Parametric Tuning of Extended Reverberation Algorithm Using Neural Networks
Author
Lyster, Søren Vøgg Krabbe
Term
4. Term
Education
Publication year
2022
Submitted on
2022-05-25
Pages
66
Abstract
Dette speciale udvikler et udvidet feedback-delay-netværk (FDN), en udbredt struktur til digital rumklang, der blander forsinkede versioner af et signal, og udstyrer det med et omfattende sæt justerbare parametre. Målet er, at et neuralt netværk automatisk skal indstille disse parametre, så FDN’et kan efterligne andre rumklangseffekter. Netværket bruger en tilgang med audiodifferentiering, som gør det muligt at justere parametrene ved at sammenligne lyde og minimere forskellen til en målrumklang. FDN’et er implementeret som et VST3-lydplugin og indlejret i læringsopsætningen via en foreslået lydbehandlingsmodel. Arbejdet omfatter kvalitative evalueringer af plugin’et og det neurale netværk samt en perceptuel lyttetest, hvor den subjektive kvalitet af de genererede rumklange vurderes.
This thesis develops an extended feedback delay network (FDN), a common structure for digital reverberation that mixes delayed versions of a signal, and equips it with a comprehensive set of adjustable parameters. The goal is for a neural network to automatically set these parameters so the FDN can emulate other reverberators. The network uses an audio differentiation approach, allowing it to adjust parameters by comparing sounds and minimizing the difference to a target reverb. The FDN is implemented as a VST3 audio plugin and embedded in the learning setup through a proposed audio processing model. The work includes qualitative evaluations of the plugin and the neural network, and a perceptual listening test assessing the subjective quality of the reverberated signals produced with the estimated parameters.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Keywords
Documents