Samsung gebruikt al jaren naast LCD ook OLED voor zijn smartphones, maar niet voor zijn tv’s. We hebben dan ook reikhalzend uitgekeken naar de QE65S95B, de eerste Samsung OLED-tv sinds 2013. En Samsung heeft zijn start niet gemist.

QD-OLED is, zoals de naam doet vermoeden, een combinatie van quantum dots en OLED-technologie. Een blauwe OLED-laag zorgt voor het licht, dat op pixelniveau gedimd kan worden, net zoals de OLED-tv’s die we al kennen. Op subpixelniveau wordt dat blauwe licht dan door quantum dots omgezet (niet gefilterd) naar rood en groen, blauw wordt doorgelaten. Dat is anders dan de bestaande OLED-technologie die kleur maakt door het witte OLED-licht door een kleurfilter te sturen.

Die nieuwe aanpak zou helderder moeten zijn, omdat de kleuren ontstaan door conversie, niet door filteren. De bestaande OLED-tv’s gebruiken een extra witte subpixel om de helderheid te verbeteren, maar dat gaat ten kosten van kleurintensiteit in zeer heldere kleuren. Dat probleem heeft QD-OLED niet, het gebruikt een RGB-subpixelstructuur en zal kleuren dus veel helderder met volle kleurintensiteit kunnen tonen. Omdat er minder lagen voor de lichtgevende pixels zitten flirt de kijkhoek met perfectie.

Nadelen zijn er echter ook. De subpixelstructuur is driehoekig, groen bovenaan, en rood en blauw onderaan. Daardoor kan je licht gekleurde randen zien rond voorwerpen met een scherp contrast, bijvoorbeeld witte tekst op een zwarte achtergrond. Voor tv kijken op een normale afstand is dat effect onzichtbaar. Wie hoopt een QD-OLED-monitor in huis te halen, test beter eerst of hij die randen niet storend vindt.

Daarnaast is dit ook een OLED-scherm en is er daarom risico op inbranden. Ondertussen hebben fabrikanten al heel wat jaren ervaring met OLED, dus mogelijk is dat risico beperkt. Tot slot, omdat de quantum dots helemaal aan de voorzijde van het scherm zitten, kan ook sterk omgevingslicht deze dots activeren. De zwartwaarde verwatert dan wat, en het scherm krijgt een zachte magentaroze tint. Het is duidelijk zichtbaar in donkere beelden, die daardoor sterk aan kwaliteit verliezen, maar heeft nauwelijks effect bij heldere content (sport bijvoorbeeld).

Vermijd dus spotlicht of sterk zonlicht dat rechtstreeks op het scherm schijnt. We kunnen je wel al gerust stellen, bij beperkt omgevingslicht viel het probleem niet op, enkel bij extreme omstandigheden was het goed zichtbaar, maar dan doet geen enkele tv het goed.

Hoe slank kan een tv zijn?

Als het van Samsung afhangt, erg slank. Het scherm zelf is zo dun, en deze 65 inch-versie is zo groot, dat het scherm zelf licht begon te buigen, en sterk wiebelt als je het verplaatst. Wat extra voorzichtigheid is dus geboden. De afwerking is piekfijn in orde. Een fijn zilverkleurig kader omlijst het beeld. De tv staat op een vrij grote centrale voet, met een brede nek die voldoende stabiliteit biedt.

De aansluitingen wijzen naar onder en opzij, we zijn er zeker van dat de S95B er fantastisch uit zou zien aan de muur. Met zijn vier HDMI 2.1-aansluitingen die allemaal 48 Gbps leveren heb je aansluitmogelijkheden genoeg. Er is ondersteuning voor eARC, ALLM, 4K120 en VRR (HDMI VRR en AMD Freesync). De input-lag van 10,1 ms (voor 4K60) en 5,4 ms (voor 2K120) maakt duidelijk dat ook gamers het doelpubliek zijn. 

Verder krijgt je twee usb-aansluitingen, een optisch digitale audio-uitgang, ethernetaansluiting, wifi en bluetooth. De S95B heeft en dubbele tv-tuner, met een usb harde schijf kan je opnemen en tegelijk een ander kanaal bekijken.

Spetterende kleuren

We schakelen de S95B in Filmmaker Mode voor de beste resultaten. Het OLED-contrast springt onmiddellijk in het oog. Pixelfijne lichtaccenten kunnen perfect bestaan op een pikzwarte achtergrond. Het scherm levert veel zwartdetail, je ziet moeiteloos elke nuance en elk detail in donkere scènes. 

De kleurweergave is dankzij een neutrale grijsschaal uitstekend, met foutwaardes die klein genoeg zijn om in de richting van een referentiebeeld te gaan.

Maar de echte test, dat is HDR-weergave. OLED-schermen kunnen hun absolute piekhelderheid maar leveren in een beperkt deel van het beeld. Naarmate de gemiddelde helderheid van het beeld toeneemt, moet de processor de maximale helderheid verlagen. Hier kan de Samsung laten tonen dat QD-OLED-technologie betere prestaties levert, maar de voorsprong is klein ten opzichte van de beste OLED-modellen van 2022.

De piekhelderheid op een 10% venster haalt ongeveer 1.020 nits, en op een volledig wit scherm tikt hij nog 215 nits aan. We zien vooral dat het QD-OLED-scherm de helderheid minder sterk moet verlagen dan de andere OLED-tv’s. Dat is alvast een win. Het kleurbereik oogt misschien niet zo veel groter, al haalt hij wel 99,4% P3. Maar het kleurvolume, de combinatie van helderheid én kleurintensiteit, is wel aanzienlijk groter. 

Er is geen witte subpixel die de kleuren verwatert, en de S95B kan zijn volledige gesatureerde kleuren gemakkelijk twee maal helder weergeven dan een gewone OLED. Dankzij een goede kalibratie van de HDR Filmmaker Mode springen HDR-beelden dan ook echt in het oog, vooral als die erg intens en kleurrijk zijn. Lichtsabelgevechten in Obi-Wan Kenobi bijvoorbeeld, of de spetterende kleuren van Mad Max:Fury Road. 

De processor zorgt voor prima HDR-tonemapping. Hij houdt rekening met de HDR-metadata en toont heel veel schaduwnuances maar net niet alle witdetail. Die neiging om het beeld toch wat extra impact te geven door een minimale hoeveelheid witdetail te clippen kan er vermoedelijk met een goed kalibratie uitgehaald worden. Maar echt storend is het zeker niet.

De Samsung ondersteunt HDR10, HDR10+ adaptive en HLG. Dolby Vision zou de kers op de taart geweest zijn, maar die boot houdt Samsung nog steeds af.

AI-beeldverwerking

De S95B heeft dezelfde processor aan boord als de QN95B, de resultaten liggen dan ook perfect in lijn met elkaar. Zeer mooie upscaling met goede ruisonderdrukking resulteert in erg scherp gedetailleerde beelden. Af en toe gaat de ruisonderdrukking iets te sterk te werk, en verdwijnt er wat heel fijn detail. Het enige zwakke punt van de processor is het wegwerken van kleurbanden in zachte kleurovergangen. Die blijven in sommige donkere beelden met bredere kleurbanden vrij goed zichtbaar.

Voor sport- en gameliefhebbers levert het QD-OLED-paneel uitstekende bewegingsscherpte. Dankzij de snelle pixelresponstijd worden vage of dubbele randen goed vermeden. Enkel het allerfijnste detail in snelle actiescènes verbergt het scherm nog, net zoals andere OLED-tv’s. 

De processor kan een 60 Hz Black Frame Insertion gebruiken om nog wat extra detail te tonen, maar je verliest er veel helderheid door en het 60 Hz-flikkeren van het beeld is irritant. Wil je vloeiende pan-beelden dan kan je ‘Trilvermindering’ activeren. De motion interpolation werkt gestotter goed weg, en laat vrij weinig beeldartefacten achter.

Prettige audio

Levert de QE65S95B genoeg audioprestaties om die knappe filmbeelden nog meeslepender te maken? 60 Watt in een 2.2.2 kanaalconfiguratie en Dolby Atmos ondersteuning, dat lijkt voldoende. De S95B pompt flink wat volume in de kamer, met een degelijk gebalanceerde klank inclusief wat bas. De processor houdt vervorming goed onder controle, dat wordt pas hoorbaar bij erg hoog volume. Maar die slanke behuizing heeft zijn beperkingen. Echt rollende bassen zijn er niet, en het surroundbeeld is erg beperkt, vermoedelijk omdat alle luidsprekers diep achter het toestel zitten. Voor een echt epische filmtrack wijk je beter uit naar een goede soundbar.

Conclusie

Samsung zet hoog in met deze QE65S95B. De nieuwe QD-OLED-technologie neemt de koppositie in voor helderheid, vergeleken met de andere OLED-modellen. Het verschil is echter niet zo groot, en LCD doet het nog steeds beter. Maar gecombineerd met dat perfecte OLED-contrast en het indrukwekkende kleurbereik van de quantum dots zet hij een fantastische prestatie neer. Films, zekere in HDR zijn een echt feest voor het oog. 

Vermijd sterk invallend omgevingslicht, daarmee benadeel je de zwartweergave. Het is een tip die voor alle tv’s geldt, maar zeker voor deze. We zijn nog steeds niet gelukkig met de nieuwe Smart Hub layout, maar aan functionaliteit is er geen gebrek. De HDMI 2.1-aansluitingen en de uitstekende bewegingsscherpte zijn dan weer troeven voor sport en games. Voor een nieuwe technologie is deze Samsung bovendien helemaal niet te duur geprijsd.

Dagelijks hoor en lees je over artificiële intelligentie (AI). Daarbij worden vaak termen als neuraal netwerk en deep learning gebruikt. In dit artikel vertellen je hier meer over en gaan we ook zelf met AI aan de slag. We doen dit via TensorFlow Playground en Google Teachable Machine.

Het begrip artificiële intelligentie verwijst naar de mogelijkheid om zelfstandig kennis op te nemen, problemen op te lossen en beslissingen te nemen, net zoals een mens. Het woord ‘artificieel’ duidt erop dat deze vorm van intelligentie door mensen is ontworpen en door computers of machines wordt uitgevoerd en dus niet door een biologisch brein.

Veel AI-toepassingen, zoals beeld- en spraakherkenning en taalverwerking, maken hierbij gebruik van zogenoemde neurale netwerken. Deze zijn namelijk uitstekend geschikt voor het herkennen van complexe patronen in grote hoeveelheden ongestructureerde data.

Zo’n digitaal neuraal netwerk (DNN) is gebaseerd op de werking en structuur van het menselijke brein, maar het blijft niet meer dan een abstracte vereenvoudiging. Het menselijke brein is tenslotte (vooralsnog) aanzienlijk complexer, flexibeler en vooral ook energiezuiniger met een maximaal verbruik van circa 20 watt. Ons brein is bovendien superieur in creativiteit, contextueel begrip en emotionele verwerking. 

Digitaal neuraal netwerk

Een digitaal neuraal netwerk (DNN) werkt net als het biologisch brein met neuronen (zie bovenstaand tekstkader). Alleen in een DNN gaat het hierbij om wiskundige rekeneenheden die informatie verwerken. Elk neuron ontvangt invoer, vermenigvuldigt deze met een gewicht om de relevantie te bepalen en telt daar een compensatiewaarde, de zogeheten bias, bij op. Samen vormen deze gewichten en biases de ‘parameters’. GPT-4 bevat er naar schatting 1,7 biljoen.

De informatie stroomt door een of meer verborgen lagen tussen de invoer- en uitvoerlaag. Elke verborgen laag verwerkt de gegevens verder, waardoor complexere patronen worden herkend. Hiervoor gebruikt elk neuron een zogeheten activatiefunctie, die bepaalt of en in welke mate de uitvoer wordt doorgegeven. Zonder activatiefuncties zou het netwerk alleen eenvoudige wiskundige verbanden leren, zoals rechte lijnen, terwijl het nu ook met complexe, gebogen of gelaagde patronen overweg kan.

Een eenvoudig digitaal neuraal netwerk, met één verborgen laag.

Sturing en zelflering

Mensen sturen het DNN indirect aan door het bepalen van het aantal lagen, het aantal neuronen per laag en het type activatiefunctie. Verder kiezen ze hoe het netwerk moet leren, bijvoorbeeld door te bepalen hoeveel data het ziet en hoe complex de gegevens zijn, hoe vaak het leert en hoe groot de aanpassingen mogen zijn. Tijdens deze training worden de parameters automatisch aangepast door het netwerk om optimaal patronen te herkennen en voorspellingen te doen.

Vereenvoudigd komt het hierop neer: nadat het netwerk een voorspelling heeft gedaan, wordt berekend hoe ver deze afwijkt van de juiste waarde, waartoe het netwerk tijdens de training toegang heeft. Deze afwijking wordt vervolgens teruggestuurd door het netwerk, van de uitvoer- naar de invoerlaag. Onderweg berekent het netwerk hoeveel elke verbinding (gewicht) en extra waarde (bias) heeft bijgedragen aan de fout. Daarop past het netwerk de parameters aan om de fout kleiner te maken. Dit proces herhaalt zich vele malen, zodat het netwerk steeds accurater wordt. Dit principe wordt ‘backpropagation’ genoemd (letterlijk: achterwaartse terugkoppeling) en maakt dat het netwerk grotendeels zelflerend is.

©Vallabh soni - stock.adobe.com

Backpropagation: het netwerk stuurt zelf bij op basis van de vastgestelde afwijking.

TensorFlow Playground

Spelen met werking DNN

Het wordt interessanter wanneer je zelf experimenteert met de principes en werking van een DNN. Ga naar https://playground.tensorflow.org. Hier herken je de lagen met neuronen: een invoerlaag, twee verborgen lagen en een uitvoerlaag. Bij DATA is al een specifieke dataset geselecteerd. Zodra je op Run (het pijltje) klikt, probeert het netwerk het patroon in de gekozen dataset te herkennen. Het resultaat verschijnt onder Output.

Hoe langer je het proces laat lopen, hoe hoger het aantal trainingscycli (hier epochs genoemd) en hoe accurater de ruimte-indeling of dataclassificatie in de output: blauwe achtergrond voor blauwe punten en oranje achtergrond voor oranje punten. Omdat het standaard om een eenvoudig datapatroon gaat, zal de Training loss waarschijnlijk 0.000 zijn. Dit betekent dat het netwerk het patroon vrijwel meteen correct herkent op basis van de ingestelde parameters, zodat er nauwelijks of geen backpropagation nodig is.

Met de standaardinstellingen kan dit neurale netwerk moeiteloos overweg.

Verdere aansturing

Je kunt het netwerk flink uitdagen door enkele instellingen aan te passen. We geven je enkele mogelijkheden die zeker leerzaam kunnen zijn. Activeer in de invoerlaag bijvoorbeeld alleen de bovenste eigenschap X1. Het netwerk classificeert dan uitsluitend op basis van de horizontale posities van de punten. Voor de derde dataset (linksonder) kan dit voldoende zijn, maar voor andere niet. Probeer het gerust zelf uit. Je zult ook merken dat hoe meer features je inschakelt, hoe meer informatie het netwerk gebruikt en hoe beter het complexe patronen kan herkennen.

Verhoog eens Noise (ruis) met de schuifknop om het leerproces te bemoeilijken. De datapunten worden hierdoor minder gestructureerd, wat je meteen terugziet in de Output. Verminder nu eens het aantal neuronen (via de minknop boven elke laag) om het netwerk minder complexe beslissingen te laten nemen. Minder verborgen lagen verlaagt eveneens de capaciteit om diepere datapatronen te leren.

Nog steeds te makkelijk? Verlaag dan de Learning rate naar bijvoorbeeld 0.0001. Een lagere leerratio betekent tenslotte kleinere stappen bij het aanpassen van de gewichten (wat zich hier visueel vertaalt als minder snel aangepaste lijndiktes tussen de neuronen), waardoor het netwerk langzamer leert.

Experimenteer gerust verder met andere, ook meer geavanceerde instellingen om het netwerk – en jezelf – uit te dagen.

Met deze instellingen wordt de training van het neurale netwerk nagenoeg onmogelijk.

Deep learning

Een DNN is een van de meest effectieve methoden of algoritmen binnen machine learning (ML), waarbij computers leren van data zonder ze expliciet te moeten programmeren. Het is vooral geschikt voor complexe taken zoals beeldherkenning, spraakherkenning en taalverwerking.

Eenvoudige ML-modellen hebben meestal een of enkele verborgen lagen. Bij een complexere architectuur met meerdere verborgen lagen, die in staat is complexere patronen en relaties te herkennen, spreekt men van deep learning (DL). Deep learning is daarmee een subonderdeel van machine learning, al is het onderscheid niet altijd scherp te maken.

Bij DL gebruikt het neurale netwerk logischerwijze meer parameters, wat meteen ook een grotere hoeveelheid data vereist om het effectief te kunnen trainen. Meer data en parameters vereisen uiteraard ook meer rekenkracht, waarvoor vaak talrijke gpu’s (Graphics Processing Units) of gespecialiseerde processors als Googles TPU’s (Tensor Processing Units) nodig zijn.

Een Google TPU op een PCIe-kaart.

Google Teachable Machine

Experimenten met AI

Het zal je nauwelijks verbazen dat je, behalve geavanceerde kennis, frameworks als TensorFlow of PyTorch nodig hebt om een DL-model te ontwikkelen. Wil je hier desondanks toch mee experimenteren, dan biedt Googles Teachable Machine een uitstekende omgeving. Dit project heeft namelijk een interface waarmee je zonder technische expertise toch een AI-model kunt trainen.

Het platform is gebaseerd op DL-technieken en gebruikt neurale netwerken om patronen en kenmerken in diverse datasets te herkennen. Het werkt met voorgetrainde modellen, maar je kunt ook eigen gegevens toevoegen om een aangepast model te trainen. Na training kun je het model exporteren in verschillende formaten en inzetten in een web-app, mobiele app of op toestellen als Raspberry Pi, Arduino of IoT-apparaten.

Via deze GitHub-pagina vind je talrijke leuke projecten met Teachable Machine (van Bananameter tot Snake Game), evenals tutorials. Maar laten we nu vooral zelf aan de slag gaan met een bescheiden project.

Dit model heeft meteen door dat deze banaan overrijp is.

Starten met project

Surf naar https://teachablemachine.withgoogle.com. Hier leer je een computer trainen om je eigen afbeeldingen, geluiden en houdingen te herkennen. Klik op Aan de slag om een nieuw project te starten en kies uit drie modelopties: Projectafbeelding, Audioproject of Project met houdingen.

Wij nemen het eerste model als voorbeeld. Dit opent een venster waarin je kunt kiezen tussen een Model voor standaard afbeelding (kleur, 224 × 224 pixels) of een Model voor ingesloten afbeelding (grijswaarden, 96 × 96 pixels). Dit laatste, een embedded model, is geschikt voor microcontrollers. Wij kiezen hier voor het wat grotere standaardmodel.

Teachable Machine laat je uit drie grote trainingsmodellen kiezen.

Dataset en klassen aanmaken

Je komt nu terecht op een webpagina waar je eerst je dataset moet aanmaken. In dit geval bestaat deze uit afbeeldingen. Je deelt deze op in twee of meer categorieën, die je ook labelt. Teachable Machine heeft standaard twee categorieën (klassen), maar via +Een klasse toevoegen kun je eenvoudig meer klassen toevoegen.

Het aantal klassen dat je nodig hebt, hangt af van je project. Voor het onderscheiden van bijvoorbeeld QR-codes en zebrapatronen volstaan twee klassen (QR en Zebra). Wil je echter overrijpe, rijpe en rauwe bananen classificeren, dan heb je er minstens drie nodig. Zorg eerst dat het juiste aantal klassen beschikbaar is. Via de knop met drie stippen verwijder je desnoods overtollige klassen. Klik bij elke klasse op het potloodicoon en geef de categorie een zinvolle naam.

Daarna voeg je data toe aan elke klasse via de knop Uploaden of Webcam. Bij gebruik van de webcam moet je de pagina toegang geven tot de aangekoppelde camera. Door op Ingedrukt houden om op te nemen te klikken, stuur je continu snapshots naar Teachable Machine. De afbeeldingen verschijnen vervolgens in de betreffende klasse.

Vul je dataset met voldoende en gevarieerde afbeeldingen, via webcam en/of uploads.

Trainen en testen

Zodra je voldoende en gevarieerde data hebt toegevoegd, kun je het AI-model trainen. Klik op Model trainen om direct te starten of pas eerst enkele instellingen aan via het pijlknopje bij Geavanceerd. Hier kun je Tijdvakken, Batchgrootte en Leersnelheid aanpassen, vergelijkbaar met Epochs, Batch size en Learning rate in TensorFlow Playground. Klik op het vraagteken voor meer uitleg. Bij Geavanceerde opties kun je in een apart venster interessante statistieken over het trainingsproces bekijken. Na afloop verschijnt de melding Model getraind.

Klik rechts op Voorbeeld bekijken, zet Invoer op AAN en kies of je via Webcam of Bestand data wilt aanleveren. Wij kozen voor Webcam en testten met verschillende afbeeldingen van QR-codes en zebra’s. Bij Uitvoer toont Teachable Machine een percentage dat de zekerheid van de classificatie weergeeft.

Een QR-code op de rug van een zebra: daar heeft Teachable Machine niet van terug.

Export

Als alles goed werkt en je het model buiten de Teachable Machine-omgeving wilt gebruiken, klik je op Model exporteren. Kies voor Tensorflow.js, selecteer Downloaden en klik op Mijn model downloaden. Pak het gedownloade zip-bestand uit in een lege submap \my_model. Deze bevat een drietal bestanden, maar niet je trainingsdata. Dit komt doordat de neurale netwerkarchitectuur, geoptimaliseerde gewichten en modelconfiguratie kunnen volstaan voor nieuwe voorspellingen.

Ga vervolgens naar het tabblad Javascript, klik op Kopiëren en plak de code in een teksteditor, zoals Kladblok of Notepad++. Sla dit op als een html-bestand in de map net boven de submap \my_model.

Om lokaal te kunnen testen zonder browserfoutmeldingen zet je eerst een eenvoudige webserver op. Wij gebruikten de gratis Abyss Web Server (voor Windows, macOS en Linux). Plaats het html-bestand samen met de submap \my_model in de standaardmap C:\Abyss Web Server\htdocs. Dubbelklik erop om het in je browser te starten. Als het goed is, kun je nu meteen je AI-model testen. Succes.

Je kunt het model bijvoorbeeld testen via een lokale webserver.

Bij ID.nl zijn we gek op producten waar je niet de hoofdprijs voor betaalt. Een paar keer per week speuren we daarom binnen een bepaald thema naar zulke deals. Ben je op zoek naar een goede bluetooth-speaker voor mee op vakantie? Wij zochten vijf modellen voor je uit voor minder dan 90 euro.

Een draagbare bluetooth-speaker is superhandig als je graag muziek luistert, waar je ook bent. Je koppelt ze in een paar seconden aan je telefoon of tablet, en je kunt meteen je favoriete playlist afspelen – zonder gedoe met kabels of ingewikkelde installatie. Gewoon aanzetten, verbinden en gaan met die beat. Wij zochten vijf modellen voor buiten voor je op, voor minder dan 90 euro.

JBL FLIP 6

Deze Flip 6 van JBL neem je makkelijk overal mee naartoe, maar produceert ondanks zijn compacte formaat toch flink wat geluid. Hij is klein genoeg om in je tas te gooien, maar als je hem aanzet, komt er verrassend veel bas en helderheid uit. Perfect voor op het strand, in het park of gewoon thuis op de keukentafel. Hij kan tegen een stootje – letterlijk – en is helemaal waterdicht. Dus regen of zwembad? Geen probleem. De batterij gaat zo'n 12 uur mee, dus je komt wel een dagje door. En heb je een vriend die ook een JBL-speaker heeft? Dan kun je ze koppelen voor dubbel zoveel geluid.

💪 Gewicht: 941 gram
🌊 Waterdicht: IP67
🔊 RMS-vermogen: 10 watt
🔋 Speelduur: 12 uur

Marshall Willen

De Marshall Willen valt op: niet alleen qua geluid, maar ook door z'n iconische rock-'n-roll-uiterlijk. Hij past makkelijk in je jaszak en maakt indruk met z'n kraakheldere geluid. Ondanks z'n formaat krijg je verrassend veel punch. De accu gaat gerust een hele dag mee en je kunt 'm gewoon meenemen onder de douche of in de regen – hij is namelijk waterdicht. Wat ook fijn is: hij heeft een handige clip waarmee je 'm ergens aan kunt hangen. Ideaal voor onderweg of op de fiets.

💪 Gewicht: 476 gram
🌊 Waterdicht: IP67
🔊 RMS-vermogen: 10 Watt
🔋 Speelduur: 15 uur

Sony ULT Field 1

De Sony ULT Field 1 is compact, makkelijk te dragen en zit verrassend goed in elkaar. Wat echt opvalt is de bas: lekker diep en vol. En als je dat niet genoeg vindt, zet je gewoon de ULT-knop aan voor nog wat extra power. Hij is water- én stofdicht, dus je hoeft 'm niet te sparen. De batterij houdt het een uur of 12 vol, wat prima is voor een dagje buiten. Gewoon een fijne, robuuste speaker die doet wat je nodig hebt.

💪 Gewicht: 650 gram
🌊 Waterdicht: IP67
🔊 RMS-Vermogen: 30 Watt
🔋 Speelduur: 12 uur

Ultimate Ears WONDERBOOM 4

De WONDERBOOM 4 is klein, rond en vrolijk, maar klinkt alsof-ie twee keer zo groot is. Zet hem in het midden van de kamer of je picknickkleed en iedereen hoort even goed wat er speelt, dankzij 360° geluid – en dat werkt verrassend goed. Hij is waterdicht én kan drijven, dus hij mag mee in bad of op een bootje, zolang je 'm maar niet lang onder water houdt. De batterij gaat ongeveer 14 uur mee, en als je er twee hebt, kun je stereo afspelen. Kortom: klein ding, groot geluid, nul zorgen.

💪 Gewicht: 420 gram
🌊 Waterdicht: IP67
🔊 RMS-Vermogen: niet opgegeven
🔋 Speelduur: 14 uur

Denver BTG-615

Denver is misschien nog niet zo bekend als de grote merken, maar deze 15 Watt BTG-615 verrast zeker. Voor een speaker onder de 50 euro krijg je een stevig geluid en een leuke lichtshow dankzij de ingebouwde leds. Perfect voor feestjes in je woonkamer of buiten op het balkon. Hij is spatwaterdicht, dus een beetje regen overleeft-ie wel. De batterij gaat zo'n 5 uur mee - dat is wel een stuk minder dan de andere hier besproken modellen, maar in principe voldoende voor een middagje muziek. En met een handvat bovenop neem je hem zo mee. Geen poespas, gewoon een leuke speaker die doet wat je verwacht.

💪 Gewicht: 2 kg
🌊 Waterdicht: IPX5
🔊 RMS-Vermogen: 15 Watt
🔋 Speelduur: 5 uur