[Gratis] Presentamos ParametricOD, que reproduce efectos de pedal en detalle utilizando la función de modelado paramétrico de NAM

Presentamos ParametricOD, que reproduce los efectos del pedal en detalle utilizando la función de modelado paramétrico de NAM.

Presentamos ParametricOD, que reproduce los efectos del pedal en detalle utilizando la función de modelado paramétrico de NAM.

ParametricOD es un complemento que utiliza la tecnología NeuralAmpModelerPlugin introducida anteriormente (Neural Amp Model (NAM)) para reproducir los movimientos de perilla y interruptor de un efecto de pedal de overdrive.

Las características principales son las siguientes.

Más allá del modelado instantáneo: ParametricOD puede emular con precisión los cambios dinámicos al mover botones e interruptores de engranajes físicos. Esto desafía la percepción común de que los métodos* basados en redes neuronales se limitan a modelos estáticos de "instantáneas".
Optimice la recopilación de datos: Aborda el problema de la "maldición de la dimensionalidad" en la creación de modelos multiparamétricos y reduce significativamente la cantidad de datos necesarios.
eficiencia de la CPU: ParametricOD tiene un menor uso de CPU que muchos modelos instantáneos, lo que lo hace más accesible para usuarios sin recursos informáticos de alto rendimiento.
Personalización y marco de código abierto.: Aprovechamos la naturaleza de código abierto de NAM para personalizar la arquitectura del modelo para el modelado de pedales. Esto es de particular interés para desarrolladores e ingenieros de audio interesados en explorar y ampliar los límites del procesamiento de audio digital.
Inspiración y recursos para la comunidad.: Al lanzar ParametricOD como un complemento gratuito y dar la bienvenida a la interacción con personas interesadas en construir sus propios modelos paramétricos, estamos ayudando a formar una comunidad que fomenta el avance tecnológico en efectos de guitarra.

*Captura neuronal de Neural DSP, modelado de tono de TONEX, clonación inteligente de amplificador/pedal de Headrush, ToneSnap de Tonocracy, etc.

demostración de sonido

Al principio, apago los efectos y luego los enciendo.

otra cosaConvolvedor kHsLo encendí más tarde y lo alisé.

Aunque esto no es gratuito, contiene una gran variedad de IR y se recomienda.

概要

Hoy lanzamos ParametricOD, un complemento que utiliza las capacidades de modelado paramétrico de NAM para proporcionar un modelo preciso de un pedal de overdrive en todo el rango de perillas e interruptores del pedal.

Este complemento tiene compatibilidad similar con el complemento de instantáneas de código abierto ("complemento NAM", o tal vez simplemente "NAM" para muchos usuarios) y admite los formatos VST3 y AU para macOS. Disponible en VST3 para Windows.

Este complemento está pensado como un complemento "conceptual" en el sentido de que queremos usarlo para abordar posibles conceptos erróneos y demostrar las características existentes de NAM que quizás muchas personas no conozcan. :

NAM no es sólo un modelador de "instantáneas".
Desde que NAM apareció por primera vez en 2019, han surgido una serie de productos de modelado basados en datos en el espacio de la guitarra. Muchos de ellos (Kemper's Profiling, Neural DSP's Neural Capture, Tone Modeling de TONEX, Smart amp/pedal cloning de Headrush, ToneSnap de Tonocracy) se centran en emular el tono de su equipo en una sola "instantánea", lo que da la impresión de que los métodos neuronales son incapaz de modelar los efectos de mover pomos e interruptores de cambios reales.

Sin embargo, esto no es exacto. Quienes estén familiarizados con NAM recordarán que lo usé para crear un modelo paramétrico de 7 perillas:

Además, NAM no es el único proyecto que anuncia esta característica. Por ejemplo, Proteus de GuitarML admite la "captura de perillas". Sin embargo, espero que este complemento ayude a crear conciencia sobre NAM y ayude a más personas a conocer su potencial.

El modelado paramétrico no requiere cantidades imposibles de datos Una idea errónea relacionada es que es prácticamente imposible recopilar suficientes datos para crear tales modelos. Para los modelos con una perilla (por ejemplo, la perilla “drive”), puede imaginarse barriendo la perilla de 1 a 0 en incrementos de 10. Usando un archivo reamp estándar que he preparado para NAM, deberías poder hacer esto en menos de una hora. Pero para hacer esto con dos perillas tendrías que hacer todas las combinaciones de perillas, y podrías imaginar que necesitarías 1 x 1 = 2 reamps. Para este modelo con 11 perillas y 11 interruptores*, esta lógica significa que hice casi 121 reamplificaciones y grabé más de 2 horas de audio.

Una forma de evitarlo es reducir el número de puntos. Puede reducir la cantidad de puntos aproximadamente 1 veces en total cambiándola a 1 incrementos (2, 0,2,4,6,8,10, 4, 1, 2, 7) en lugar de 100 incremento. Si solo hay dos valores por perilla (mínimo, máximo), incluso el modelo de XNUMX perillas anterior requeriría más de XNUMX reamplificaciones (la precisión de la interpolación entre valores extremos puede ser bastante cuestionable) (¡No lo sé! ). Este desafío tiene un nombre: "Maldición de las dimensiones".

Este es un problema tan grande que se están realizando muchas investigaciones para resolverlo, muchas de ellas dentro del campo científico del diseño experimental óptimo. Los detalles están más allá del alcance de esta publicación de blog, pero al usar técnicas avanzadas en este campo, pude reducir el tiempo invertido (incluido el tiempo dedicado a mover perillas entre reamplificadores) a poco más de una hora. ¡Más inteligente, menos difícil!

NAM no requiere inherentemente un uso intensivo de CPU
Los usuarios deben notar que la carga de CPU en este complemento es mucho menor que la que experimentan con muchos modelos de instantáneas. Esto se logra mediante el uso de una arquitectura de red neuronal más liviana para ahorrar CPU y al mismo tiempo lograr una precisión de "nivel NAM".

NAM se puede personalizar
Es muy difícil señalar algo y decir: "El MNOAL no puede hacer eso". No se trata sólo de un modelado instantáneo; está diseñado específicamente para resolver cualquier problema. Las capacidades recientes de registro de conjuntos de datos y modelos mejoran aún más esta funcionalidad. Si quieres personalizar tu modelo, ¡aquí te explicamos cómo! Utilicé esto para personalizar la arquitectura del modelo específicamente para el modelado de pedales (que también requería código C++ personalizado para ejecutar el modelo en el complemento). Sin embargo, el modelo Neural Amp*** resultante se basa en el mismo marco de código abierto que una herramienta estandarizada ampliamente utilizada, y pude realizar esta personalización y obtener rápidamente resultados de "nivel NAM". Esto fue posible gracias al código abierto. repositorios.

Conclusión
He escuchado la frase popular de que "Capture no puede modelar perillas" o, lo que es más alentador, que ésta será la "próxima frontera". Fue difícil para mí entender cómo compartir esta función con el mundo, pero la tengo desde hace más de un año, así que estoy feliz de poder demostrarla finalmente con un complemento gratuito. Desde el principio, el propósito de compartir NAM ha sido proporcionar recursos que puedan usarse para avanzar en la vanguardia de los efectos de guitarra y lo que los músicos pueden usar para crear arte. Espero que al usar este complemento, otros sigan en esta dirección y continúen superando los límites. Si está realmente interesado en crear sus propios modelos paramétricos utilizando NAM, comuníquese con neuralampmodeler@gmail.com.