
macOS: Core Audio
Apple-এর Core Audio ফ্রেমওয়ার্ক ভালভাবে অপ্টিমাইজ করা, এবং নেটিভ অ্যাপ্লিকেশনগুলি যথাযত বাফার সেটিংসে নিয়মিত আট থেকে বিশ মিলিসেকেন্ড রাউন্ড-ট্রিপ অর্জন করে। শেয়ার্ড পথ কার্যকরী, তাই macOS-এ ব্রাউজার-পরিমাপিত ল্যাটেন্সি সাধারণত Windows-এর চেয়ে ভাল। এটি নেটিভ ন্যূনতমের উপরেই থাকে, কারণ ব্রাউজার এক্সক্লুসিভ ডিভাইস অ্যাক্সেস দাবি করতে পারে না বা বাফার নিজের প্রয়োজনে টিউন করতে পারে না।
Linux: ALSA, PulseAudio, এবং PipeWire
Linux ল্যাটেন্সি একটি চলমান লক্ষ্য। ALSA, লো-লেভেল ড্রাইভার ইন্টারফেস, দ্রুত কিন্তু অ্যাপ্লিকেশন-নির্দিষ্ট। PulseAudio ঐতিহাসিকভাবে উল্লেখযোগ্য বাফারিং ওভারহেড যোগ করে। PipeWire, আধুনিক প্রতিস্থাপন, কম-ল্যাটেন্সি অডিওর জন্য ডিজাইন করা এবং সঠিকভাবে কনফিগার করলে অন্যান্য প্ল্যাটফর্মের সাথে মেলে বা ছাড়িয়ে যেতে পারে, তবে ডিস্ট্রিবিউশন এবং সেটআপের সাথে ফলাফল ব্যাপকভাবে পরিবর্তিত হয়।
বেশিরভাগ কনফিগারেশনে, ব্রাউজার শেয়ার্ড পথে সীমাবদ্ধ। এটি এক্সক্লুসিভ মোড অনুরোধ করতে পারে না, ASIO ড্রাইভার লোড করতে পারে না, এবং নিজের অডিও থ্রেডের অগ্রাধিকার বাড়াতে পারে না। ব্রাউজার অডিও ল্যাটেন্সি তাই সাধারণত আপনার প্ল্যাটফর্মের শেয়ার্ড-মোড সিলিংয়ের কাছাকাছি — স্ট্যান্ডার্ড কনফিগারেশনে কোঅপারেটিভ পথ যা সরবরাহ করতে পারে তার সেরা — যেখানে নেটিভ প্রফেশনাল সফটওয়্যার হার্ডওয়্যার এবং ড্রাইভার অনুমতি দিলে সেই সিলিং থেকে বেরিয়ে আসার জন্য তৈরি।
৬০ মিলিসেকেন্ড আসলে কী মানে
একটি কাঁচা মিলিসেকেন্ড সংখ্যা কিছুই বোঝায় না যতক্ষণ না আপনি এটিকে আপনি যা করতে চান তার বিপরীতে ম্যাপ করেন। নিচের সীমানাগুলি সাধারণ গাইডেন্স, প্রফেশনাল সার্টিফিকেশন স্ট্যান্ডার্ড নয়; প্রকৃত উপযুক্ততা আপনার নির্দিষ্ট কাজ, মনিটরিং সেটআপ, এবং শোনার পরিবেশের উপর নির্ভর করে। চারটি জোন ব্যবহারিক পরিসর কভার করে:
- ২০ ms এর নিচে — চমৎকার। প্রফেশনাল সঙ্গীত প্রোডাকশন এখানে আরামদায়ক। সঙ্গীতশিল্পীরা ক্লিকে ট্র্যাক করতে পারেন, ইফেক্টসসহ নিজেদের মনিটর করতে পারেন, এবং সময়মতো বাজাতে পারেন কারণ রিটার্ন পথ কার্যত তাৎক্ষণিক। গেমে স্প্যাটিয়াল অডিও ভিজ্যুয়ালের সাথে লক থাকে।
- ২০–৬০ ms — বেশিরভাগ ব্যবহারের জন্য গ্রহণযোগ্য। পডকাস্টিং, ভিডিও কল, সাধারণ গেমিং, এবং ক্যাজুয়াল রেকর্ডিং সব ভালো কাজ করে। টাইট মিউজিক ট্র্যাকিং এই রেঞ্জের উপরের কাছে কষ্ট করতে শুরু করে: খেলোয়াড়রা নিজেদের শব্দের ফেরত আসা সামান্য টানা অনুভব করেন, এবং প্রায় চল্লিশ মিলিসেকেন্ডের উপরে নিখুঁত কাজ লক্ষণীয়ভাবে কঠিন হয়ে যায়।
- ৬০–১২০ ms — প্রোডাকশনের জন্য সমস্যাজনক, ক্যাজুয়াল ব্যবহারের জন্য গ্রহণযোগ্য। কারাওকে, ভয়েস চ্যাট, এবং শোনা ঠিক আছে। ব্যাকিং ট্র্যাকে রেকর্ড করা সত্যিকারের কঠিন হয়ে যায়, এবং গেমে অডিও অ্যাকশন থেকে বিচ্ছিন্ন হতে শুরু করে, স্প্যাটিয়াল অডিও যে পজিশনাল কিউয়ের উপর নির্ভর করে তা নষ্ট করে।
- ১২০ ms এর উপরে — খারাপ। টাইমিং-সংবেদনশীল কাজ কার্যত অসম্ভব। কলে শ্রুতিগোচর ইকো তৈরি হয়, পারফরম্যান্স বিচ্ছিন্ন মনে হয়, এবং স্প্যাটিয়াল অডিও ক্যাজুয়াল ব্যবহারেও ভুল শোনায়। এই জোন হল ব্লুটুথ অডিও এবং মিসকনফিগার্ড শেয়ার্ড-মোড সিস্টেমের স্বাভাবিক আবাসস্থল।
জোন সীমানাগুলি বিচারের বিষয়, কিন্তু আকারটি নির্ভরযোগ্য: প্রোডাকশনের জন্য সর্বনিম্ন সংখ্যা প্রয়োজন, কথোপকথন আরও বেশি সহ্য করে, এবং ক্যাজুয়াল শোনা সবচেয়ে বেশি সহ্য করে। আপনার রাউন্ড-ট্রিপ পরিমাপ আপনার সিস্টেমকে ঠিক একটি জোনে স্থাপন করে, এবং সেই স্থাপন আপনাকে বলে আপনার পরিকল্পিত ব্যবহারগুলির মধ্যে কোনটি মনোরম মনে হবে এবং কোনটি আপনার সাথে লড়াই করবে। সংখ্যাটি হাতে রাখুন — এটি পরবর্তী সেকশনের প্রতিটি অপ্টিমাইজেশনের জন্য রেফারেন্স পয়েন্ট।
তিনটি লিভার: স্যাম্পল রেট, বাফার, ড্রাইভার
তিনটি কন্ট্রোল নির্ধারণ করে আপনার ল্যাটেন্সি পথে কোথায় অবতরণ করে, এবং সেগুলি প্রভাবে সমান নয়।
স্যাম্পল রেট পাইপলাইনের থ্রুপুট সেট করে — প্রতি সেকেন্ডে কতবার অডিও মাপা হয় — সরাসরি ডিলে নয়। এটি বাফার টাইমিংয়ের সাথে ইন্টারঅ্যাক্ট করে, কারণ বাফার স্যাম্পলে মাপা হয়: ১২৮ স্যাম্পল ৪৪.১ kHz-এ ২.৯ মিলিসেকেন্ড নেয় কিন্তু ৯৬ kHz-এ মাত্র ১.৩ মিলিসেকেন্ড, তাই একই বাফার সাইজ ভিন্ন স্যাম্পল রেটে ভিন্ন সময়কালে ম্যাপ করে। সমস্যা হল যে উচ্চতর রেট প্রতি সেকেন্ডে বেশি প্রসেসিং দাবি করে, যা প্রায়শই স্টেবল থাকতে বাফার বাড়াতে বাধ্য করে, লাভ বাতিল করে। ৯৬ বা ১৯২ kHz খোঁজা প্রায়শই স্ট্রিম স্টেবল রাখতে বড় বাফারে বাধ্য করে, যা তাত্ত্বিক লাভ বাতিল করতে পারে বা জিনিসকে আরও ধীর করতে পারে। স্যাম্পল রেটকে ওয়ার্কফ্লো সেটিং হিসেবে বিবেচনা করুন, সাধারণত ৪৮ kHz, প্রাথমিক ল্যাটেন্সি কন্ট্রোল হিসেবে নয়। ৪৮ kHz ভিডিও-সিঙ্কড অডিওর জন্য ডি ফ্যাক্টো স্ট্যান্ডার্ড হয়ে উঠেছে কারণ এটি ২৪, ২৫, এবং ৩০ fps ভিডিও ফ্রেম রেটের সাথে পরিষ্কারভাবে ম্যাপ করে, যা প্রফেশনাল অডিও-ভিডিও পাইপলাইন কেন সেখানে ডিফল্ট করে তার কারণ।
বাফার সাইজ হল প্রাথমিক ল্যাটেন্সি লিভার। এটি নির্ধারণ করে সিস্টেম প্রসেস করার আগে কত অডিও জমা হয়, এবং এটি রাউন্ড ট্রিপে দুবার দেখা যায় — একবার ইনপুট সাইডে এবং একবার আউটপুট সাইডে। বাফার অর্ধেক করলে ডিলের সেই অংশ অর্ধেক হয়, কিন্তু এটি সিস্টেমের কাছে প্রতিটি ব্লক ডেলিভার করার সময়ও অর্ধেক করে, বাফার আন্ডাররানের ঝুঁকি বাড়ায়: ক্লিক, পপ, এবং ড্রপআউট। ৪৮ kHz-এ ব্যবহারিক ম্যাট্রিক্স দেখতে এরকম:
- ৬৪ স্যাম্পল — ASIO বা এক্সক্লুসিভ মোডে সক্ষম হার্ডওয়্যারে প্রায় ৮–১২ ms রাউন্ড ট্রিপ। বাজেট ইন্টারফেস প্রায়শই এই সাইজে ক্লিক তৈরি করে।
- ১২৮ স্যাম্পল — প্রায় ১২–২০ ms। প্রোডাকশনের জন্য একটি সাধারণ ASIO সুইট স্পট।
- ২৫৬ স্যাম্পল — প্রায় ২০–৩৫ ms। শেয়ার্ড মোডে প্রায়শই সবচেয়ে ছোট স্টেবল সাইজ।
- ৫১২ স্যাম্পল — প্রায় ৩৫–৬০ ms। নিরাপদ কিন্তু লক্ষণীয়ভাবে ধীর।
- ১০২৪ স্যাম্পল — প্রায় ৬০–১০০ ms। শুধু স্ট্রিমিং বা প্লেব্যাকের জন্য যেখানে ল্যাটেন্সি অপ্রাসঙ্গিক।
ড্রাইভার ফ্লোর সেট করে। ASIO এবং এক্সক্লুসিভ মোড ৩২ থেকে ১২৮ স্যাম্পল বাফার অনুমোদন করে; শেয়ার্ড মোডে ফ্লোর উচ্চতর; ব্লুটুথ কোডেক বাফার বিবেচনার আগেই একশ মিলিসেকেন্ড বা তার বেশি যোগ করে। কোনো বাফার টুইক ড্রাইভারের ন্যূনতম অতিক্রম করতে পারে না, যার কারণে ড্রাইভার হল প্রথম লিভার, শেষ নয়।
ব্রাউজার একটি DAW নয়
একটি ব্রাউজার Web Audio API (MDN: Web Audio API, 2024) ব্যবহার করে রাউন্ড-ট্রিপ ল্যাটেন্সি অনুমান করতে পারে, যা আউটপুটের মাধ্যমে একটি ইম্পালস শিডিউল করে এবং মাইক্রোফোন ইনপুটে ফিরে আসা সিগন্যাল ক্যাপচার করে। একটি সাধারণ Web Audio লুপব্যাক পরিমাপ শেয়ার্ড মোডে একটি ল্যাপটপে সাধারণত ৫৫–৭০ ms রিপোর্ট করে — ASIO সংখ্যার চেয়ে কয়েক গুণ বেশি — একটি ব্যবধান যা ব্রাউজারের শেয়ার্ড-পথ ট্যাক্স চিত্রিত করে। পরিমাপিত সময়ে বায়ুর মধ্য দিয়ে অ্যাকোস্টিক পথ, স্পিকার এবং মাইক্রোফোন ট্রান্সডিউসার, রুম ইকো ক্যান্সেলেশন প্রসেসিং, এবং সম্পূর্ণ সিস্টেম অডিও স্ট্যাক অন্তর্ভুক্ত। এটিকে অ্যাকোস্টিক রাউন্ড-ট্রিপ ডিলে বলা হয়, এবং এটি ব্রাউজার-ভিত্তিক কল, কারাওকে, এবং ইন-ব্রাউজার গেমের জন্য প্রাসঙ্গিক সংখ্যা, কিন্তু এটি প্রফেশনাল অডিও সফটওয়্যার যে ASIO রাউন্ড-ট্রিপ ল্যাটেন্সি মাপে তার সমতুল্য নয়। মনে রাখবেন যে এই পরিমাপের জন্য স্পিকার এবং মাইক্রোফোনের মধ্যে একটি আসল অ্যাকোস্টিক পথ প্রয়োজন; অটোমেটিক গেইন কন্ট্রোল, নয়েজ সাপ্রেশন, এবং ইকো ক্যান্সেলেশন ইম্পালস শেপ পরিবর্তন করতে পারে, যেখানে মাইক্রোফোন দূরত্ব, রুম রিফ্লেকশন, এবং ভলিউম সেটিংস সবই ফলাফল প্রভাবিত করে।
ব্রাউজার যা পারে না তা হল হার্ডওয়্যারের সেরা কেসে পৌঁছানো। এটি অপারেটিং সিস্টেমের শেয়ার্ড অডিও পথ ব্যবহার করতে হবে, এক্সক্লুসিভ ডিভাইস অ্যাক্সেস দাবি করতে পারে না, ASIO ড্রাইভার লোড করতে পারে না, এবং নিজের অডিও বাফার সাইজ বা থ্রেড অগ্রাধিকার নিয়ন্ত্রণ করতে পারে না। পরিমাপ তাই আপনার প্ল্যাটফর্মের শেয়ার্ড-মোড সিলিং প্রতিফলিত করে হার্ডওয়্যারের আসল ন্যূনতমের পরিবর্তে।
সেই সিলিং হল ব্রাউজার-ভিত্তিক কাজের জন্য ঠিক সঠিক সংখ্যা। ওয়েব কল, ব্রাউজার গেম, ওয়েব কারাওকে, এবং অন্য কিছু যা একটি ট্যাবে চলে তা সব OS লেভেলে ব্রাউজারের অডিও পথ শেয়ার করে, যদিও Web Audio, WebRTC, এবং মিডিয়া প্লেব্যাক বিস্তারে ভিন্ন। ব্রাউজার-পরিমাপিত সংখ্যা ভালো হলে, প্রতিটি ব্রাউজার ইউজ কেস ভালো লাগবে। এটি খারাপ হলে, নেটিভ সফটওয়্যার আপনাকে উদ্ধার করতে পারে — কিন্তু ব্রাউজার সাধারণত একই হার্ডওয়্যার এবং কনফিগারেশনে নেটিভ সফটওয়্যারের চেয়ে ধীর হবে।
ল্যাটেন্সি কমানোর ছয়টি উপায়
প্রভাবের ক্রমানুসারে সমস্যা সমাধান করুন, এবং আপনার সংখ্যা আপনি যে জোনে বাঁচতে পারেন সেখানে পৌঁছায়া সাথে সাথেই থামুন:
- ড্রাইভার মোড প্রথম ঠিক করুন। Windows-এ, আপনার অডিও ইন্টারফেসের জন্য ASIO ড্রাইভার ইনস্টল করুন, বা WASAPI এক্সক্লুসিভ মোডে স্যুইচ করুন। এটি একক বৃহত্তম লিভার এবং এটি ফ্রি।
- বাফার সাইজ কমান। ৫১২ থেকে ২৫৬ থেকে ১২৮ থেকে ৬৪ স্যাম্পলে নামুন, প্রতিটি সেটিং টেস্ট করুন, যতক্ষণ না ক্লিক বা পপ শুনতে পান। তারপর এক লেভেল ফিরে যান সবচেয়ে বড় বাফারে যা ক্লিন থাকে।
- স্যাম্পল রেট চেক করুন। মিউজিক এবং ভিডিও কাজের জন্য ৪৮ kHz ব্যবহার করুন। ৯৬ kHz বা ১৯২ kHz খোঁজা প্রায়শই বড় বাফারে বাধ্য করে এবং ধীর হয়ে যায়।
- প্রতিযোগী অ্যাপ্লিকেশন বন্ধ করুন। স্ট্রিমিং, ক্যাপচার, এবং ব্যস্ত ব্রাউজার ট্যাব অডিও থ্রেড থেকে CPU সময় চুরি করে এবং ছোট বাফার সাইজে আন্ডাররান ঘটায়।
- একটি অডিও ইন্টারফেস বিবেচনা করুন। ডেডিকেটেড হার্ডওয়্যার ভাল কনভার্টার, সঠিক ASIO ড্রাইভার, এবং বাফার সাইজ আনে যা অনবোর্ড অডিও পৌঁছাতে পারে না।
- ওয়্যার্ড সংযোগ পছন্দ করুন। যেকোনো টাইমিং-সংবেদনশীল কাজের জন্য, ওয়্যার্ড হেডফোন ব্লুটুথের চেয়ে একশ মিলিসেকেন্ড বা তার বেশি এগিয়ে, অন্য প্রতিটি সেটিং নির্বিশেষে।
প্রতিটি ধাপ যৌগিক হয়। শেয়ার্ড মোডে ৫১২ স্যাম্পল থেকে ASIO-তে ১২৮ স্যাম্পলে চললে সাধারণত একটি সিস্টেমকে পঞ্চাশ মিলিসেকেন্ড থেকে বিশের নিচে সরিয়ে দেয় — অব্যবহারযোগ্য এবং প্রফেশনালের মধ্যে পার্থক্য।
উপসংহার
একটি প্লেব্যাক টেস্ট নিশ্চিত করে যে আপনার স্পিকার কাজ করে। একটি লুপব্যাক টেস্ট নিশ্চিত করে যে সেগুলি সময়মতো কাজ করে — এবং এগুলি ভিন্ন প্রশ্ন, ভিন্ন উত্তর সহ। স্পিকার টেস্ট এবং মাইক টেস্ট চালান, তারপর রাউন্ড-ট্রিপ পরিমাপ করুন। অনুগ্রহ করে মনে রাখবেন যে এই সাইট বর্তমানে একটি ডেডিকেটেড লুপব্যাক ল্যাটেন্সি পরিমাপ টুল অফার করে না; উপরে বর্ণিত Web Audio API পদ্ধতির জন্য আলাদা ইমপ্লিমেন্টেশন বা ব্রাউজার কনসোল সেটআপ প্রয়োজন। একবার পরিমাপ করুন এবং ফলাফল সংরক্ষণ করুন। বিশ মিলিসেকেন্ডের নিচে মানে প্রফেশনাল-গ্রেড টাইমিং। বিশ থেকে ষাট প্রতিদিনের বেশিরভাগ কাজ কভার করে। একশো বিশের উপরে, প্রতিটি টাইমিং-সংবেদনশীল কাজ আপনার সাথে লড়াই করবে, এবং সমাধান সাধারণত হার্ডওয়্যার নয় বরং ড্রাইভার থেকে শুরু হয়। আপনার স্পিকার টেস্ট পাস করে। আপনার মাইক টেস্ট পাস করে। কিন্তু আপনার অডিও কি সময়মতো কাজ করে? আপনি যদি কখনো সংখ্যাটি পরিমাপ না করে থাকেন, তাহলে আপনি জানেন না — এবং আপনি টাইমিং-নির্ভর প্রতিটি অডিও কাজ সম্পর্কে অনুমান করছেন।
টুলিং সম্পর্কে নোট: এই সাইট বর্তমানে একটি ডেডিকেটেড লুপব্যাক ল্যাটেন্সি টুল অফার করে না। উপরে বর্ণিত Web Audio API পদ্ধতির নিজস্ব ইমপ্লিমেন্টেশন প্রয়োজন, অথবা আপনি এটি ব্রাউজার কনসোল থেকে চালাতে পারেন।