NAM 训练入门：4 个环节跑通你的第一个音箱模型
【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
Neural Amp Modeler（NAM）把真实的吉他音箱、前级和效果器训练成.nam模型文件，插进支持 NAM 格式的插件里即可实时使用。照着这篇 NAM 训练指南做完，你会拿到一个经过 ESR 验证、能直接放进 DAW 的模型。
准备清单：环境与数据要求
环境只需三步：克隆仓库、用 conda 创建环境（GPU 版见environments/environment_gpu.yml，Apple 芯片用environment_cpu_apple.yml）、进入环境并安装。
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 pip install -e .数据是训练质量的天花板，录之前先把这几条硬指标过一遍：
| 项目 | 要求 | 原因 |
|---|---|---|
| 采样率 / 位深 | 48kHz / 24-bit，与输入文件一致 | 训练器默认按 48kHz 处理，不一致会直接报错或失真 |
| 输入输出长度 | 输出渲染长度 = 输入文件长度 | 数据配对的基础 |
| 效果链 | 不要包含 chorus、delay 等时间类效果器 | 模型学的是即时响应，时间类效果会让配对错位 |
| 设备状态 | 管箱 / 前级充分预热后再录 | 未热透的管子状态漂移，同一设备前后音色不稳定 |
| 电平 | 发送电平尽量大、接收端不削波 | 信号太小的话，模型没见过音箱在大信号下的失真 |
录音方式二选一：reamp 重录（DAW 里放一段信号，经过硬件再录回来）或 DI 与过箱体信号同时双轨录制。录完把两轨存成input.wav和output.wav待用。
核心流程：跟着数据走三步
第一步：录信号并用 1kHz 正弦波校准
为什么要校准：NAM 的.nam文件支持记录模拟电平（input_level_dbu/output_level_dbu），有了它，数字模型的增益阶段才能和真实插线的听感对齐。
操作要点：
- 按正常 reamp 接法搭好链路，DAW 里先静音接口输入轨道，发送输出接 reamp box 进音箱，音箱输出（或 load box / 话筒）接回接口
- 录完数据后不要再动任何硬件增益，否则测值和已录数据对不上
- 播放 1kHz、0dBFS 峰值的正弦波（DAW 自带信号发生器或循环一段 1 秒测试文件均可），拔掉接进音箱的线，用万用表测发送端 RMS 电压，换算成 dBu
- 再把接口发送直连到录音输入，记录返回电平；若削波，把 DAW 里正弦波电平调小直到不削，记下调整量，用
返回 dBu = 发送 dBu + 调整量 - 返回电平(dBFS)计算
这一步是可选的——不填电平元数据模型照样能跑，只是增益对齐靠耳朵。换算公式和电压-dBu 对照表在 校准教程 里有完整说明。
第二步：GUI 配置并启动训练
终端里运行nam打开 GUI 训练器，四件事：
- 输入音频：选 DI 直录的
input.wav - 输出音频：选过音箱的
output.wav（选多个即批量训练，见进阶一节） - 目标目录：
.nam模型文件的保存位置 - 元数据：写清楚模型描述、作者，可顺手把上一步测到的电平填进去
四项就绪后 Train 按钮点亮：
点下 Train 后，程序先做文件自检并弹出对齐图：它利用输入文件开头两个脉冲，在输出里找到响应起点（黑色虚线）。确认两条脉冲响应重叠、黑线落在响应开始前的位置，关闭该图即自动开始训练。若黑线明显滞后，说明输入输出没对齐——去 DAW 里检查延迟补偿，必要时在高级选项里手动给延迟（以采样点为单位）。
第三步：生成模型文件
训练过程无需干预：验证集 ESR 优于阈值时自动早停，结束时弹出预测对比图（下一节讲读法）。关闭该图，.nam文件写入目标目录，训练结束。
结果判读：ESR 与曲线怎么看
- ESR（能量相似度比）越小越好：它衡量预测信号与真实信号的误差能量占比。官方在训练里用它做早停，并在数据自检中用约 0.01 作为"重复片段应高度相似"的参照线；普通训练跑出 0.01 上下属于良好水平，0.05 以内基本可用，再往上就要怀疑数据质量了
- 预测 vs 目标：图中模型输出与录音真实曲线应全程贴合。瞬态（拨弦瞬间）处允许轻微偏移，但中低频主体若出现相位错位或幅度塌陷，说明对齐有问题或信号链路有干扰
- 曲线贴合、ESR 达标 → 模型可用；曲线对不上 → 优先回到第一步检查对齐，而不是加训练轮数
参数速查与调优
| 参数 | 推荐值 | 何时调整 |
|---|---|---|
| 学习率（lr） | 0.004 | 损失曲线震荡不降时下调（如 0.001）；收敛过慢再调高 |
| batch size | 16 | 显存吃紧降到 8；显存充裕且想加速可升到 32 |
| max_epochs | 100 | 配合 ESR 早停使用，一般不用改 |
| 加速设备 | GPU（单卡） | 无 GPU 用environment_cpu_apple.yml的 CPU 环境，接受更长的训练时间 |
| threshold_esr | 默认即可 | 想让训练"再多跑一会儿"时调低阈值，留空则不早停 |
三条补充策略：
- 调参顺序是数据 > 学习率 > batch——对齐没做好时，调任何超参数都救不回来
- 默认配置来自
nam_full_configs/（如models/wavenet.json、learning/default.json），命令行训练nam-full时直接拿这套起步 - 学习率已有调度器配合衰减，别手动叠加"再改一遍"，一次只动一个变量
出问题先查这里
| 症状 | 常见原因 | 处理 |
|---|---|---|
| 训练不收敛，损失原地不动 | 输入输出没对齐；采样率不一致 | 重看对齐图的脉冲响应，确认两边都是 48kHz / 24-bit |
| 数据质量警告（前置静音检查失败） | 输入起点前不是静音，或信号链路有底噪/干扰 | 在剪辑软件里裁掉前段非静音部分，重新检查录音链路接地与屏蔽 |
| 对齐图两条脉冲对不重合 | DAW 自动补偿延迟过度补偿 | 关闭 DAW 的自动延迟补偿，用高级选项手动填延迟采样数 |
| 模型在 loud 信号下失真预测不准 | 录音发送电平太小，模型没见过高增益工作点 | 提高 reamp 发送电平重录（接收端不削波的前提下） |
| 训练中途报显存不足 | batch 太大或模型过大 | 降 batch size，或换更小的convnet/ 精简的 wavenet 配置 |
进阶：批量训练与长期归档
- 批量训练：GUI 里输出音频选框支持多选——同一个
input.wav配 N 份不同设置（增益、琴弦、话筒位）的output.wav，一次勾齐即可连训；界面底部有 "Silent run (suggested for batch training)" 选项，勾上后跳过交互弹窗，适合挂机跑一整批 - 训练档案：
.nam文件本身是可读的 JSON，元数据区会记录模型描述、作者、训练配置和校准电平。建议给每个模型单独建文件夹，文件名带上音箱型号 + 配置编号，训练完把数据对（input/output wav）一起归档 - 版本管理：同一台设备换设置后重训的新模型不要覆盖旧的，旧文件保留，方便 A/B 对比和回退
下一步：挑一个你手头最常录的音箱，按"准备清单 → 三步流程"完整跑一遍。对齐图能干净重叠、结果图 ESR 落到 0.01 附近，你的第一个可用音色模型就算正式入库了。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
