零样态吉他放大器建模演示：通过超神经网络提升建模效果

电吉他音色建模通常聚焦于从干净音到放大器渲染音频的非线性变换。传统方法依赖一对一的映射，纳入设备参数于神经模型以复制特定放大器。然而，这些方法受限于需要特定训练数据的限制。本文采用基于前期工作的模型，利用音色编码器和特征感知线性调制（FiLM）条件方法。我们改用基于超神经网络（hypernetwork）的门控卷积网络（GCN）来实现条件化，从而生成将干净输入与参考音频音色特征混合的音频。通过扩展训练数据覆盖更广泛的放大器音色，模型能够捕获更广泛的音色。此外，我们开发了实时插件以演示系统的实际应用，允许用户交互式体验其性能。我们的结果表明，所提出的系统在音色建模的灵活性方面优于传统方法。