Modeling Analog Dynamic Range Compressors using Deep Learning and State-space Models

我们描述了一种新的方法，通过分析其模拟原型，开发出逼真的数字动态范围压缩器数字模型，用于数字音频制作。虽然逼真的数字动态压缩器在许多应用中可能很有用，但设计过程具有挑战性，因为压缩器在长时间尺度上的非线性操作。我们的方法基于结构化状态空间序列模型（S4），因为实施状态空间模型（SSM）已被证明能够有效地学习长期依赖性，并且有望用于建模动态范围压缩器。本文提出了一个采用S4层的深度学习模型，用于建模Teletronix LA-2A模拟动态范围压缩器。该模型是因果的，在实时执行效率高，并且与以前的深度学习模型相比，参数更少，但实现了大致相同的质量。

如何通过分析模拟原型来开发逼真的数字动态范围压缩器模型，以用于数字音频制作？

使用结构化状态空间序列模型（S4）的深度学习模型来模拟Teletronix LA-2A模拟动态范围压缩器，实现实时、有效率、参数更少的压缩效果。

论文采用深度学习模型和S4层，通过分析模拟原型，实现数字动态范围压缩器的模拟。模型是因果的，实时执行效率高，参数更少，质量与之前的深度学习模型相当。

最近的相关研究包括使用深度学习模型来模拟音频处理器和压缩器，其中一些研究使用了卷积神经网络（CNN）或循环神经网络（RNN）。