一种用于建模时变音频效果的通用深度学习方法

参数随时间周期性修改的音频处理器通常被称为时变或基于调制的音频效果。大多数现有的用于建模此类效果单元的方法通常针对非常特定的电路进行优化，无法有效推广到其他时变效果。基于卷积和循环神经网络，我们提出了一种用于具有长期记忆的音频处理器通用黑盒建模的深度学习架构。我们探索了深度神经网络学习此类长期时间依赖的能力，并展示了该网络对多种线性和非线性、时变和时不变音频效果的建模。为了衡量模型性能，我们提出了一种基于调制频率感知心理声学的客观度量。我们还分析了模型实际学习到了什么以及该任务如何被完成。