Neural Amp Modeler 用 WaveNet 结构的网络模仿吉他音箱或效果器。训练出来的模型只对应一组固定的旋钮设置：动了任何一个旋钮，就得重新录音、重新训练。

把旋钮变成输入

我把旋钮位置作为条件输入加进网络，在每一层加上由旋钮值算出的偏置。旋钮数量不固定：设备有几个旋钮，一个模型就能覆盖这几个旋钮的全部连续取值。

和同时做缩放的 FiLM 条件化做了消融对比。在这个任务上，单独的加性偏置效果和 FiLM 相当，所以保留了更简单、计算更省的方案。

采集数据

学旋钮的模型需要大量不同旋钮位置下的录音。我做了一套电脑控制的装置，自动转动实体旋钮并逐个设置录音，采集过程可重复，也不用手动去拧。

在一台三个旋钮同时变化的真实模拟效果器上测试，听感上和硬件几乎分不出来。

在手机上跑

iOS App（Swift、AVFAudio、vDSP）实时运行完整的信号链：神经网络模型、基于脉冲响应的箱体模拟、混响、多段 EQ 和噪声门。长脉冲响应直接卷积在音频回调里太慢，所以参考论文实现了非均匀分块卷积，并分到多个核心上并行。