Результаты поиска

Изначально вообще были один набор ручек на мощник :) Как раз были пожелания сделать независимо и каналы преда, и остальное, что, в итоге, и было сделано. Мощники всё равно крутить придётся, т.к. есть некоторая разница по громкости между типами ламп. Хотя насчёт линковки или копирования...

Немного поздновато заметил, но вдруг понравится: https://guitarplayer.ru/guitar-studio/plaginy-st-rock/ Можно оставить только один блок грелок, где есть TS или SD1 на выбор.

Ну вот сколько NNM на твоей системе потребляет (а он работает в 2х-канальном режиме на стерео-дороге, как в том же рипере) и сколько NAM, вот по разнице можно представить насколько мощнее нужен проц. Сейчас в железке первая часть нейросети, которая работает на одном из MCU/DSP, потребляет 84%...

Да. Так что доработки будут.

Может быть задержку надо не положительную, а отрицательную выставить, если прогнанное надо сдвинуть влево. Вообще лучше прогнать какой-нибудь просто сэмпл просто в лупбеке через интерфейс, определить сдвиг и в DAW выставить Record Offset/Shift итд. Чем потом по прогнанному через усилитель...

И профиль обученный через ToneX и экспортированный в NNM. Для сравнения.

И не будет, всё сделано исходя из имеющейся мощности железа. А вот с ToneX, через конвертацию из него, совместимо. ps. профиль полученный через обучалку.

https://www.st-rock.com/vst/ Текущие ограничения - загрузчик (плагин) грузит только нейросети обученные на 44к. Ресэмплинга пока нет, так что надо использовать в проектах с сэмплрейтом 44к.

На маках М1 должно и без видюхи работать, а на писи только с нвидией, питорч на амд только в линуксе пока вроде. По идее надо поставить всё что надо и просто запустить локально :) Вряд ли кто-то готовый экзешник, который будет запуском питоновских скриптов в правильном окружении заниматься (как...

Конвертировать малореально такое. Обучать на 96к можно, но надо залезать в питоновские файлы и убирать тупое ограничение 48к, честно говоря они его бы сами могли убрать, привязавшись к сэмплрейтам файлов, я для старой версии NAM (которая с LSTM) такое делал, чтобы обучать по сигналу ToneX. Вот...

Только есть нюанс что формально они голый амп (без каба) обучают тоже с такой же конфигурацией сети, что и в варианте с кабом. И последний свёрточный слой напоминает тонстек + импедансную кривую по АЧХ, а в профиле больше места для ещё какого-то импульса нет... так что я не знаю как они...

Жалко что обученное через colab в ToneX не запихнёшь из-за кодирования данных. Обучить не проблема :)

Нет GPU, вот и будет считаться на CPU.

А я заметил что нейросетки сами по себе немного альясинг подавляют. Не только с ToneX, но и с GuitarML тем же. Но никаких дополнительных возможностей особо нет, можно конечно ADAA использовать для активационных функций, но не больше. В случае ToneX это ещё будет хоть как-то вменяемо, т.к. там...

Оно и через проц прекрасно обучает... может конечно не прекрасно, во всяком случае не так как с GPU :) Может минут 40 чисто на современном мощном проце, а не 15, как с GPU.

Нейросетки и оверсэмплинг вообще вещи слабосовместимые. Обычно нейросетки не могут работать на сэмплрейте отличном от обучения. Во всяком случае где есть частотная зависимость.

Не надо путать тёплое с мягким. У ToneX большая часть объёма это библиотеки CUDA, чтобы через них TensorFlow работал, сам плагин (плеер) весит существенно меньше, хотя и больше протеуса (который просто плеер с гораздо более простым интерфейсом, без кучи графона). А так, если раскручивать...

А смысла особого нет, обучение на 48к, на них и надо использовать.

@Kosten, а есть файлы для профилирования? Просто интересно посмотреть с сеткой ToneX, но с модифицированным обучением, сравнить с NAM потом. У NAM (на ГП были примеры) затухание неестественное выходит, у тоникса, в чистом виде тоже, но не настолько...

Ну что на компах, даже и более древних, можно это как раз не проблема :) А вот DSP/MCU довольно посредственные на этом фоне по производительности. Там 1 ГГц это уже круто.

Вот только вопрос какая там задержка выйдет, ещё и через педальный интерфейс от хотон, наверно тоже не чемпион по задержкам :)

ToneX видать сразу под железку затачивался, там нейросетка маленькая. А WaveNet в NAM даже затратнее GuitarML, который раза в 3 больше такого же нелинейного блока ToneX (т.е. затраты ещё выше, квадратичны от размера самой сети). ToneX мог бы и получше давать результат, но они респонз (во всяком...

Для Proteus есть инструкции как учить, а вот чтобы сделать другой размер уже приходится залезать под капот :)

С одной стороны как раз по низу рекуррентные нейросети может и ближе по процессам к усилителю, чем свёрточные :) Но так ToneX ничем особо не лучше GuitarML с размером 16. В ToneX явно плясали от необходимости потом это запустить на железе, поэтому и небольшой размер.

А NAM какой версии, буквально полгода назад у них основным был другой подход? Кстати, не далёкий от ToneX, в котором основная нелинейная часть тот же самый LSTM, но размером 16. А сейчас основной подход в NAM это WaveNet, хотя и LSTM тоже можно использовать. Кстати голый LSTM на 16 (обученный...