Accentize представила бесплатный плагин сатуратора PreFET, который использует машинное обучение для эмуляции транзисторного предусилителя 70-х годов настольного кассетного магнитофона.
PreFET использует алгоритм искусственной нейронной сети, который имитирует транзисторный предусилитель “кассетника” 1970-х годов. Плагин использует те же технологии, которые использовались для PreTube, премиум-плагина сатуратора ленты от того же разработчика. В отличие от плагина PreTube, который имитирует три разных модели предусилителя, PreFET ориентирован на модель с одним транзисторным предусилителем.
Таким образом, вместо использования схемотехнического моделирования или формирования волн (как и большинство других плагинов насыщения), PreFET и PreTube используют машинное обучение нейронной сети, чтобы максимально точно соответствовать поведению аналогового оборудования. Это означает, что алгоритм динамически реагирует на входное усиление, и пользователь может контролировать величину насыщения, применяемого к сигналу. PreFET имеет регулятор усиления входного сигнала и ручку привода, а также обходной переключатель, который отключает обработку.
PreFET поддерживает обработку моно- и стереоканалов. Он может работать с четырьмя настройками частоты дискретизации (44,1 кГц, 48 кГц, 96 кГц и 192 кГц). Плагин звучит очень хорошо, и, основываясь на очень коротком тесте, я считаю, что он достаточно точно имитирует транзисторный предусилитель. Мне понравилось, что PreFET почти прозрачно регулирует пики громкости при более низких настройках усиления, не внося слышимых искажений. Настройки высокого усиления также могут быть полезны, если вы ищете искажения в аналоговом стиле.
Недостатком здесь является высокая загрузка процессора PreFET. Я вижу постоянный 19% -ный нагруз на процессор (на одно ядре) на моем процессоре i7. Это подходит для использования на главном канале или для офлайн-рендеринга, но невозможно использовать PreFET для всего микса в качестве инструмента тонкого насыщения. Accentize утверждает, что их плагины оптимизированы для низкого потребления ЦП, и я действительно считаю, что плагины оптимизированы, но использование большого количества ресурсов обработки является просто природой нейронных сетей.
