Lehet, hogy naiv vagyok, de szerintem ha a bal és jobb hangszóró egymáshoz közel van, én meg ehhez képest messzebb (példa: TV-t nézek), akkor a két csatorna hangja eléggé egyszerre fog a füleimbe érni, és már a levegőben kiolthatják egymást. Persze a reflexió meg egyebek miatt van random része, ami meg hallható lesz, de halkabb, tehát minimum torzul az is.
De ezek szerint nincs értelme olyan algoritmust írni, ami csak simán átlagolja a két oldalt minden pillanatban, mert annak nem sok köze lesz ahhoz, amit az ember hall, nem? Még ha nem is ilyen speciális hangfájlokról van szó, akár véletlen is lehetnek olyan részek a felvételben, hogy pl. egy hangszer hangja (ami nem pont középen volt) a jobb és bal oldal között pont akkora fáziseltolásban van, hogy eltorzítják egymást.