Vamos analisar um de cada vez, na ordem correta:

1. Você está começando com um arquivo sem perdas. Isso é PCM ou compactado sem perdas (você não especificou). Se estiver compactado, deve ser convertido para PCM (ou descompactado) para fazer algo significativo. Isso geralmente é feito automaticamente por qualquer aplicativo que alega poder ler o formato, mas você deve estar ciente de que isso está ocorrendo. Visto que mais trabalho deve ser feito neste áudio, as amostras devem ser convertidas para o formato de ponto flutuante.

2. Em seguida, vem a conversão da taxa de amostragem. Como você disse corretamente, a conversão SR é complexa. Uma abordagem ingênua para a conversão SR produzirá distorção de "aliasing". Por exemplo, pegar todas as outras amostras de um arquivo de 44100 Hz fornecerá um arquivo de 22050, mas qualquer material que não possa ser representado corretamente em 22050, em vez de ser eliminado, será incorretamente representado. Dependendo de quanto havia, a representação incorreta pode soar extremamente ruim. A solução é filtrar essas coisas primeiro, então a conversão SR consiste em filtrar, seguida por reamostragem (embora haja um truque que permite fazer as duas coisas em uma única etapa, conceitualmente são duas etapas, nessa ordem). Normalmente a filtragem é feita automaticamente pelo software de conversão sr, mas você deve estar ciente disso porque isso faz a maior diferença para a qualidade. Não economize na qualidade do filtro se você se importar.

3. Finalmente, você reduz a profundidade de bits. Tal como acontece com a conversão SR, uma abordagem ingênua à redução de profundidade de bits resulta em um tipo de distorção, mas esse tipo de distorção é geralmente considerado menos desagradável. A solução para essa distorção é adicionar "dither", que é uma pequena quantidade de ruído. Você deve adicionar o pontilhamento antes da redução da profundidade de bits. Adicionar pontilhamento após a redução não terá outro efeito além de adicionar ruído. Para a maioria dos softwares, o pontilhamento é uma opção (se estiver disponível) e não é executado automaticamente. O pontilhamento que você usa, e mesmo que seja, é, em grande parte, uma questão de preferência e o material de origem. Existem grandes estúdios de masterização que não se incomodam mais em hesitar, embora, matematicamente falando, seja a única maneira de eliminar a distorção. [1] Quanto ao pontilhamento triangular vs "em forma" [2], a regra é esta: o pontilhamento em forma é usado para a última etapa, o pontilhamento triangular é usado para outras etapas. Portanto, no seu caso, você provavelmente deve usar um pontilhamento em forma. No entanto, você pode preferir o pontilhamento triangular padrão como sua última etapa se um pontilhamento em forma já tiver sido aplicado. Você tem que deixar seus ouvidos decidirem aquele, mas espero que a diferença seja tão sutil que você realmente não notará de qualquer maneira.

[1] Eles não incomodar porque o pontilhamento de distorção é projetado para proteger contra é efetivamente eliminado simplesmente por causa da falta de faixa dinâmica na música que estão produzindo. Se a faixa dinâmica da música (o pop moderno tem uma faixa dinâmica de cerca de 6 a 10 dB) é muito pequena em comparação com a faixa dinâmica do meio (os CDs têm uma faixa dinâmica de cerca de 96 dB), você realmente não precisa dither.

[2] a diferença entre os dois é que um pontilhamento "triangular" é o ruído branco. Uma tentativa de pontilhamento "em forma" torna-se menos audível, mudando a frequência do ruído para fora do nosso alcance auditivo. Isso funciona muito bem, mas se você fizer isso repetidamente, pode resultar em algum aumento de alta frequência, especialmente se você estiver usando um pontilhamento de formato realmente agressivo como POW-R.