5分钟跑通NAM：用神经网络给自家音箱模拟一个数字分身

【免费下载链接】neural-amp-modelerNeural network emulator for guitar amplifiers.项目地址: https://gitcode.com/GitHub_Trending/ne/neural-amp-modeler

卧室里永远开不大失真管箱，录音室的箱子搬回家又怕被投诉——你的真实设备只会在某个固定电平下工作，而你想要的过载音色却需要它满负荷嘶吼。NAM（Neural Amp Modeler）的思路是反过来的：把你的音箱或踏板 reamp 一遍，把这段"设备怎么反应"的数据喂给神经网络，训练出一个能在任意输入电平下复现真实设备响应的.nam模型。全程开源免费，跟着做，5 分钟就能跑通第一个模型。

快速上手：环境安装与第一次训练

仓库提供了 environments/ 里的现成环境定义（CPU 与 GPU 各一份），也可以直接 pip 安装。用 conda 的方式：

git clone https://gitcode.com/GitHub_Trending/ne/neural-amp-modeler cd neural-amp-modeler conda env create -f environments/environment_gpu.yml conda activate nam

训练用 GUI 只需一个命令：

nam

点 "Download input file" 下载标准化测试信号，把它 reamp 过你的设备，渲染成长度一致的 WAV（采样率 48kHz、24-bit 位深，与输入文件完全对齐）。第一次嫌麻烦的话，直接用文档里给的现成 input/output 示例文件跑通流程。在 docs/source/tutorials/gui.rst 里有更完整的图文步骤，数据要求就四条：

• 采样率、位深与输入文件一致；
• 输出长度与输入完全相同（输入文件是整秒数，DAW 里按节拍卡长度最省事）；
• send 电平给足：太低的输入电平下设备根本没进入失真区，模型自然学不到过载音色；
• return 轨不削波。

选完输入、输出和保存目录后 "Train" 按钮会亮起。训练前 GUI 会做一次自动对齐——输入文件开头埋了两个测试脉冲，训练器在输出里找到它们对应的响应来锁定延迟，弹出对齐图确认波形贴合即可。结束后会弹出一张预测与真实输出的对比图，模型存为model.nam，丢给配套插件就能用。

原理浅析：神经网络凭什么比物理建模和 IR 更准

NAM 学的不是"音箱长什么样"，而是"这段输入经过设备后变成什么样"这条完整映射。IR 卷积只覆盖线性部分——频率响应、相位，一旦信号进入管屏过载或扬声器压缩这类非线性区就失效了；物理建模靠手调参数逼近，参数没调好时听感很假。而网络直接从成对的 DI 与 reamp 数据里拟合输入输出轨迹，动态响应、不同输入电平下的变化自然被学进权重里。

网络本身由 nam/models/ 下的factory.py统一注册构造，默认主力是 WaveNet：膨胀卷积一层层堆出大感受野、逐样本预测；nam/models/wavenet/ 里还实现了 packed 与 slimmable 变体，一次训练导出多个尺寸供插件实时切换。

把模型调好：训练参数、ESR 与校准

数据与训练参数

full trainer（命令行nam-full）用三份 JSON 分别描述数据、网络与学习设置，nam_full_configs/ 里都有模板。数据配置支持train/validation两组配对，delay字段按采样标注输出相对输入的延迟——不确定具体延迟时，多加几个采样比让模型"预测未来"安全：

nam-full data.json model.json learning.json ./outputs

学习侧的 default.json 是 batch_size 16、100 个 epoch、GPU 加速；网络侧 wavenet.json 用学习率 0.004 配 ExponentialLR（gamma 0.993）衰减。想先快速验证配置没写错，可以换成learning/demo.json跑一轮。

看 ESR 图判断模型好不好

ESR 的定义在 nam/models/losses.py：先逐段算误差能量与目标能量之比，再取平均，数值越低越好；量级在 1 附近说明预测和目标基本是两条不相干的曲线，收敛后通常会低一两个量级。训练过程中 checkpoint 按ESR命名、按 ESR 选最优，还会在 ESR 低于阈值时自动早停，训练日志里可以同时参考 MRSTFT。

读这张图很简单：实线是模型预测，虚线是录音里的真实输出，标题给出 ESR。预测线要贴着虚线走，包括瞬态、峰值和尾音；ESR 数值停在低位且不再下降，就可以收工。ESR 长期不降，多半是数据对齐、电平或网络容量出了问题，先去排查数据再谈调参。

校准：让电平也真实

docs/source/tutorials/calibration.rst 给出了完整流程：录完训练数据后不再动任何硬件增益，放一路 0dBFS 的 1kHz 正弦，用万用表量 send 插头的 RMS 电压并换算成 dBu；再把 send 直插回 return 轨，记录削波点电平 L 和降幅度数 Δ，按dBu_return = dBu_send + Δ - L算出返回端校准值，两个数写进.nam的元数据字段input_level_dbu/output_level_dbu即可，插件会据此还原真实增益级。

踩坑与进阶：常见坑、插件集成与贡献

• 现象：ESR 不降、对齐图波形错位→ 原因：输出与输入没有时间对齐（DAW 自动补偿经常过度补偿）、send 电平太低、或网络太弱 → 解法：full trainer 里用delay手工对齐，重录一份更热的 send，或先从小配置起步逐步加复杂度。
• 现象：训练集上拟合漂亮、新信号上发虚→ 原因：模型背下了录音数据 → 解法：保留验证集让 ESR 早停起作用，最好多录几组不同演奏风格的 DI 配对。
• 现象：模型太慢、跑不动实时→ 原因：通道数太大 → 解法：换小通道 WaveNet，或用 slimmable / packed 训练一次导出多个尺寸，让插件按负载选档，参见 docs/source/tutorials/packed-training.rst。

集成方面，.nam文件本身是 JSON，含架构、配置、权重与元数据（规格见 docs/source/model-file.rst），用配套的 NeuralAmpModelerPlugin 即可在 DAW 或独立应用里实时加载；社区共享的模型也是同一格式，拿来即用。想贡献的话，改文档、报 bug、分享训练好的模型都可以，动手改代码可以从 nam/train/ 的训练流程或 nam/models/ 的架构入手，新架构在factory.py里注册后即可被所有训练器使用。

packed、slimmable 这类新能力还在持续并入主线，模型库与工具链也会继续长大。下一步就一件事：录下第二组不同演奏风格的 DI 配对，把同一个箱子重新训一遍，然后对比两组 ESR 图。

【免费下载链接】neural-amp-modelerNeural network emulator for guitar amplifiers.项目地址: https://gitcode.com/GitHub_Trending/ne/neural-amp-modeler