音に時差があるのはどうあがいても避けられない
だいたい64分音符1個分くらいはズレる
気になるならタップ音オフでやるのが良いと思う

画面を叩く音→0.2ms(40cm)→耳
タップ音→タッチのバッファ(8〜16ms)→処理→サウンドのバッファ(8〜16ms)→スピーカー→0.2ms→耳
(20〜40ms)
±3程度のズレ
(120bpmの時の32分音符の間隔が 62.5ms)