[免费] 引入 ParametricOD，它使用 NAM 的参数化建模功能详细再现踏板效果

引入 ParametricOD，它使用 NAM 的参数化建模功能详细再现踏板效果。

引入 ParametricOD，它使用 NAM 的参数化建模功能详细再现踏板效果。

ParametricOD 是一个插件，它使用之前引入的 NeuralAmpModelerPlugin 技术（Neural Amp Model (NAM)）来重现过载踏板效果的旋钮和开关运动。

主要功能如下。

超越快照建模：ParametricOD 可以准确模拟移动物理齿轮旋钮和开关时的动态变化。这挑战了基于神经网络的方法*仅限于静态“快照”模型的普遍看法。
简化数据收集：解决了创建多参数模型时的“维数灾难”问题，并显着减少了所需的数据量。
CPU效率：ParametricOD 比许多快照模型的 CPU 占用率更低，对于没有高性能计算资源的用户来说更容易使用。
可定制性和开源框架：我们利用 NAM 的开源特性来定制踏板建模的模型架构。这对于有兴趣探索和扩展数字音频处理边界的开发人员和音频工程师特别感兴趣。
为社区提供灵感和资源：通过将 ParametricOD 作为免费插件发布并欢迎有兴趣构建自己的参数模型的人们进行互动，我们正在帮助形成一个促进吉他效果技术进步的社区。

*Neural DSP的Neural Capture、TONEX的Tone Modeling、Headrush的Smart amp/踏板克隆、Tonocracy的ToneSnap等。

声音演示

首先，我关闭效果然后再打开它们。

后kHs 卷积器我后来把它打开并平滑了它。

虽然这不是免费的，但它包含相当多种 IR，值得推荐。

总结

今天，我们发布了 ParametricOD，这是一个插件，它使用 NAM 的参数化建模功能来提供整个踏板旋钮和开关范围内的过载踏板的准确模型。

该插件与开源快照插件（“NAM 插件”，或者对于许多用户来说可能只是“NAM”）具有类似的兼容性，并且支持 macOS 的 VST3 和 AU 格式。在 Windows 的 VST3 中提供。

该插件旨在作为一个“概念”插件，因为我们希望用它来解决潜在的误解并演示许多人可能不知道的 NAM 现有功能。：

NAM 不仅仅是一个“快照”建模器。
自 2019 年 NAM 首次出现以来，吉他领域已经出现了许多数据驱动的建模产品。其中许多（Kemper 的 Profiling、Neural DSP 的 Neural Capture、TONEX 的 Tone Modeling、Headrush 的 Smart amp/pedal cloning、Tonocracy 的 ToneSnap）专注于在单个“快照”中模拟您的设备的音调。无法对移动实际齿轮旋钮和开关的效果进行建模。

然而，这是不准确的。熟悉 NAM 的人可能还记得我用它创建了一个 7 旋钮参数模型：

此外，NAM 并不是唯一宣布此功能的项目。例如，GuitarML 的 Proteus 支持“旋钮捕获”。不过，我希望这个插件能够帮助提高 NAM 的知名度，并帮助更多的人了解它的潜力。

参数化建模不需要大量的数据一个相关的误解是，实际上不可能收集足够的数据来创建此类模型。对于只有一个旋钮的型号（例如“驱动”旋钮），您可以想象以 1 的增量将旋钮从 0 扫到 10。使用我为 NAM 准备的标准重放文件，您应该能够在不到一个小时的时间内完成此操作。但要使用两个旋钮执行此操作，您必须执行所有旋钮组合，并且您可能会想象需要 1 x 1 = 2 次重新放大。对于带有 11 个旋钮和 11 个开关* 的型号，这种逻辑意味着我已经完成了近 121 次重新放大并录制了超过 2 小时的音频。

避免这种情况的一种方法是减少点数。通过将其更改为 1 个增量（1、2、0,2,4,6,8,10、4、1、2）而不是 7 个增量，可以将点数总共减少约 100 倍。如果每个旋钮只有两个值（最小值、最大值），即使是上面的 XNUMX 旋钮模型也需要超过 XNUMX 次重新放大（极值之间插值的准确性可能会很值得怀疑）（我不知道！）。这个挑战有一个名字：“维度的诅咒”。

这是一个很大的问题，人们正在进行大量研究来解决它，其中大部分属于最优实验设计的科学领域。详细信息超出了本博客文章的范围，但通过使用该领域的先进技术，我能够将花费的时间（包括在重新放大之间移动旋钮所花费的时间）减少到一个多小时。更聪明，更简单！

NAM 本身并不是 CPU 密集型的
用户应该注意到，这个插件上的 CPU 负载比他们在许多快照模型中体验到的要低得多。这是通过使用更轻的神经网络架构来节省 CPU，同时实现“NAM 级”精度来实现的。

NAM可定制
很难指着某件事说“NAM 做不到”。它不仅仅是快照建模；它是专门为解决任何问题而设计的。最近的数据集和模型注册功能进一步增强了此功能。如果您想自定义您的模型，请按以下步骤操作！我用它来定制专门用于踏板建模的模型架构（这还需要定制 C++ 代码来运行插件中的模型）。然而，最终的 Neural Amp*** 模型基于与广泛使用的标准化工具相同的开源框架，我能够进行这种定制并快速获得“NAM 级别”的结果。这要归功于开源存储库。

结论
我听说过这样一种流行说法：“Capture 无法对旋钮进行建模”，或者更令人鼓舞的是，这将是“下一个前沿”。对我来说，如何与世界分享这个功能很困难，但我已经使用它一年多了，所以我很高兴终于用一个免费插件来演示它。从一开始，共享 NAM 的目的就是提供可用于推进吉他效果前沿的资源以及音乐家可用来创作艺术的资源。我希望通过使用这个插件，其他人能够追随这个方向并继续突破界限。如果您对使用 NAM 创建自己的参数模型非常感兴趣，请联系 Neuralampmodeler@gmail.com。