Áudio digital

Praticamente todo som hoje passa, em algum momento, pelo mundo digital. Da gravação ao streaming, do plugin ao podcast, da videoconferência ao filme — em cada elo da cadeia, alguém transformou um sinal analógico em uma sequência de números, e em algum lugar adiante esses números voltaram a virar som. Entender o que acontece nessa fronteira é o que evita problemas que parecem "místicos" (latência, clipping inexplicável, ruído estranho, agudo "estridente") e que na verdade são consequências de decisões de conversão e formato.

O que é áudio digital

Áudio digital é a representação de um sinal sonoro — que no mundo físico é uma onda contínua de pressão (ver onda sonora) — como uma sequência de números. Um sinal contínuo é, por natureza, infinitamente detalhado: tem valor em todo instante do tempo, e a amplitude em cada instante pode assumir qualquer valor real. Digital, ao contrário, é discreto em duas dimensões:

1. No tempo: medimos o sinal só em instantes específicos, igualmente espaçados (amostragem).
2. Na amplitude: cada medida é arredondada ao valor representável mais próximo (quantização).

Quase tudo sobre áudio digital deriva dessas duas escolhas: com que frequência medimos (sample rate) e com que precisão medimos cada amostra (bit depth).

Sample rate

A taxa de amostragem (sample rate) é o número de amostras por segundo, medido em Hz. Valores comuns em áudio profissional e consumo:

• 44,1 kHz — padrão do CD desde 1980. Captura tudo até ~22 kHz.
• 48 kHz — padrão de vídeo e cinema. Captura até ~24 kHz.
• 96 kHz — comum em estúdio profissional moderno.
• 192 kHz — alta resolução, para gravação e processamento de margem extra.

Teorema de Nyquist

A regra fundamental: para representar fielmente um sinal de frequência máxima $f$, é preciso amostrar a uma taxa maior que $2 \cdot f$. A metade da taxa de amostragem é chamada frequência de Nyquist.

• 44,1 kHz → Nyquist em 22,05 kHz (cobre todo o espectro audível)
• 48 kHz → Nyquist em 24 kHz
• 96 kHz → Nyquist em 48 kHz (muito acima do audível)
• 192 kHz → Nyquist em 96 kHz

Frequências acima de Nyquist não somem — elas voltam ao espectro audível em forma de aliasing, gerando frequências falsas (e indesejadas). É por isso que todo conversor A/D tem, na entrada, um filtro anti-aliasing: corta tudo acima de Nyquist antes da amostragem.

Aliasing

O fenômeno em si: quando o sinal contém frequências acima de Nyquist, cada uma dessas frequências aparece, depois da amostragem, como uma frequência mais baixa — dentro da banda audível, mas no lugar errado.

A consequência prática: aliasing é audível, dissonante e impossível de remover depois. A regra é simples — toda conversão A/D precisa de filtro anti-aliasing antes da amostragem. Conversores modernos fazem isso com sobreamostragem digital interna, o que permite filtros mais simples e suaves no caminho analógico.

Por que 44,1 e 48 kHz

Os dois números têm origem específica:

• 44,1 kHz: nasceu nos anos 1970 da gravação digital em vídeo (PCM em videocassete). O número específico é múltiplo das taxas de vídeo NTSC e PAL, o que facilitava o uso da infraestrutura de vídeo para gravação digital. Quando o CD foi padronizado em 1980, herdou essa taxa.
• 48 kHz: padrão posterior, escolhido como "número redondo" amigável para sincronização com vídeo e cinema digital.

Ambos cobrem o espectro audível humano com folga. Taxas maiores (96 e 192 kHz) não capturam mais agudo audível — ninguém ouve acima de 20 kHz. O benefício real está em dar margem extra para filtros e processamento: filtros anti-aliasing podem ter inclinação mais suave (com menos artefatos audíveis), plugins de saturação e EQ digital têm mais espaço espectral para operar sem dobrar agudo de volta ao audível, e operações como time-stretching preservam melhor o detalhe.

Bit depth

A profundidade de bits (bit depth) define com quantos bits cada amostra é representada — ou seja, quantos níveis discretos a amplitude pode assumir. Com N bits, há $2^N$ níveis possíveis:

• 8 bits — 256 níveis. Áudio de baixa qualidade, jogos antigos.
• 16 bits — 65.536 níveis. Padrão do CD.
• 24 bits — 16.777.216 níveis. Padrão de gravação profissional.
• 32 bits (ponto flutuante) — faixa praticamente infinita. Padrão interno de DAWs modernas.

Quantização

Cada amostra é arredondada ao nível discreto mais próximo. A diferença entre o valor analógico real e o valor quantizado é o erro de quantização — um ruído que se adiciona ao sinal, com características semelhantes a ruído branco em condições normais.

Faixa dinâmica e bit depth

A relação prática: cada bit adiciona cerca de 6 dB de faixa dinâmica. Isso vem direto da matemática — dobrar o número de níveis (1 bit a mais) equivale a +6 dB de razão sinal/ruído.

Para referência: o ouvido humano cobre cerca de 120 dB entre o limiar de audição e o limiar de dor (ver SPL). 16 bits ficam um pouco abaixo disso — suficiente para reprodução final, com cuidado no nível. 24 bits cobrem todo o intervalo audível humano com folga — daí ser o padrão de gravação, deixando margem para erro de nível sem perda audível.

Ponto flutuante

O 32-bit float funciona de forma diferente. Em vez de níveis igualmente espaçados, usa uma representação com mantissa e expoente — a precisão é relativa ao valor atual. Resultados:

• Não há clipping digital abaixo de um teto absurdamente alto (~770 dB acima de 0 dBFS).
• Picos que ultrapassam 0 dBFS no caminho do processamento podem ser recuperados depois (basta baixar o ganho), porque a informação não foi descartada.
• A precisão em nível baixo é tão boa quanto em nível alto.

É por isso que DAWs trabalham internamente em 32 ou 64 bits float, mesmo recebendo entradas em 24 bits inteiros. As somas e processamentos intermediários jamais "estouram", e qualquer erro de ganho é reversível.

Dither

Quando se reduz a profundidade de bits (por exemplo, ao exportar uma mixagem de 24 bits para o formato CD de 16 bits), o erro de quantização passa a ser correlacionado com o sinal — vira distorção, não ruído. Em níveis baixos (final de fade out, silêncios após notas), essa distorção é audível como granulação ou "areia".

A solução é o dither: adiciona-se um ruído aleatório muito baixo (de amplitude controlada, da ordem de meio bit) ao sinal antes da quantização. Esse ruído randomiza o arredondamento, descorrelacionando o erro do sinal. O resultado: em vez de distorção, fica um ruído branco quase inaudível — perceptualmente muito melhor.

Tipos de dither:

• TPDF (Triangular Probability Density Function): o padrão mais usado. Ruído com distribuição triangular, ±1 LSB de amplitude.
• Noise-shaped dither: variante que empurra a energia do ruído para frequências menos sensíveis ao ouvido (acima de 10 kHz), tornando-o ainda menos perceptível.

Regra prática: aplicar dither uma vez, no momento final da exportação para uma profundidade menor. Não aplicar entre etapas de processamento (cada plugin já trabalha em float internamente). Não aplicar duas vezes (degrada).

dBFS revisitado

Já apareceu em dB: dBFS (decibels relative to Full Scale) é o dB usado em áudio digital. A referência (0 dBFS) é o maior valor representável no sistema. Como nada pode passar disso sem perder informação, todo sinal digital vive em dBFS negativos.

• 0 dBFS: o teto absoluto. Em formato inteiro de 16 bits, equivale a ±32.767 (o valor máximo). Em formato inteiro de 24 bits, ±8.388.607.
• Acima de 0 dBFS: clipping digital — o sinal "satura" no teto, distorcendo brutalmente (ondas com tops achatados).
• Headroom: a margem deixada abaixo de 0 dBFS para acomodar picos inesperados e processamento. Padrão de gravação: trabalhar com picos em torno de −18 a −12 dBFS.

Sample peak × true peak

Detalhe sutil mas relevante para masterização: a forma de onda digital, quando reconstruída pelo DAC, pode ter picos entre as amostras maiores que qualquer amostra individual. Isso acontece porque a interpolação suave (filtro de reconstrução do DAC) pode atingir valores que não estavam em nenhuma amostra discreta.

• Sample peak: o maior valor entre as amostras digitais. É o que medidores básicos mostram.
• True peak (ou inter-sample peak): o maior valor que o sinal analógico reconstruído alcança, incluindo o que está entre amostras. Pode ser 1 a 3 dB maior que o sample peak.

Medidores true peak (padrão ITU-R BS.1770) interpolam internamente para detectar esses picos. Para masterização que vai passar por codecs lossy (MP3, AAC), é prática comum deixar margem extra (−1 dBFS true peak) para evitar clipping na reconversão.

Conversores A/D e D/A

Os conversores são os pontos onde sinal vira número e vice-versa:

• ADC (Analog-to-Digital Converter): na entrada. Recebe sinal analógico, aplica filtro anti-aliasing, amostra e quantiza, entrega bytes.
• DAC (Digital-to-Analog Converter): na saída. Recebe bytes, interpola entre amostras, filtra suavemente, entrega sinal analógico.

A qualidade de ambos importa mesmo na era do "tudo digital". Conversores ruins acrescentam ruído, distorção, irregularidades na resposta de frequência e jitter. Interfaces profissionais investem pesadamente nos conversores — frequentemente é o que mais diferencia uma interface barata de uma cara.

Clock e jitter

Todo conversor precisa de um relógio (clock) precisíssimo para definir quando cada amostra é tomada. Pequenas instabilidades temporais nesse relógio são chamadas jitter.

Jitter introduz erro: a amostra é tomada um pouquinho antes ou depois do tempo correto, capturando um valor levemente diferente. O resultado audível é semelhante a ruído correlacionado com o sinal — geralmente um leve "borrão" no agudo.

Quando vários equipamentos digitais trabalham juntos (interface, conversor externo, console digital), eles precisam compartilhar o mesmo clock. Soluções:

• Word clock: sinal de clock dedicado, transmitido por cabo coaxial BNC. Padrão profissional.
• Embedded clock: o clock está embutido na transmissão digital (AES/EBU, ADAT, S/PDIF). Funciona, mas é mais suscetível a jitter na transmissão.

Numa cadeia com múltiplos equipamentos digitais, um é definido como "master" (mestre) e os outros como "slaves", sincronizados ao mestre.

Latência

A latência é o atraso entre o som entrar no sistema e sair dele. Em sistemas analógicos puros, é praticamente zero (alguns microssegundos). No mundo digital, há várias fontes:

• Conversão A/D: o filtro anti-aliasing introduz alguns microssegundos a 1 ms.
• Buffer do sistema: amostras se acumulam num buffer antes de serem processadas em bloco. Buffer de 128 amostras a 48 kHz = 2,67 ms.
• Processamento de plugins: alguns plugins (especialmente os que usam lookahead ou EQ linear phase) introduzem atraso adicional.
• Conversão D/A: o filtro de reconstrução adiciona mais alguns microssegundos.

A latência de ida e volta (round-trip latency) — som entra, é processado, som sai — tipicamente fica entre 3 e 20 ms em um sistema moderno bem configurado.

Por que latência importa

• Em gravação ao vivo: o músico precisa se ouvir em tempo "real". Latência maior que ~10 ms começa a atrapalhar a performance (sensação de atraso ao tocar). Para evitar, usa-se monitoração direta (analógica, antes do DAW) ou monitoração com buffers pequeníssimos.
• Em mixagem: tanto faz — ninguém grava nada, só ajusta plugins. Pode-se usar buffers grandes (1024 ou 2048 amostras) para mais estabilidade de processamento.
• Em PA com processadores digitais: cada processamento adiciona latência. Em sistemas grandes com vários processadores em série, a latência total pode chegar a dezenas de milissegundos — relevante para sincronização entre PA e fonte ao vivo (uma banda no palco com PA atrasado fica desincronizada).

Compromisso buffer × estabilidade

Buffer pequeno = baixa latência = mais carga no processador (mais interrupções por segundo). Se a CPU não acompanha, há dropouts (estalos, cortes).

Buffer grande = mais latência = processamento mais "tranquilo".

Padrão prático: buffer pequeno (64–128 amostras) durante gravação, buffer grande (512–1024) durante mixagem.

Formatos de arquivo

Em três grandes categorias:

PCM sem compressão

Codificação direta das amostras numéricas, sem nenhuma compressão. É o formato "cru" que sai dos conversores.

• WAV (Windows): o padrão de fato em produção. Suporta diversas taxas e profundidades.
• AIFF (Apple): equivalente do WAV no mundo Mac. Mesmas características.
• BWF (Broadcast WAVE): variante de WAV com metadados extras (timecode, marcadores). Padrão em cinema e broadcast.

Tamanho típico: cerca de 10 MB por minuto em 44,1 kHz / 16-bit estéreo; cerca de 17 MB/minuto em 48 kHz / 24-bit estéreo.

Sem perdas (lossless compression)

Compactam o arquivo sem alterar nenhuma amostra. Descomprimir devolve exatamente o sinal original. Reduzem o tamanho em torno de 40–60%, dependendo do conteúdo.

• FLAC (Free Lossless Audio Codec): aberto, gratuito, amplamente suportado.
• ALAC (Apple Lossless): equivalente da Apple. Igualmente sem perdas.

Bom compromisso para armazenamento e distribuição quando largura de banda importa, mas a fidelidade tem que ser preservada.

Com perdas (lossy compression)

Descartam informação considerada "menos perceptível" segundo modelos psicoacústicos. O sinal reconstruído não é idêntico ao original — algumas frequências, especialmente em níveis baixos ou mascaradas por outras mais fortes, são removidas ou representadas com menos precisão. Em compensação, o arquivo fica muito menor (1/10 ou menos do tamanho do PCM).

• MP3 (MPEG-1/2 Audio Layer III): o veterano. Qualidade razoável a partir de 192 kbps, boa em 256–320 kbps. Limitações conhecidas no agudo (pre-echo em transientes, "borrão" em pratos).
• AAC (Advanced Audio Coding): mais eficiente que MP3 — qualidade equivalente em bitrate menor. Padrão do iTunes/Apple Music, YouTube, streaming em geral.
• Opus: codec moderno, abertíssimo, muito eficiente. Cobre desde voz em baixíssimo bitrate até áudio musical em qualidade alta. Padrão em WebRTC, usado por Discord, navegadores.
• OGG Vorbis: alternativa aberta ao MP3/AAC. Bom desempenho, mas com adoção menor que os demais.

Característica importante: codecs lossy são gerações destrutivas. Recodificar (decodificar → editar → codificar de novo) acumula perda. Sempre que possível, trabalhe a partir do master sem perdas e exporte para lossy só no final.

Padrões comuns

Cada contexto tem suas convenções:

A controvérsia das taxas altas

A pergunta volta sempre: vale a pena gravar em 96 ou 192 kHz e 32-bit float, em vez de 48 kHz / 24-bit?

A resposta honesta é depende do que se faz com o material:

Argumentos a favor de taxas altas:

• Mais margem para processamento. Filtros, EQs e plugins de saturação operam com menos artefatos quando há mais espaço espectral.
• Anti-aliasing pode ser mais suave (menos pre-ring no agudo).
• Para time-stretching extremo ou pitch shifting, mais detalhe ajuda.
• Para arquivamento de longuíssimo prazo, captura mais informação por garantia.

Argumentos contra (ou neutros):

• Não se ouve mais agudo. Ninguém ouve acima de 20 kHz, e a maioria perde sensibilidade acima de 16 kHz com a idade. O conteúdo extra acima de 24 kHz simplesmente não chega ao cérebro.
• Arquivos ficam 2× a 4× maiores. Backup, transmissão, processamento ficam mais pesados.
• Plugins consomem mais CPU em taxas altas.
• Em muitos casos, a diferença audível no produto final é nula em testes às cegas.

Posição equilibrada: para gravação de música acústica com muitos plugins e processamento intenso, 96 kHz / 24-bit é uma escolha defensável e usada por muitos estúdios profissionais. Para podcast, narração, mixagem de música pop com bons plugins modernos, 48 kHz / 24-bit é mais do que suficiente. O 32-bit float, quando suportado por interface e DAW, traz benefício real sem custo significativo: a imunidade a clipping na gravação é genuinamente valiosa.

Onde aparece na prática

• Gravando: escolher sample rate e bit depth (geralmente 48 kHz / 24-bit ou 96 kHz / 24-bit), ajustar ganho para picos em torno de −18 a −12 dBFS, ajustar tamanho do buffer para baixa latência de monitoração.
• Mixando em DAW: trabalhar no domínio float internamente, manter cabeçotes (faders) em níveis razoáveis para não saturar somas, usar medidores que mostrem RMS, peak e true peak.
• Exportando: escolher o formato e taxa de saída conforme destino (44,1 kHz / 16-bit para CD, 48 kHz / 24-bit para vídeo, lossless para arquivamento, lossy para streaming/distribuição). Aplicar dither quando reduzir bit depth.
• Masterizando: monitorar true peak para evitar artefatos em codecs lossy posteriores, considerar normalização por LUFS (padrão moderno de loudness).
• Distribuindo: entender que a plataforma vai recodificar — entregar em qualidade alta para minimizar perda na recodificação.
• Configurando sistema digital ao vivo: sincronizar clocks (definir master), monitorar latência total da cadeia, evitar reconversões desnecessárias entre digital e analógico.

Onde tudo se conecta

Áudio digital amarra praticamente todos os conceitos anteriores. A taxa de amostragem e a faixa audível têm relação direta — Nyquist define até onde o sistema reproduz frequência (e onde precisa cortar). O dBFS é só uma aplicação do conceito de dB com referência específica. A faixa dinâmica de bit depth se mede em dB e se compara aos valores de SPL audíveis. Os conversores recebem o sinal que sai do microfone e entregam o sinal que vai para o alto-falante — eles são literalmente a ponte entre o domínio físico e o numérico. E todo o processamento que acontece "dentro" do digital — EQ, compressão, reverb — opera sobre essa sequência de números, com suas próprias consequências em fase e resposta de frequência.

Daqui em diante, a maior parte das ferramentas de áudio que veremos são processamentos digitais: equalização, dinâmica, modulação, distorção. Cada uma tem fundamentos próprios — mas todas operam dentro deste arcabouço numérico que acabamos de mapear.

Os próximos artigos cobrem o processamento de áudio em si: equalização (controle de espectro), dinâmica (compressão, limitação, expansão), e saturação/distorção (que finalmente fecha a pendência sobre harmônicos pares e ímpares). Depois disso, acústica de salas — modos, RT60, tratamento — para entender o ambiente onde tudo isso é capturado e ouvido.