Učení modelu zesilovače hudebního nástroje pomocí neuronových sítí

Abstract

Kytarové zesilovače hrají klíčovou roli v rockové hudbě kvůli tzv. overdrive a jiným efektům, které jsou unikátní pro každý model. Představují zásadní investici do vybavení hudebníků, především pokud se jedná o elektronkové modely. Tato práce zkoumá možnost učení a emulace libovolného kytarového zesilovače pomocí umělých neuronových sítí. Byly implementovány jedna rekurentní jedna konvoluční neuronová síť, které poté byly trénovány na skutečných kytarových nahrávkách. Jejich přesnost pak byla vyhodnocena objektivně i pomocí poslechových testů. Výsledky ukazují, že představené neuronové sítě dokáží věrně napodobit overdrive efekt jen s drobnými nedokonalostmi. Tato práce se nevěnovala použití v reálném čase, výsledky ale mohou najít uplatnění v postprodukci.

Guitar amplifiers play a key role in rock music because of the overdrive and other effects unique to each model. They are a costly piece of musical equipment, especially when considering the vacuum valve models. This work explores the options to learn and emulate any guitar amplifier using artificial neural networks. One recurrent and one convolutional neural network architectures were implemented and trained on real guitar recordings. Their accuracy was then evaluated objectively and with listening tests. It was shown that the presented neural networks can create accurate emulations of the overdrive effects with only small imperfections. This work did not aim to create a real-time application, but it could be useful for post-processing.