Kitarat: kitarakamat ›

LaXu: Tekniikaltaan ihan eri kamaa. Quad Cortexin kaappaus on todennäköisesti huomattavasti yksinkertaisempi malli, kuin laadukkain Tonex tai NAM kaappaus. QC pääsee silti ihan kohtuu lähelle alkuperäistä oman kokemuksen perusteella.
 
En sanoisi että tekniikalta täysin eri kamaa. NAM ja ToneX tekee mallinnuksen opettamalla neuroverkon. NeuralDSP todennäköisesti myös koska nimessä tuo neural en siis ole lukenut mistään tietoa että onko näin.
Neuroverkkoja on toki montaa erilaista arkkitehtuuria ja niiden variaatioita. Mutkat täysin suoraksi vetäen, mitä suurempi malli eli enemmän parametrejä, sitä parempi kyky kopioida funktio jota yritetään mallintaa (esim. Vahvistin) mutta sitä kauemmin opetus kestää. Myös saman mallin pidempi opetus tuo yleensä paremmat tuokset (joskin jossain vaiheessa se ei enää hyödytä).
ToneX ja NAM on ottaneet laadun lähtökohdaksi, QC käyttäjän odotusajan.
 
Line6 mallintaa laitteet ilmeisesti enemmänkin komponenttitasolla, jolloin kaikki säädöt vaikuttaa kuten alkuperäisessä. Sitä ei itse oikein voi tehdä niin helposti. Sitä sanoisin täysin eri tekniikaksi. Huomattavaa on kuitenkin että matemaattisesti kummassakin mallinnetaan funktiota, jonka esim. vanhvistin toteuttaa. Funktio ottaa sisälle kitaran signalin ja ulos tulee, tai pitäisi tulla sellainen signaali miksi vahvistin sen muokkaa. Ko. Funktion mallinnus voidaan tosiaan tehdä usealla eri tavalla. Termit on markkinointia, ei matikkaa.

Jos ei olis jo Pod GO:ta niin ostaisin varmaan Pod Expressin. Ja varmaan ostan jossain vaiheessa kun sopivasti edullinen käytetty tulee vastaan. Varmaan pärjäis yhdellä kitaralla ja tällä kaikki soitot ihan hyvin....
 
https://www.thomann.de/fi/line6_pod_express_guitar.htm

LaXu: Tonex ja NAM perustuvat PyTorch-kirjaston käyttöön kaappausten tekemiseen. En tiedä mitä NeuralDSP käyttää pinnan alla, mutta joka tapauksessa QC:n prosessori on aika monta kertaa tehottomampi, kuin mitä tyypillisessä tietokoneessa on. Eli vähintään kyseessä on huomattavasti yksinkertaisempi malli, kuin Tonexin tai NAM:n raskaammat mallit.
 
PyTorch on tämän hetken suosituin (python) kirjasto neuroverkkojen määrittelyyn, opetukseen ja ajamiseen. Neurovekkoja voi koodata muillakin kirjastoilla. Ei se ole sen kummempi. Kyllä, PC:ssä voi olla vaikka tehokas GPU ajamassa opetusta ja jäin ollen se on ihan toista luokkaa kuin QC. Malleja pitää kuitenkin pystyä ajamaan myös kohtuullisesti ja perus-PC:llä sekä pedaalilla ja se rajoitaa mallien kokoa. Mielestäni on hieno ratkaisu että käytetään tietokonetta opettamiseen, jolloin on käytössä enemmän aikaa ja ennen kaikkea tehoa, vaikka malli olisikin parametreiltään niin pieni että sitä voi ajaa helposti.

Uskoisin että Neural DSP käyttää ehkä jotain toista NN toteutusta kuin sitä mikä toteutettu JUCE:en (WaveNetVA) ja mitä voidaan PyTorcilla opettaa, ja tämä / nämä molemmat on esitelty tuossa julkaisussa:
https://www.mdpi.com/2076-3417/10/3/766
 
Yksi noista kirjoittajista ainakin (Damskägg) on tullut Neural DSP:hen Aalto yliopistosta, ja tuossa julkaisussa sanotaan että "In terms of processing speeds the RNN models offer a significant advantage over the WaveNet models." joten tuo RNN voisi pyöriä paremmmin niillä DSP prossuilla kuin WaveNet.
 
Mutta onhan toisaalta tuo WaveNetVA JUCE plugarikin saman tutkijan tuotoksia:
https://github.com/damskaggep/WaveNetVA

Noita NAM playereita tulee kaiken aikaa lisää, monissa kiinalaisissa pedaalissa löytyy nyt tuki NAM profiileden importtaukselle (esim. Sonicake Pocket Master). Lähempääkin löytyy esim. esim. tuo Sonilabin Stompstation jossa ko. feature edullisempaan hintaakin (€249) kuin Dimehead NAM Playerissa:
https://sonulab.com/stompstation/
 
Arveluttaa vaan noin pienen valmistajan pysyvyys markkinoilla ja tuotteiden tuki jatkossa.
 
Tuon NAM:in suhteen näyttää tulevan seinä vastaan jos haluaa parantaa laatua, NN:n opettaminen vaatii isosti resursseja, ja kuitenkaan esim. aliasoinnista ei pääse eroon. Tavanomainen white-box mallinnos (jossa siis algoritmisesti mallinnetaan vahvistimen toimintaa) tuntuu paremmalta vaihtoehdolta, ehkä sellaisenkin päälle voisi kehittää jonkinlaisen capture / tone catch toiminnon jolla haettaisiin automaattisesti mallinnos ja parametrit joilla saataisiin suurin piirtein vahvistimen saundia vastaavat asetukset normaalilla mallinnoksella.