Я думаю, это эффект скриншотов, снятых в разные промежутки времени.
Происходит он от того, что человек не в состоянии нажать в span'e кнопку hold в одно и то же время, с точностью до миллисекунд
Устраняется прослушиванием без всяких анализаторов
Да, еще поставь 512 вместо 64))))