Er bestaan onnoemelijk veel videoformaten en veel apparaten kunnen slechts met een of enkele daarvan uit de voeten. Uitzondering is de pc die – mits goed geconfigureerd – vrijwel alle soorten video aankan. De pc is dan ook het ideale hulpje om video’s in een vorm te gieten die past bij het apparaat waarop u ze wilt bekijken. We doen dat met een conversieprogramma en wel Freemake Video Converter.

©CIDimport

1. Downloaden en installeren

Surf naar www.freemake.com en klik onder Freemake Video Converter (FVC) op Download Now. U wordt dan omgeleid naar download.com waar u opnieuw op Download Now klikt. Sla het bestand op in een map naar keuze, open deze map in Verkenner en open het gedownloade bestand om de installatie te starten. Klik bij eventuele beveiligingswaarschuwingen op Uitvoeren en Doorgaan. Klik in de installer op OK en Next, pas desgewenst de installatiemap aan, klik tweemaal op Next en dan op Install. Klik tot slot op Finish waarna het programma opstart (zie afbeelding). Het browservenster dat meldt dat uw versie up-to-date is, kunt u sluiten.

2. Configuratie

Er valt aan FVC niet zo heel veel te configureren, maar op enkele punten willen we toch uw aandacht vestigen. Als u via File, Options naar het configuratievenster gaat, ziet u daar op het eerste tabblad wellicht de optie Use CUDA. CUDA is een technologie die ervoor zorgt dat de rekenkracht van een flink aantal van de grafische kaarten van nVidia kan worden benut bij het converteren van video. Op www.nvidia.com/object/cuda_gpus.html leest u welke modellen dit zijn. Zit uw kaart erbij, dan kunt u met de nieuwste stuurprogramma’s CUDA gebruiken. Het tabblad Accounts is handig wanneer u video’s maakt voor YouTube, Facebook of Nicovideo. In dat geval kunt u hier desgewenst uw inloggegevens invoeren. Sluit het venster met OK.

3. Gebruikers-interface

De gebruikersinterface van FVC is kinderlijk eenvoudig: bovenin ziet u vijf knoppen die betrekking hebben op wat u in het programma stopt en onderin ziet u acht knoppen die te maken hebben met de uitvoer. De onderste rij kunt u verschuiven met de driehoekjes aan weerszijden en dan blijken er nog eens zes uitvoerknoppen bij te komen. De standaard-werkwijze voor het converteren van video (of audio) is daarmee bepaald: voeg een te converteren bestand toe via een van de bovenste knoppen, kies een uitvoertype met een van de onderste knoppen en start de con-versie. We gaan deze werkwijze toepassen in enkele veel voorkomende situaties.

Specificaties

Elk videobestand heeft een aantal specificaties die in feite de vingerafdruk van de video vormen. De eerste is het aantal beeldpunten, bijvoorbeeld 640x360. Daarnaast is er de hoeveelheid data die het afspeelapparaat moet verwerken (bijvoorbeeld 400 Kilobit per seconde – Kbps) en een aantal beeldjes per seconde, bijvoorbeeld 25 fps (frames per second). Het bijbehorende geluid heeft een kwaliteit uitgedrukt in KiloHertz (bijvoorbeeld 22 KHz) en ook daarbij behoort een bepaalde hoeveelheid data, bijvoorbeeld 64 Kbps. Tot slot wordt geluid via een aantal kanalen aangeboden in bijvoorbeeld mono- (1), stereo- (2) of 5.1 surround-kwaliteit (6). Video en audio worden doorgaans gecomprimeerd. Dit heet coderen. Voor het afspelen moet de informatie worden gedecodeerd. Dat alles gebeurt met een codec waarvan er heel veel verschillende zijn. Aan het bestandstype kunnen we helaas niet direct zien welke codec is gebruikt.

Enkele vuistregels: converteer niet van een lagere naar een hogere kwaliteit beeld of geluid, laat het aantal fps in bron- en doelbestand liefst hetzelfde en kom ook niet aan de verhouding tussen hoogte en breedte.

©CIDimport

4. Internetfilmpjes

De eerste variant die we bekijken is het binnenhalen en converteren van een internetfilmpje. Als voorbeeld surfen we naar

. We markeren deze link in de adresbalk en kopiëren deze naar het klembord met Ctrl+C. Nu schakelen we naar FVC en klikken daar op Paste URL. FVC toont nu titel, lengte en url van het filmpje en met de knop achter het filmpje kunnen we het afspelen. Wij willen het echter converteren naar 3gp-formaat voor ons mobieltje. We klikken daarvoor in de onderste rij pictogrammen op To 3GP. Nu opent zich een nieuw venster (zie afbeelding) waarin we de eigenschappen van het uit te voeren filmpje moeten bepalen. Het venster toont om te beginnen een voorinstelling (preset) in het formaat HD 720p – een zeer hoogwaardig soort video met 1280x720 beeldpunten en geluid dat is gecomprimeerd volgens de aac-standaard (een variatie op het bekende mp3). Klikken we op de driehoek, dan zien we nog andere presets van een steeds lagere beeldkwaliteit. Boven de Convert-knop zien we technische gegevens van de te converteren video: 640x360, 400 Kbps, 25 fps 22 kHz, 64 Kbps, Mono (zie kader). Deze zijn van belang voor het bepalen van het uitvoerformaat. De eerste preset (HD 720p) heeft geen zin omdat de kwaliteit van het bronmateriaal lager is (640x360).

De preset TV Quality is wel bruikbaar, maar als uw (oude) mobieltje daar moeite mee heeft, kunt u een nog lagere kwaliteit kiezen. Door op de ‘…’ achter het vak Save To te klikken kunt u een doelmap voor het bestand opgeven. Tot slot klikt u op Convert. Binnen de opgegeven kwaliteitsgrens converteert FVC het bestand nu automatisch zo goed mogelijk.

©CIDimport

5. DVD

In de tweede variant willen we een dvd op onze iPod bekijken. We klikken daarvoor op +DVD en kunnen nu de Video_TS-map van een dvd selecteren. Dat kan een fysieke dvd zijn maar ook een iso-bestand in een virtueel station of een map op de harde schijf. FVC analyseert vervolgens de dvd en geeft een lijst met gevonden items. Standaard worden alleen de langste aangevinkt zodat bijvoorbeeld alleen de hoofdfilm wordt geconverteerd en geen andere bestanden. Wij selecteren echter alles en klikken op OK. FVC toont nu alle filmpjes en hun specificaties en daarachter een afspeelknop met schaar. Wanneer we hierop klikken opent zich een nieuw venster (zie afbeelding). Hierin kunnen we het item afspelen en delen wegknippen (handig om reclame te verwijderen). Dat doet u met de knoppen Start Selection, End Selection en Cut Selection. Ook kunt u hier beeld roteren. Als u klaar bent, klikt u op OK. Klik dan op To Apple. U krijgt nu presets voor verschillende types iPods, iPhones of de iPad. Converteren verloopt weer als hiervoor.

6. HD video

Tot slot converteren we een hd-video. We klikken op het +Video-pictogram en openen ditmaal een van internet gedownloade film in mkv-formaat. Deze is 13,4 GB groot en past daardoor niet op een dvd en heeft 5.1-audio in dts-formaat waarmee niet elk systeem raad weet. We kiezen daarom voor converteren naar mkv. De standaard-preset (Same as Source) is perfect want deze laat alle waarden intact maar past wel de audio aan naar aac. Als schatting voor het eindresultaat geeft FVC 4145 Mb (bedoeld wordt MB!) en dat is wat weinig. Wanneer we daar op klikken en vervolgens Auto aanklikken kunnen we echter een andere maat opgeven. We kiezen voor Double Layer DVD en klikken op OK. Wanneer we nu op Convert klikken maakt FVC een bestand dat op een DVD9 past.

Dit alles is nog maar een deel van de mogelijkheden; dvd’tjes en blu-ray-discs branden, foto’s omtoveren tot diashow met muziek en als video opslaan, Youtube-filmpjes maken en uploaden, video’s converteren naar Flash voor op uw website, muziek uit een filmpje halen, FVC doet het allemaal azendsnel en bijna zonder dat u zich in de techniek hoeft te verdiepen. Wilt u dat toch, dan kunt u in het venster van afbeelding 2 uw eigen presets maken.

Deze workshop komt uit Computer Idee nummer 5, jaargang 2011.

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