Karaoke is een populaire bezigheid op feestjes. Veel heb je er niet voor nodig: een beeldscherm, een audiobestand waarin de zang ontbreekt, en tekst dat op het juiste moment voorbijkomt. In dit artikel leren we je hoe je van je eigen favoriete nummer een professionele karaokeversie maakt. Zo kun je lekker ongegeneerd zingen.

Karaoke betekent in het Japans ‘leeg orkest’. Daarmee wordt een audiobestand bedoeld waarin de zang ontbreekt. Tegenwoordig is daarmee meezingen ook bij ons populair op feestjes en in kroegen. Naast speciale karaoke-apparaten gebruiken veel mensen de pc als karaokemachine. Die bevat al alle benodigde hardware, zodat je alleen nog een microfoon en afspeelsoftware nodig hebt. We gaan aan de slag!

Verzameling

Karaoke bevat doorgaans speciaal voor dit doel opgenomen materiaal dat sterk lijkt op de originele hit. Het kost je enkele euro’s per nummer. Daarmee loopt het aanleggen van een leuke verzameling al snel in de papieren. Alhoewel er al jaren technische foefjes zijn om zang uit bestaande muziek te filteren, is de kwaliteit daarvan gebrekkig. Maar tegenwoordig schiet kunstmatige intelligentie te hulp. Daarmee kun je de zang vaak vrijwel perfect uit bestaande nummers halen. Daarmee heb je de echte muziek en geen nagespeelde surrogaatklanken.

Geen garantie

Formaten

Naast audio vereist karaoke tekst die synchroon met de muziek op een beeldscherm verschijnt. Dat kan met gewone video, maar wanneer je favoriete nummer te hoog of te laag is voor je stembereik, heb je een probleem. Karaokesoftware biedt als voordeel dat het je in staat stelt om de afgespeelde muziek zonder kwaliteitsverlies hoger of lager te laten klinken. Zo kun je het altijd perfect aanpassen aan jouw stem. In dat geval wordt doorgaans gebruikgemaakt van twee losse bestanden: mp3 voor audio en cdg voor tekst.

Alhoewel heel veel muziek in dit formaat te koop is, is de kans toch groot dat je net iets wilt zingen waarvan geen karaokeversie bestaat. Daarom gaan we ook onze eigen ‘orkestband’ met tekst maken.

Bron: favoriete nummer

Heb je je favoriete nummer al beschikbaar op de harde schijf als een mp3-, wav-, ogg- of flac-bestand? Sla dan deze stap over. Heb je dat nog niet, dan heb je een cd nodig met daarop de gewenste opname. Daarvan moet je vervolgens het favoriete nummer rippen dat we gaan bewerken.

Voor het rippen van muziek van cd’s bestaat al vele jaren gespecialiseerde software. Ben je gewend om met dergelijke software te werken, dan is dit het moment om het schijfje in de speler te stoppen en dat programma erop los te laten. Heb je geen speciale rip-software, dan hoef je niets te installeren, want Windows Media Player kan het ook.

Om te rippen stop je de cd in de speler en kies je in de verkenner voor Afspelen. Mocht je een andere mediaspeler gebruiken die het schijfje opent, dan kun je ook de bijbehorende map openen, rechtsklikken op de gewenste audiotrack en kiezen voor Openen met om vervolgens Media Player te selecteren.

Klik nu op het pictogram rechtsboven Schakelen naar Bibliotheek. Verwijder alle vinkjes door op het bovenste vinkje te klikken en zet daarna een vinkje bij het nummer dat je wilt rippen. Klik op het driehoekje naast Ripinstellingen en kies Meer opties. Zet het schuifje bij Audiokwaliteit op Beste kwaliteit en klik op OK. Klik tot slot op CD Rippen.

Het gemaakte mp3’tje vind je na enige tijd in de map Muziek. Als Windows Media Player zelf een artiest en titel heeft gevonden, dan vind je die hier terug en anders heten de mappen Artiest Onbekend en Album Onbekend. Je kunt het mp3’tje daar zelf de juiste naam geven.

©PXimport

Splitsen

Nu we de audiobron in mp3-formaat hebben, wordt het tijd om zang en achtergrond te splitsen. Voor dat doel ontwikkelde muziekdienst Deezer in 2019 Spleeter, een opensource-programma dat deze klus door middel van kunstmatige intelligentie kan klaren.

Omdat het gebruik hiervan wat moeite kost, ontwikkelden enkele liefhebbers SpleeterGUI dat het proces vergemakkelijkt. We downloaden dat programma hier. De installatie ervan biedt geen bijzonderheden.

Na installatie vind je SpleeterGUI in het Startmenu. Na het openen hoef je slechts een pad op te geven waar de gesplitste bestanden moeten worden opgeslagen. Daarna kun je het zojuist gemaakte audiobestand naar het venster van SpleeterGUI slepen en vind je het eindproduct, afhankelijk van de snelheid van je pc, binnen enkele minuten in de opgegeven map.

Het programma kan ook meerdere bestanden achter elkaar verwerken via de knop Or select music file(s). Daarnaast kun je bij Parts to separate eventueel muziek nog verder uitsplitsen om ook zaken als bas en drums te isoleren. Dat is interessant wanneer je muzikant bent en wilt meespelen.

©PXimport

Mapinhoud

In de opgegeven map vind je een nieuwe map met de naam van de verwerkte track, in ons geval ‘Wat een fijne dag’ van Raymond van het Groenewoud, waarmee we aan de slag willen. In die map vind je twee wav-bestanden genaamd Accompaniment en Vocals. De eerste spelen we helemaal af om te horen of het resultaat bevalt.

Zoals we in het kader ‘Geen garantie’ al zeiden kan het resultaat een enkele keer tegenvallen. Je zult soms merken dat de muziek net een fractie doffer klinkt wanneer de is verwijderd. Dat zou je nog kunnen oppoetsen met een gratis audiobewerker, zoals OcenAudio of Audacity, maar dat is een workshop op zich. Wij zijn tevreden met dit materiaal.

©PXimport

Tekst

Nu hebben we uiteraard de songtekst nodig. Gelukkig zwerven er honderdduizenden op internet, dus als je favoriete karaokenummer niet al te obscuur is, dan is het vast te vinden. Wij googelen ‘Wat een fijne dag Groenewoud tekst’ en hij verschijnt direct in zijn geheel als eerste zoekresultaat.

We kopiëren de tekst, openen kladblok, plakken daarin de tekst en slaan het bestand op onder de titel van het nummer in de map waar onze muziek zich bevindt. Is de tekst echt niet te vinden, dan zou je eventueel de albumhoes of het cd-boekje kunnen scannen als de tekst daarin staat. Dat moet je dan nog verwerken met een OCR-programma, wat vaak alleen foutloos lukt als de tekst in een duidelijk lettertype is gezet. Zelf de tekst overtypen is daarom doorgaans sneller.

©PXimport

Converteren

We hebben de muziek na het splitsen met SpleeterGUI nu in wav-formaat, maar we hebben een mp3 nodig. Als je een converteerprogramma hebt, kun je dat gebruiken. Wij geven de voorkeur aan File Converter dat via het contextmenu van verkenner allerlei soorten bestanden kan converteren.

De installatie is simpel. Eenmaal geïnstalleerd navigeer je naar de map met het wav-bestand, daar rechtsklik je op en kiest File Converter, To mp3. De klus wordt snel geklaard en het mp3’tje verschijnt in dezelfde map.

‘Karaokiseren’

Het opgeslagen tekstbestand moeten we nu in een voor karaoke bruikbare vorm gieten. Daarvoor gebruiken we het programma Karaoke Lyrics Editor dat te vinden is op www.tiny.cc/karaokelyrics. Pak het zip-bestand uit in een map naar keuze en start in die map het programma Karlyriceditor.exe.

Klik op New Project / Next / Next / Browse. Open het mp3-bestand met de originele muziek (dus mét zang!) en vul indien nodig de overige gegevens in.

Klik weer op Next en op Finish. Geef het project een titel en klik op Opslaan. Open het txt-bestand met de songtekst en kopieer dat naar het venster van de Karaoke Lyrics Editor. Zet tot slot de cursor aan het begin van de eerste zin.

©PXimport

Tijdcodes

Via tijdcodes weet de karaokesoftware straks wanneer tekst in beeld moet verschijnen. Met Karaoke Lyrics Editor breng je die heel makkelijk aan. Start de muziek en houd je vinger paraat boven de F5-toets. Als het een favoriet nummer van je is, zing je in gedachten waarschijnlijk al mee. Tik op F5 vlak voor de eerste zin gezongen wordt en meteen weer als deze klaar is. Herhaal dit proces tot het eind van het nummer.

Als de gedownloade songtekst niet helemaal accuraat blijkt, kun je achteraf onder meer nog wijzigingen aanbrengen, tijdcodes wissen en regels splitsen. Zorg ook dat er tussen elk te zingen regel een witregel zit. Sla het project op.

Wisseltruc

Met een klik op Validate Lyrics kun je testen of er problemen zijn, bijvoorbeeld in de vorm van te veel tekst per scherm. Als dat zo is dan moet je regels splitsen (F11).

Als alles ok is, klik je op Test Lyrics. Verschijnt de karaoke naar wens in beeld? Dan is het tijd voor de grote wisseltruc.

Sluit Karaoke Lyrics Editor en hernoem het originele mp3-bestand door bijvoorbeeld ‘origineel’ voor de naam te zetten. Kopieer nu het bestand zonder zang naar diezelfde map en let erop dat de titel hetzelfde is als die van het origineel. Open nu Karaoke Lyrics Editor weer en als je test, zul je merken dat je nu echte karaoke hebt.

©PXimport

Exporteren

Tot slot moeten we ons werk nog exporteren in de gewenste vorm. Via Project / Export lyric file kun je een UltraStar-bestand maken om met het gelijknamige programma zangwedstrijden te houden. Pure karaoke maak je bij Project / Export CD+G file. Hier kun je zaken als tekstgrootte en -kleur instellen.

Als je tevreden bent schrijf je met OK het cdg-bestand weg. Samen met de bijbehorende mp3 kun je daarvan een cd maken voor bepaalde apparaten, maar op de pc kun je ze ook openen met Karafun Player, een van de beste gratis karaokeprogramma’s.

Heb je geen behoefte om met een karaokespeler de toonhoogte of het tempo te kunnen wijzigen? Dan kun je je bestand ook wegschrijven als video (Project / Export video).

Het maken van karaoke lijkt misschien een complex proces, maar je zult merken dat het allemaal heel snel gaat wanneer je er een beetje bedreven in raakt. Niets staat je dan nog in de weg om een mooie collectie aan te leggen. Veel zangplezier!

©PXimport

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