7 Audio digital: relojes, transporte y latencia

7.1 La idea, en una frase

Hay un instante, en cada sistema moderno, en que el sonido deja de ser física y se vuelve aritmética: el conversor toma la tensión que venía del micrófono y la convierte en una lista de números. A partir de ahí ya no hay ruido que se acumule ni cinta que se desgaste: una copia es idéntica al original, y procesar es calcular. Esa es la promesa digital, y se cumple. Pero nada es gratis: al convertir el sonido en números, el sistema contrae una deuda nueva que el mundo analógico no conocía — una disciplina del tiempo. Cada número vale solo si se toma y se reproduce en el instante exacto; miles de dispositivos deben contar muestras al mismo paso, y cada cálculo, cada viaje por la red, cada conversión, cobra su tiempo.

Por eso este capítulo no repite la teoría del muestreo (capítulo 6): la da por sabida y baja al sistema real. Tres preguntas lo organizan, y son las tres que un sistema digital te va a hacer en campo: ¿a qué tasa y con cuántos bits trabajamos? ¿quién lleva el reloj y cómo viaja la señal? ¿y cuánta latencia acumula la cadena — y a quién le duele?

Idea clave

Lo difícil del audio digital no son los números: es el tiempo. Un solo reloj líder para todo el sistema, un transporte que lo distribuya, y un presupuesto de latencia que se mide y se administra — esas tres decisiones separan un sistema digital sano de uno que hace clics, se desincroniza o llega tarde.

7.2 Tasas y bits: los números de la práctica

La teoría dice “más del doble del ancho de banda” (capítulo 6); la práctica eligió hace décadas sus números concretos, y cada uno tiene su historia:

Tasa	Origen	Dónde vive hoy
44,1 kHz	el CD (1982): la tasa que cabía exacta en los videograbadores usados como almacenamiento (3 muestras por línea de video, en PAL y NTSC)	música grabada, streaming
48 kHz	el estándar profesional ligado al video	sonido en vivo, broadcast, cine
96 kHz	el doble de 48	procesamiento interno, medición, mastering

En vivo, la respuesta corta es 48 kHz: es el idioma común de consolas, procesadores y redes.

La convivencia de 44,1 y 48 no fue un plan: fue una guerra de linajes. El CD nació del mundo del video de consumo (sus primeras grabadoras digitales eran videograbadores), y el 48 kHz nació del estudio y el broadcast, elegido redondo y cómodo para sincronizarse con el cine y la televisión. Cuarenta años después seguimos pagando esa frontera cada vez que un archivo de 44,1 entra a un sistema de 48: alguien —una máquina— tiene que remuestrear, con su latencia y su cómputo. Y sobre el eterno “¿se oye el 96 kHz?”, la física del capítulo 6 es tajante: 48 kHz ya captura todo el espectro audible (Nyquist en 24 kHz). Lo que el 96 compra no son “más frecuencias altas”: son filtros más relajados (anti-alias y reconstrucción con la mitad de exigencia), la mitad de latencia en cada filtro digital, y margen para procesos no lineales (saturaciones, limitadores) que generan armónicos por encima de Nyquist y necesitan espacio para no plegarlos como alias. Por eso muchos plugins sobremuestrean internamente aunque el sistema corra a 48. Un compromiso de ingeniería, no una virtud automática.

Con los bits pasa lo mismo (capítulo 1, rango dinámico): 16 bits (CD) dan ~96 dB; 24 bits, ~144 dB teóricos — más de lo que ningún conversor real alcanza (~110–120 dB los buenos: manda el ruido analógico de entrada, no la cuantización—. Por eso la conversión moderna es de 24 bits, y la primera regla práctica del audio digital es simple: con 24 bits no hace falta grabar ni mezclar “caliente”; el piso está tan abajo que el margen es gratis.

7.3 Dentro del conversor: del aire a los números (y de vuelta)

El conversor es la aduana entre los dos mundos, y vale la pena abrirlo. Primero en llano: el AD hace dos gestos. Congela la señal un instante (muestreo: la fotografía) y luego la mide contra una regla de peldaños fijos (cuantización: la balanza). Cada peldaño es un escalón de amplitud; con \(B\) bits hay \(2^B\) peldaños, y lo que cae entre dos se redondea — ese redondeo es el piso de ruido del capítulo 6. El DA hace el viaje inverso: convierte cada número en un voltaje y lo sostiene hasta la muestra siguiente — una escalera. Y aquí vive el malentendido más famoso del audio digital: esa escalera no es la salida. Después del DA hay un filtro de reconstrucción que elimina los “fantasmas” ultrasónicos de los escalones (las imágenes del espectro), y lo que sale del aparato es una curva suave que pasa exactamente por las muestras — el teorema del muestreo cumplido al pie de la letra. Compruébalo tú mismo, con los ojos y con los oídos:

Figura 7.1: Dentro del conversor AD/DA — animación interactiva.

Apaga el filtro de reconstrucción y escucha la aspereza metálica de las imágenes; enciéndelo y la melodía se limpia (más opaca si la tasa es muy baja — el filtro solo conserva lo que cabe bajo Nyquist, no inventa lo que se perdió).

¿Y cómo mide un conversor real 1 de entre 16 millones de peldaños (\(2^{24}\))? No con 16 millones de comparadores: con un truco que es pura estadística — sobremuestreo con conformado de ruido (sigma-delta, \(\Delta\Sigma\)). En vez de medir fino y lento, el modulador mide grueso pero rapidísimo (pocos bits, millones de veces por segundo: típicamente \(128\times48\ \text{kHz} \approx 6{,}1\) MHz) y un lazo de realimentación empuja el error de redondeo hacia el ultrasonido, donde un filtro digital lo corta al decimar de vuelta a 48 kHz. El truco rinde bits gratis:

\[ \mathrm{SQNR} \approx 6{,}02\,B + 1{,}76 + 10\log_{10}(\mathrm{OSR}) \quad [\text{dB}], \]

donde:

\(\mathrm{SQNR}\) — relación señal/ruido de cuantización en la banda de audio [dB]
\(B\) — bits del cuantizador del modulador
\(\mathrm{OSR}\) — razón de sobremuestreo (\(f_{s,\text{mod}} / f_s\)), p. ej. 128

y el conformado de ruido multiplica la ganancia: con un lazo de orden \(L\), cada duplicación del OSR aporta \(\approx (6L+3)\) dB en vez de 3. Así, un modulador humilde de pocos bits termina entregando 24 bits efectivos. Dos consecuencias prácticas que sí se notan en campo: los filtros antialias y de reconstrucción ya no son analógicos y agresivos, sino digitales y de fase lineal (por eso los conversores modernos suenan limpios… y por eso tienen latencia: ese filtro es un FIR que hay que esperar, los ~0,3–1 ms del presupuesto de más abajo); y el límite real de un conversor de “24 bits” no es la aritmética sino el ruido analógico de su entrada (~110–120 dB en los buenos — el papel de la historia lo puso el conformado de ruido, patentado por Cutler en los años cincuenta y vuelto estándar del audio en los noventa).

7.4 Punto fijo, punto flotante y el headroom

Dentro del procesador, los números tienen dos formatos, y entenderlos en llano evita sustos. El punto fijo es un odómetro: tiene un tope. Cada muestra es un entero de \(B\) bits; pásate de \(0\ \text{dBFS}\) (full scale) y el número satura: recorte digital, áspero e inmediato. El punto flotante es notación científica: guarda una mantisa (las cifras) y un exponente (la escala),

\[ x = \pm\, m \cdot 2^{e}, \]

donde:

\(x\) — valor de la muestra
\(m\) — mantisa (las cifras significativas; 24 bits efectivos en float de 32)
\(e\) — exponente (la escala; 8 bits en float de 32)

y el tope prácticamente desaparece: si el número crece, el exponente sube y las cifras se conservan. Un procesador en float de 32 bits mantiene ~144 dB de rango dinámico alrededor de cualquier nivel — puedes “pasarte de 0” dentro de la mezcla sin recortar, siempre que bajes el nivel antes de volver al mundo físico. Porque esa es la letra chica: los conversores siguen siendo de punto fijo. El recorte digital no vive dentro de la consola moderna; vive en sus puertas — la entrada AD y la salida DA — y ahí sigue mandando la vieja regla de la estructura de ganancia: nivel sano, lejos del piso y lejos del techo (la convención profesional: alinear el nivel de operación analógico a −18 o −20 dBFS).

Este cambio de formato reescribió el oficio. Las primeras consolas digitales (años ochenta y noventa) mezclaban en punto fijo, y sus buses internos se saturaban igual que los analógicos —sumar 40 canales calientes recortaba dentro de la máquina—; la generación del DSP en flotante (los SHARC de los noventa) volvió esa pelea obsoleta. Compruébalo con las manos: empuja la misma señal por los dos motores y trata de “salvarla” con el trim de salida —

Figura 7.2: Punto fijo vs. punto flotante — animación interactiva.

— en fijo, los techos planos ya quedaron grabados en la señal y el trim solo los hace más silenciosos; en flotante, la misma barbaridad interna sale intacta si la bajas antes del conversor. Esa es toda la diferencia, y explica la regla de campo: en una consola flotante moderna, el único vúmetro que de verdad te puede castigar es el del conversor.

7.5 El reloj: la disciplina del tiempo

Primero en llano: un sistema digital es una orquesta donde cada músico cuenta 48 000 pulsos por segundo. Si dos aparatos cuentan cada uno con su propio metrónomo —por precisos que sean—, uno irá un pelo más rápido: tarde o temprano a uno le sobra una muestra o le falta una. El resultado audible son clics esporádicos, o el silencio total cuando el receptor se rinde. La solución es una sola: un único reloj líder para todo el sistema, y todos los demás esclavizados a él. En digital no hay democracia del tiempo.

La segunda enfermedad del reloj es más fina: el jitter, el temblor del instante de muestreo. Aunque la cuenta sea correcta en promedio, si cada tic llega un poquito antes o después, el conversor lee la señal en el instante equivocado — y un error de tiempo se convierte en un error de amplitud, tanto mayor cuanto más rápido cambia la señal:

\[ \mathrm{SNR}_{\text{jitter}} = -20 \log_{10}\!\big( 2\pi f\, \sigma_t \big), \]

donde:

\(\mathrm{SNR}_{\text{jitter}}\) — relación señal/ruido límite impuesta por el jitter [dB]
\(f\) — frecuencia de la señal muestreada [Hz]
\(\sigma_t\) — jitter eficaz (RMS) del reloj de muestreo [s]

Los números asustan sanamente: para que el jitter no limite un conversor de ~120 dB a 20 kHz hace falta \(\sigma_t \approx 8\) picosegundos — billonésimas de segundo. Míralo y óyelo: aquí está un tono muestreado con un reloj que tiembla, con su espectro y el piso teórico de la fórmula (exagerado a nano y microsegundos, porque el jitter real de un conversor es sencillamente inaudible):

Figura 7.3: El jitter: el temblor del reloj — animación interactiva.

Sube σ_t y mira el faldón de ruido trepar exactamente hasta la línea teórica; cambia el tono de 1 a 10 kHz con el mismo jitter y verás la ley en acción — el jitter castiga a las frecuencias altas (por eso un temblor que arruinaría los platillos ni despeina a un subgrave).

¿Y cómo sobrevive un conversor real colgado de un reloj que viajó por metros de cable o por una red? Con un PLL (phase-locked loop): en llano, un volante de inercia para el tiempo. El lazo compara su propio oscilador con el reloj que llega y lo corrige despacio: sigue al líder en el promedio —no se desincroniza jamás— pero su masa se niega a copiarle el temblor fino. Es la suspensión del coche: sigue la carretera, filtra los baches. (El circuito viene de la radio de los años treinta —Bellescize, 1932— y hoy vive en cada conversor, cada consola y cada receptor Dante.) Por eso los relojes “esotéricos” externos no mejoran un conversor moderno: el trabajo fino se hace adentro, en su PLL.

En la práctica, el reloj viaja de tres maneras: word clock dedicado (el BNC clásico), embebido en la señal (AES3 se auto-clockea), o —en las redes actuales— como protocolo de tiempo de precisión (PTP, IEEE 1588), donde los dispositivos eligen un líder y sincronizan sus relojes a través del mismo switch por el que viaja el audio. La regla de campo es una: decide quién es el líder, díselo a todos, y que sea uno solo (si hay video de por medio, el video suele mandar).

7.6 El transporte: del cable punto a punto a la red

La historia del transporte digital es la historia de meter más canales en menos cobre. AES3 (1985) lleva 2 canales por un XLR; ADAT puso 8 en una fibra óptica de juguete; MADI (1991), 64 por un coaxial o una fibra — todos punto a punto: un cable, un origen, un destino. La revolución fue convertir el audio en tráfico de red: primero CobraNet (años noventa), y desde 2006 Dante (Audinate), que volvió el patch una tabla de software: cualquier entrada a cualquier salida, cientos de canales por un cable de red común y switches estándar. Los estándares abiertos siguieron el mismo camino: AES67 (2013) como lengua franca entre sistemas, y AVB/Milan por la vía de los estándares IEEE.

Transporte	Canales	Medio	Naturaleza
AES3	2	XLR (110 Ω)	punto a punto, auto-clockeado
MADI	64	coaxial / fibra	punto a punto
Dante / AES67 / Milan	cientos	red Ethernet	red conmutada, patch por software, reloj por PTP

Que el audio sea tráfico de red trae las reglas de las redes: switches gestionados con QoS (el reloj PTP y el audio tienen prioridad sobre todo lo demás), cuidado con el multicast, y la joya para sistemas serios: redundancia — dos redes físicas completas (primaria y secundaria) llevando el mismo audio, con conmutación sin pérdida de muestras si una falla.

7.7 Dante por dentro: la red como patch

Merece su propia sección, porque es el transporte que vas a encontrar en casi todo sistema moderno. Primero en llano: Dante convierte el audio en cartas con dirección. Cada transmisor agrupa sus canales en flujos (paquetes de hasta 4 canales que salen cada fracción de milisegundo), y cada receptor se suscribe a los que necesita — la matriz de Dante Controller es el multipar de cobre de antes, vuelto tabla de software: cualquier salida a cualquier entrada, sin resoldar nada.

Debajo de esa comodidad trabajan tres mecanismos, y los tres se configuran (o se estropean):

El reloj (PTP). Los dispositivos eligen un líder automáticamente y todos disciplinan su reloj contra él a través de la misma red. Para que funcione, los mensajes de reloj deben tener prioridad absoluta en los switches: eso es el QoS (etiquetas DSCP: el reloj por encima del audio, el audio por encima de todo lo demás). Sin QoS, el reloj compite con cualquier tráfico y tiembla justo cuando la red se llena.
El búfer de recepción — el ajuste de “latencia” de cada dispositivo (0,25 / 0,5 / 1 ms / 2 / 5). No es capricho: es cuánto temblor de red puede absorber el receptor antes de que un paquete llegue tarde y se oiga un clic. La regla: más switches en cadena, más búfer — 0,25 ms solo para conexión directa o un switch; 1 ms aguanta hasta ~10 saltos y es el valor seguro por defecto.
La redundancia. Los equipos serios tienen dos puertos (primario/secundario) para dos redes físicas completas —switches incluidos— llevando el mismo audio a la vez. No hay “conmutación”: el receptor toma lo que llegue de cualquiera de las dos, así que un corte de la primaria no pierde ni una muestra.

Los números tranquilizan: un canal a 48 kHz/24 bits pesa ~1,5 Mbps con todo y sobrecarga — una stagebox de 64 canales ronda los 100 Mbps, y una red gigabit corriente lleva cientos de canales sin despeinarse. El ancho de banda casi nunca es el problema; la configuración, casi siempre. Opera la red tú mismo:

Figura 7.4: Una red Dante interactiva — animación interactiva.

Prueba las tres averías clásicas: baja el búfer a 0,25 ms con dos switches en cascada, apaga el QoS, y corta la primaria con y sin redundancia.

La rutina: una red Dante sana

Dónde: en la configuración de los switches y de cada dispositivo, antes del primer soundcheck. Cómo:

Switches gestionados con QoS (DSCP) activado, y el tráfico de audio separado del resto (su propia VLAN o, mejor, su propia red física). Nada de WiFi para audio o reloj.
Desactiva el ahorro de energía (EEE, Energy Efficient Ethernet / Green Ethernet) en todos los puertos: es el sabotaje silencioso número uno — el puerto “se duerme” entre paquetes y el reloj PTP tiembla.
Un solo líder de reloj, elegido a propósito (no al azar del arranque): fija la prioridad PTP del dispositivo que quieres de referencia.
Latencia del receptor según los saltos: 1 ms por defecto; 0,25–0,5 ms solo en cadenas cortas y verificadas; sube si añades switches.
Redundancia de verdad: primaria y secundaria en switches separados, con caminos de cable separados — dos puertos al mismo switch no es redundancia, es decoración.

Y los errores que llenan foros: el switch doméstico con EEE imposible de apagar; la cascada de switches baratos con 0,25 ms de búfer; el streaming de video del camerino compartiendo red con el audio sin QoS; y dos líderes peleando el reloj (clics rítmicos que aparecen y desaparecen — el síntoma clásico).

7.8 La latencia: el presupuesto del tiempo

Cada eslabón digital cobra su peaje temporal: el conversor AD necesita su filtro, la consola sus búferes, la red sus paquetes, cada plugin su cálculo — y algunos, como los FIR de fase lineal (capítulo 9), cobran carísimo por definición: su simetría exige esperar media respuesta al impulso. La latencia total es, sin misterio, la suma:

\[ L_{\text{total}} = \sum_{k} L_k, \qquad d_{\text{eq}} = c\, L_{\text{total}}, \]

donde:

\(L_{\text{total}}\) — latencia total de la cadena [s]
\(L_k\) — latencia de la etapa \(k\) (conversores, mezcla, red, procesado) [s]
\(d_{\text{eq}}\) — distancia acústica equivalente [m]
\(c\) — velocidad del sonido (≈ 343 m/s) [m/s]

La segunda fórmula es la que conecta este capítulo con el resto del libro: la latencia es distancia. La regla mental: 1 ms ≈ 34 cm. Una cadena de 6 ms es como alejar el altavoz dos metros — invisible para el público de una sala grande, pero decisiva en dos frentes: el monitoreo in-ear (el músico oye su propia voz por conducción ósea y por el auricular: con más de ~7–10 ms la mezcla de ambas se vuelve incómoda — es la suma del capítulo 3 dentro de la cabeza) y la alineación (capítulo 19): la latencia es un retardo que el sistema ya trae puesto antes de que ajustes nada. Arma tu cadena y escúchala:

Figura 7.5: El presupuesto de latencia — animación interactiva.

Activa el FIR de fase lineal y oye el precio de la fase perfecta: lo que era un clic se vuelve un eco. Esa es la razón por la que los FIR largos viven en el procesamiento del sistema (donde todos los caminos lo comparten) y no en los monitores.

7.9 La rutina: mide la latencia de tu cadena

No la estimes: mídela. Es una medición eléctrica de dos minutos con el analizador del capítulo 18 (o con Coherence). Dónde: sin aire de por medio — todo por cable. Cuándo: con el sistema ya configurado (tasa, red, procesos), antes de alinear. Cómo:

Referencia: la salida del generador, directa a la entrada de referencia del analizador.
Medida: esa misma señal, pero atravesando la cadena completa —entrada de consola, mezcla, red, procesador de sistema, salida— y de vuelta a la entrada de medida. Sin altavoz ni micrófono: cable a cable.
Lee el delay finder: el pico de la respuesta al impulso es la latencia total de la cadena, con precisión de muestras.
Repite por caminos distintos (canal con y sin plugins, salida de monitores vs. PA): las diferencias entre caminos son exactamente los desalineos que luego verás en el aire.
Anótala: ese número entra al presupuesto de la alineación (capítulo 19) y explica la comodidad —o la queja— del monitoreo in-ear.

Y los tropiezos clásicos del audio digital en campo, todos evitables: dos relojes líderes (clics intermitentes que nadie encuentra porque “todo está bien conectado”); switches sin QoS para el PTP (el reloj pierde prioridad justo cuando la red se llena); un plugin de fase lineal en el bus de monitores (20 ms de regalo en los in-ears); y mezclar tasas (un aparato en 44,1 en un mundo de 48: el conversor de tasa que nadie pidió, con su latencia y sus artefactos).

7.10 Lo que sigue

El audio digital le añade al sistema una capa invisible —números, relojes, paquetes— que no cambia la física de nada de lo que sigue: los filtros (capítulos 8–10) operan igual sobre muestras que sobre tensiones, y la sala (capítulos 15–16) ni se entera de cómo llegó la señal al altavoz. Lo que sí cambia es el oficio: quien domina el reloj, el transporte y el presupuesto de latencia tiene un sistema silencioso, estable y puntual — y quien no, persigue clics a las tres de la tarde.

7.11 Lecturas adicionales

El tratado clásico del audio digital, de la teoría al hardware: [1].
Muestreo, cuantización y procesamiento en tiempo discreto: [2].
Dither y el fondo estadístico de la cuantización: [3].

7.12 Ejercicios

Tu cadena mide: AD 0,6 ms + consola 1,8 ms + Dante 1,0 ms + procesador 1,5 ms + DA 0,5 ms. ¿Latencia total y distancia equivalente? ¿Es un problema para el público del fondo? ¿Y para el cantante con in-ears que también se oye por conducción ósea?
Con la fórmula del jitter, calcula el \(\sigma_t\) máximo para que un sistema alcance 100 dB de SNR a 10 kHz. ¿Y a 100 Hz? ¿Por qué el jitter perdona a las frecuencias bajas?
Un FIR de fase lineal de 4096 coeficientes corre a 48 kHz. ¿Cuánta latencia añade (media respuesta)? ¿Dónde lo colocarías en el sistema y dónde jamás?
Diseña el clocking de este sistema: consola FOH, consola de monitores, 3 racks de escenario Dante y un procesador de sistema. ¿Quién es el líder? ¿Qué revisas en los switches?
Un modulador \(\Delta\Sigma\) usa \(B=4\) bits con OSR = 256. ¿Qué SQNR da la fórmula del sobremuestreo sin conformado de ruido? ¿Alcanza para “24 bits”? ¿Qué aporta entonces el conformado?
Una gira lleva 2 stageboxes de 64 canales y una consola de 64 canales de retorno, todo a 48 kHz/24 bits. Estima el tráfico total (~1,5 Mbps por canal). ¿Cabe en una red gigabit? ¿Y en una de 100 Mbps? ¿Qué ajuste de latencia usarías con dos switches en cascada?