Opóźnienie pętli audio — czego nie ujawnia test

Większość testów audio sprawdza jedynie, czy dźwięk jest odtwarzany i czy mikrofon przechwytuje. Żaden nie mierzy opóźnienia round-trip — czasu od wejścia zdarzenia audio do mikrofonu do wyjścia przetworzonego sygnału przez głośniki. Ta jedna liczba decyduje, czy muzycy mogą nagrywać do ścieżki klik, czy rozmowy wideo są naturalne, i czy dźwięk przestrzenny w grach jest dokładny. System może przejść każdy test odtwarzania, a jednocześnie mieć katastrofalne opóźnienie.

Każde sprawdzenie sprzętu zaczyna się tak samo. Podłącz nowe głośniki, odtwórz ton testowy, potwierdź, że dźwięk wychodzi, idź dalej. Podłącz mikrofon, mów, obserwuj jak miernik poziomu skacze, idź dalej. Te dwa testy potwierdzają, że ścieżka wyjścia działa i że ścieżka wejścia działa. Żaden nie mierzy pytania, które faktycznie decyduje, czy Twoje ustawienie audio poradzi sobie z prawdziwą pracą: jak długo dźwiękowi zajmuje przejście od mikrofonu, przez komputer, do głośników?

Ta liczba to opóźnienie round-trip, i po cichu decyduje, które zadania Twój system może uczciwie obsłużyć:

• Nagrywanie muzyki. Gra z klik lub podkładem wymaga, aby Twój własny dźwięk wrócił do uszu niemal natychmiast. Powyżej około czterdziestu milisekund round-trip Twój rytm dryfuje, każde nagranie brzmi ospale, i żadna ilość praktyki tego nie naprawia. Interfejsy audio współdzielące kontroler USB z innymi urządzeniami mogą również cierpieć na konflikt o przepustowość USB, co dodaje skoki opóźnienia do opóźnień bufora.
• Prowadzenie rozmów. Rozmowy wideo są naturalne tylko, gdy potok audio pozostaje ciasny. Przekroczne opóźnienie produkuje echo, nakładający się mowę, i sztywny rytm rozmowy telefonicznej przez satelitę.
• Gry z dźwiękiem przestrzennym. Dźwięk pozycyjny działa tylko, gdy audio nadchodzi w zgodzie z tym, co widzisz. Gdy ścieżka audio zostaje w tyle za obrazem, kroki i strzały odłączają się od akcji na ekranie.

Twój test głośnika i test mikrofonu odpowiadają “czy działa?” Test opóźnienia pętli odpowiada “jak szybko?” Ta strona wyjaśnia, czym jest opóźnienie round-trip, skąd się bierze, i jak je obniżyć. Liczby tutaj pochodzą z ogólnego doświadczenia na wielu konfiguracjach sprzętowych i programowych — ASIO na Focusrite Scarlett 2i2 da inne liczby niż kodek Realtek na płycie głównej na Windows 11. Twoje wyniki będą się różnić w zależności od konkretnego interfejsu, sterownika i ustawień bufora.

Test tonu nie mierzy opóźnienia

Test głośnika odtwarza ton, sweep lub próbkę muzyczną przez ścieżkę wyjścia i potwierdza, że dźwięk wychodzi. To sprawdzenie funkcjonalności z wynikiem pass lub fail: kabel jest podłączony, sterownik załadowany, głośność nie jest wyciszona, przetwornik digital-to-analog żyje. Jeśli słyszysz ton — ścieżka wyjścia działa. To wszystko, co test może powiedzieć.

Test mikrofonu robi to samo dla kierunku wejścia: nagrywa to, co mówisz, wyświetla miernik poziomu i potwierdza, że mikrofon, przedwzmacniacz i przetwornik analog-to-digital funkcjonują. Wynik to znów pass lub fail.

Pomiar opóźnienia to zupełnie inny rodzaj testu. Zamiast pytać, czy sygnał może przejść ścieżką, pyta, jak długo to trwa. Procedura jest prosta: wyślij znany sygnał — impuls, klik, krótki burst — przez wyjście, zlap go na wejściu i oblicz różnicę czasu między transmisją a odbiorem. Ta różnica to opóźnienie round-trip, wyrażone w milisekundach.

To rozróżnienie jest ważne, ponieważ dwa pomiary są niezależne. System może przejść każdy test odtwarzania, mając katastrofalne opóźnienie. Głośniki Bluetooth to klasyczny przykład: odtwarzają ton wiernie, test głośnika raportuje sukces, podczas gdy kodek bezprzewodowy dodaje sto do stu osiemdziesięciu milisekund opóźnienia, którego żaden test odtwarzania nie zauważa. Ton, który przychodzi sto pięćdziesiąt milisekund za późno, nadal — ściśle mówiąc — gra.

Dlatego założenie “moje głośniki brzmią dobrze, więc mój system audio jest w porządku” zawodzi dla czegokolwiek wrażliwego na czas. Funkcja i czas to osobne osie. Zanim zaufasz swojemu ustawieniu do nagrywania, rozmów lub grania, potrzebujesz liczby, której testy odtwarzania są strukturalnie niezdolne wyprodukować.

Obejrzyj bufor się wypełnia

Opóźnienie round-trip to nie pojedyncze opóźnienie. To suma opóźnień akumulowanych na każdym etapie między kapsułą mikrofonu a membraną głośnika. Zrozumienie ścieżki mówi dokładnie, gdzie ukrywają się Twoje milisekundy:

1. Bufor wejścia. Przetwornik analog-to-digital próbuje ciągle, ale system operacyjny dostarcza audio w blokach. Sterownik czeka na pełny bufor zanim przekaże dane do aplikacji. Przy 48 kHz, bufor 128 próbek potrzebuje 2.7 milisekundy na wypełnienie — tak długo Twoje audio czeka, zanim ktoś je przetworzy. Większość systemów utrzymuje dwa lub trzy bufory w locie. Oczekuj około pięciu do ośmiu milisekund, zanim aplikacja zobaczy pierwszą próbkę.
2. Konwersja analog-to-digital. Przetwornik potrzebuje czasu na próbkowanie, kwantyzację i taktowanie sygnału. Na sprzęcie konsumenckim to typowo jeden do trzech milisekund; dedykowane interfejsy radzą sobie lepiej.
3. Planowanie systemu operacyjnego. Silnik audio budzi Twoją aplikację na zegarze, a wybudzenie podlega normalnemu planowaniu wątków. W trybach współdzielonych system operacyjny dodatkowo miesza Twój strumień z każdym innym źródłem audio w systemie, dodając własny przebieg przetwarzania. Ten etap wnosi od kilku milisekund do dwudziestu lub więcej, w zależności od platformy i obciążenia. To etap, na którym Linux z PipeWire może wyprzedzić Windows — i gdzie hałaśliwe środowisko pulpitu może po cichu zwiększyć Twoje opóźnienie.
4. Przetwarzanie aplikacji. Oprogramowanie po stronie odbiorczej — cyfrowa stacja audio, łańcuch efektów, graf audio w przeglądarce — przetwarza blok przed przekazaniem dalej. Niewiele, ale część całości.
5. Konwersja digital-to-analog. Odbicie lustrzane etapu drugiego, dodające kolejny jeden do trzech milisekund, gdy przetworzony sygnał staje się napięciem analogowym.
6. Bufor wyjścia. Przetworzone próbki czekają w buforze wyjścia, aż przetwornik będzie gotowy je odtworzyć, powtarzając matematykę rozmiaru bufora ze strony wejścia. Dodaj kolejne pięć do ośmiu milisekund w typowych konfiguracjach.

Dodaj etapy razem, a opóźnienie round-trip w trybie współdzielonym często ląduje między trzydziestoma a sześćdziesięcioma milisekundami na zwykłym komputerze — poniższe zmierzone liczby to przykładowe wartości z konkretnego sprzętu, nie uniwersalne specyfikacje. W nieformalnych testach na laptopie Windows 11 z kodekiem Realtek ALC897 na płycie głównej przy buforze 128 próbek, pomiary w trybie współdzielonym lądowały w pobliżu górnej granicy tego zakresu. Z Behringer U-Phoria UM2 przez ASIO4ALL na tym samym sprzęcie, pomiar spadł do około piętnastu milisekund. To obserwacje na jednej maszynie bez kontrolowanych warunków; służą jako punkty odniesienia dla typowej różnicy między ścieżką współdzieloną a ASIO, nie jako gwarantowane wartości dla Twojego sprzętu. Żaden sterownik nie usunie czasu konwersji — ale narzut buforowania i planowania, który dominuje w sumie, kurczy się dramatycznie.

Jedna liczba, dwie definicje

Oprogramowanie audio rzadko podaje jedną liczbę. Otwórz ustawienia profesjonalnej aplikacji i zazwyczaj zobaczysz dwie: opóźnienie wejścia — czas od mikrofonu do aplikacji, i opóźnienie wyjścia — czas od aplikacji do głośników. Sterowniki takie jak ASIO raportują obie wartości osobno, a materiały marketingowe często cytują tę, która wygląda lepiej.

Opóźnienie round-trip to suma obu, plus czas przetwarzania aplikacji. Jeśli system cytuje dwadzieścia milisekund w jedną stronę, round-trip to około czterdziestu milisekund. Użytkownik, który czyta “20 ms opóźnienia” i zakłada, że to opóźnienie, które usłyszy, myli się o czynnik dwa — i ten błąd jest powszechny, ponieważ wartości jednokierunkowe są tymi drukowanymi na kartach specyfikacji.

Rozróżnienie ma znaczenie, ponieważ to, co postrzegasz, to zawsze round-trip. Kiedy muzyk monitoruje swój głos lub instrument, dźwięk musi wyjść z mikrofonu, przejść przez system i wrócić do słuchawek, zanim go usłyszy. To jest pełna ścieżka. Liczba jednokierunkowa opisuje tylko połowę podróży.

Aby zachować spójność dyskusji, wszystkie liczby tutaj odnoszą się do opóźnienia round-trip. Kiedy porównujesz swój pomiar ze specyfikacją produktu lub benchmarkiem, zawsze upewnij się, że obie liczby opisują ten sam rodzaj podróży. Porównanie pomiaru round-trip ze specyfikacją jednokierunkową sprawia, że Twój system wygląda dwukrotnie wolniej niż w rzeczywistości.

OS decyduje przed tobą

Ten sam mikrofon, te same głośniki i ten sam kabel dają drastycznie różne opóźnienie na różnych systemach operacyjnych, ponieważ każda platforma kieruje audio przez inny stos oprogramowania. Stos decyduje, ile narzutu buforowania i planowania zostaje dodane do nieuniknionego czasu konwersji.

Windows: tryb współdzielony, wyłączny i ASIO

• WASAPI tryb współdzielony — domyślna ścieżka (Microsoft Learn: WASAPI Shared Mode, 2023). Typowo 32-64 ms.
• WASAPI wyłączny lub ASIO — omija mikser, ~10 ms (Microsoft Learn: WASAPI Exclusive Mode, 2023).
• ASIO — omija stos audio Windows, bezpośrednio ze sprzętem (Steinberg: ASIO Guide, 2021). Typowo 8-15 ms.

macOS: Core Audio

Core Audio firmy Apple jest dobrze zoptymalizowany, a aplikacje natywne rutynowo osiągają osiem do dwudziestu milisekund round-trip z rozsądnymi ustawieniami bufora. Współdzielona ścieżka jest wydajna, więc nawet opóźnienie mierzone w przeglądarce na macOS jest zwykle lepsze niż na Windows. Nadal znajduje się powyżej natywnego minimum, ponieważ przeglądarka nie może żądać wyłącznego dostępu do urządzenia ani dostroić bufora do własnych potrzeb.

Linux: ALSA, PulseAudio i PipeWire

Opóźnienie na Linux jest ruchomym celem. ALSA, interfejs sterownika niskopoziomowego, jest szybki ale specyficzny dla aplikacji. PulseAudio historycznie dodawał zauważalne opóźnienie buforowania. PipeWire, nowoczesne zastępstwo, jest zaprojektowany dla audio o niskim opóźnieniu i może dorównać lub przebić inne platformy, gdy jest poprawnie skonfigurowany, ale wyniki mocno się różnią w zależności od dystrybucji i konfiguracji.

W większości konfiguracji przeglądarka jest ograniczona do ścieżki współdzielonej. Nie może żądać trybów wyłącznych, nie może ładować sterowników ASIO i nie może podnieść priorytetu swojego wątku audio. Opóźnienie audio w przeglądarce jest więc typowo bliżej sufitu trybu współdzielonego Twojej platformy — najlepszego, co ścieżka kooperatywna może dostarczyć na standardowych konfiguracjach — podczas gdy natywne oprogramowanie profesjonalne jest budowane po to, by przebić ten sufit, gdy sprzęt i sterownik na to pozwalają.

60 milisekund — co to znaczy

Surowa liczba milisekund nic nie znaczy, dopóki nie zestawisz jej z tym, co zamierzasz robić. Granice poniższych stref to ogólne wskazówki, nie profesjonalne standardy certyfikacji; rzeczywista przydatność zależy od konkretnego zadania, ustawień monitorowania i środowiska słuchania. Cztery strefy obejmują praktyczny zakres:

• Poniżej 20 ms — doskonałe. Profesjonalna produkcja muzyczna jest tu komfortowa. Muzycy mogą nagrywać do kliku, monitorować się z efektami i grać w czasie, ponieważ ścieżka powrotna jest efektywnie natychmiastowa.
• 20-60 ms — akceptowalne dla większości zastosowań. Podcasting, rozmowy wideo, zwykłe granie i casuaalne nagrywanie działają dobrze. Przy górnej granicy tego zakresu muzyka pod podkład zaczyna cierpieć: gracze czują, że powrót ich własnego dźwięku lekko się ciągnie, a praca precyzyjna staje się zauważalnie trudniejsza powyżej około czterdziestu milisekund.
• 60-120 ms — problematyczne dla produkcji, akceptowalne dla casuaalnego użytku. Karaoke, czat głosowy i słuchanie są w porządku. Nagrywanie pod podkład staje się naprawdę trudne, a w grach audio zaczyna odłączać się od akcji, podważając wskazówki pozycyjne, od których zależy dźwięk przestrzenny.
• Powyżej 120 ms — złe. Praca wrażliwa na czas jest praktycznie niemożliwa. Rozmowy rozwijają słyszalne echo, występy brzmią odłączone, a dźwięk przestrzenny brzmi źle nawet przy zwykłym użytku. Ta strefa to naturalny dom audio Bluetooth i błędnie skonfigurowanych systemów trybu współdzielonego.

Granice stref to kwestie osądu, ale kształt jest wiarygodny: produkcja wymaga najniższych liczb, rozmowa toleruje więcej, a słuchanie casuaalne toleruje najwięcej. Twój pomiar round-trip umieszcza Twój system w dokładnie jednej strefie, a to umiejscowienie mówi Ci, które z Twoich zamierzonych zastosowań będą przyjemne, a które będą z Tobą walczyć. Zachowaj tę liczbę pod ręką — to punkt odniesienia dla każdej optymalizacji w następnej sekcji.

Trzy dźwignie: częstotliwość próbkowania, bufor, sterownik

Trzy kontrolki określają, gdzie ląduje twoje opóźnienie, i nie są równe w efekcie.

Częstotliwość próbkowania ustawia przepustowość potoku — ile razy na sekundę audio jest mierzone — a nie opóźnienie bezpośrednio. Wchodzi w interakcję z czasem bufora, ponieważ bufor jest mierzony w próbkach: 128 próbek trwa 2.9 milisekundy przy 44.1 kHz, ale tylko 1.3 milisekundy przy 96 kHz, więc ten sam rozmiar bufora mapuje się na różne czasy przy różnych częstotliwościach. Haczyk polega na tym, że wyższa częstotliwość wymaga więcej przetwarzania na sekundę, co często zmusza do zwiększenia bufora z powrotem, aby utrzymać stabilność, kasując zysk. Pościg za 96 lub 192 kHz zwykle zmusza do większego bufora, by utrzymać strumień stabilny, co może skasować teoretyczny zysk lub wręcz spowolnić system. Traktuj częstotliwość próbkowania jako ustawienie workflow, typowo 48 kHz, a nie jako główne sterowanie opóźnieniem. 48 kHz stało się de facto standardem dla audio zsynchronizowanego z wideo, ponieważ mapuje się czysto na częstotliwości klatek wideo 24, 25 i 30 fps, dlatego profesjonalny potok audio-wideo jest tam domyślnie.

Rozmiar bufora to główna dźwignia opóźnienia. Pojawia się dwa razy w round-trip — wejście i wyjście. Zmniejszenie bufora o połowę zmniejsza opóźnienie, ale także ryzyko underrun. Praktyczna matryca przy 48 kHz:

• 64 próbki — ok. 8-12 ms na ASIO.
• 128 próbek — ok. 12-20 ms. ASIO sweet spot.
• 256 próbek — ok. 20-35 ms.
• 512 próbek — ok. 35-60 ms.
• 1024 próbki — ok. 60-100 ms.

Sterownik ustawia podłogę. ASIO i tryb wyłączny pozwalają na rozmiary bufora 32 do 128 próbek; tryb współdzielony ma wyższą podłogę; kodeki Bluetooth dodają sto milisekund lub więcej, zanim bufor w ogóle wejdzie w rachubę. Żadne dostrajanie bufora nie pokona minimum sterownika, dlatego sterownik jest pierwszą dźwignią, a nie ostatnią.

Przeglądarka nie jest DAW

Przeglądarka może oszacować opóźnienie round-trip używając Web Audio API (MDN: Web Audio API, 2024), która planuje impuls przez wyjście i przechwytuje nadchodzący sygnał na wejściu mikrofonu. Typowy pomiar Web Audio loopback na laptopie w trybie współdzielonym raportuje 55-70 ms — kilkukrotnie więcej niż ASIO — luka, która ilustruje podatek ścieżki współdzielonej przeglądarki. Zmierzony czas obejmuje akustyczną ścieżkę przez powietrze, przetworniki głośnika i mikrofonu, przetwarzanie usuwania echa i cały stos audio systemu. Nazywa się to akustycznym opóźnieniem round-trip i jest to relevantna liczba dla rozmów w przeglądarce, karaoke i gier w przeglądarce, ale nie jest równoważna opóźnieniu round-trip ASIO, które mierzy profesjonalne oprogramowanie audio. Należy pamiętać, że ten pomiar wymaga prawdziwej ścieżki akustycznej między głośnikiem a mikrofonem; automatyczna kontrola wzmocnienia, tłumienie szumów i kasowanie echa mogą zmienić kształt impulsu, a odległość mikrofonu, odbicia pokoju i ustawienia głośności wpływają na wynik.

Czego przeglądarka nie może zrobić, to sięgnąć najlepszego wyniku sprzętu. Musi używać współdzielonej ścieżki audio systemu operacyjnego, nie może żądać wyłącznego dostępu do urządzenia, nie może ładować sterowników ASIO i nie może kontrolować własnego rozmiaru bufora ani priorytetu wątku. Pomiar odzwierciedla zatem sufit trybu współdzielonego Twojej platformy, a nie prawdziwe minimum sprzętu.

Ten sufit to dokładnie właściwa liczba dla pracy w przeglądarce. Rozmowy webowe, gry w przeglądarce, karaoke web i wszystko inne, co działa w karcie, współdzielą ścieżkę audio przeglądarki na poziomie OS, choć Web Audio, WebRTC i odtwarzanie mediów różnią się w szczegółach. Jeśli liczba zmierzona w przeglądarce jest dobra, każdy przypadek użycia w przeglądarce będzie się dobrze czuł. Jeśli jest zła, natywne oprogramowanie może Cię jeszcze uratować — ale przeglądarka będzie generalnie wolniejsza niż natywne oprogramowanie na tym samym sprzęcie i konfiguracji.

Sześć sposobów redukcji opóźnienia

1. Napraw tryb sterownika jako pierwszy. Na Windows zainstaluj sterownik ASIO lub przełącz na WASAPI wyłączny. To największa dźwignia i jest darmowa.
2. Zmniejsz bufor. Krok po kroku z 512 do 256 do 128 do 64 próbek, testując każde ustawienie, aż usłyszysz kliknięcia. Potem cofnij się o jeden poziom.
3. Sprawdź częstotliwość próbkowania. Używaj 48 kHz dla muzyki i wideo. 96/192 kHz często zmusza do większego bufora i kończy się wolniej.
4. Zamknij konkurencyjne aplikacje. Streaming i zajęte karty przeglądarki kradną czas CPU.
5. Rozważ interfejs audio. Lepsze przetworniki i sterowniki ASIO.
6. Preferuj połączenia przewodowe. Dla czegokolwiek wrażliwego na czas, przewodowe słuchawki biją Bluetooth o sto milisekund lub więcej, niezależnie od każdego innego ustawienia.

Każdy krok kumuluje się. Przejście z trybu współdzielonego przy 512 próbkach do ASIO przy 128 próbkach zwykle przesuwa system z pięćdziesięciu milisekund poniżej dwudziestu — różnica między nieużywalnym i profesjonalnym.

Podsumowanie

Test odtwarzania potwierdza, że głośniki działają. Test pętli potwierdza, że działają na czas — i to są różne pytania z różnymi odpowiedziami. Uruchom test głośnika, aby zweryfikować ścieżkę wyjścia, i test mikrofonu, aby zweryfikować ścieżkę wejścia. Należy zauważyć, że ta strona nie oferuje obecnie dedykowanego narzędzia pomiaru opóźnienia pętli; podejście Web Audio API opisane powyżej wymaga osobnej implementacji lub konfiguracji w konsoli przeglądarki. Użyj go, aby poznać akustyczne opóźnienie round-trip, które decyduje, czy nagrywanie, rozmowa i dźwięk przestrzenny są naturalne na Twojej maszynie.

Zmierz raz i zachowaj wynik. Poniżej dwudziestu milisekund oznacza timing profesjonalny. Dwadzieścia-sześćdziesiąt obejmuje większość codziennej pracy. Powyżej stu dwudziestu, każde zadanie wrażliwe na czas będzie z tobą walczyć, a naprawa zazwyczaj zaczyna się od sterownika, nie sprzętu. Jeśli nigdy nie zmierzyłeś tej liczby, zgadujesz w każdym zadaniu audio zależnym od czasu.