Nel 2023 nel panorama della profilazione si è affacciata una tecnologia completamente open source che ha dimostrato subito gran qualità e rapidamente ha attirato a se l’attenzione di utilizzatori e svluppatori. NAM, Neural Amp Modeler, è un progetto open source che permette di modellare amplificatori con il deep learning. Si compone di un Trainer e di un Core DSP. Questo articolo non confronta NAM e Tonex tanto dal punto di vista della qualità del risultato, test sanciscono la superiorità di NAM a tutte le alternative commerciali, ma li confronta in termini di utilizzo e applicazione.
Il Core DSP è implementato in un plugin open source disponibile per win, mac e linux quindi i profili sono utilizzabili in modo gratuito
Bisogna sottolineare che NAM, trainer e core dsp, sono rilasciati con licenza MIT, quindi è permesso usare questo codice per produrre soluzioni proprietarie sanza l’obbligo di rilasciare il software risultante sotto licenze open source. Questo fa si che sia una tecnologia molto attraente per aziende che intendono sviluppare propri prodotti commerciali basandoli su NAM.
Implementazioni commerciali di NAM Core DSP
Two Notes è stata una delle prime aziende a fare questo, con Genome, plugin e standalone che integra un NAM player. Ne parlerò in modo esteso separatamente. Una delle prime aziende a realizzare un hardware dedicato con supporto dei profili NAM è stata Dimehead. Nel 2025 alcuni produttori cinesi hanno iniziato ad includere nei loro prodotti hardware la possibilità di caricare profili NAM convertiti e ridotti in definizione, molti altri produttori sofware forniscono loro implementazioni del DSP nei loro prodotti sofware. Sicuramente altre aziende percoreranno questa strada, anche se per me rimane più interessante l’implementazione nativa piuttosto che la conversione in altri formati di qualità inferiore.
Implementazioni commerciali di NAM Trainer
Al momento non ce ne sono. il trainer è un insieme di script in python che si basa su pytorch. Per utilizzare il trainer bisogna installarlo in un ambiente anaconda sul proprio computer e dargli in pasto due file audio, un file dry di riferimento e un file con l’audio riamplificato usando l’amplificatore che si fuole profilare. In locale il trainer usa il processore e la gpu del proprio computer.
è possibile usare anche il trainer online con un notebook colab
https://colab.resear … b/main/notebook.ipynb
oppure il servizio gratuito offerto da
Questo sito nasce dalla fusione di ToneHunt, la community di condivisione dei profili, con Tonezone3000, il servizio online per la creazione di questi. Adesso su Tone3000 si possono caricare i reamp del file di riferimento, come su Colab, oppure due file audio, uno DI e uno processato e il trainer produce il profilo NAM da condividere e scaricare.
Una parte ancora problematica per l’utente può ancora essere la produzione dei file audio, che richiede ancora il saper usare una DAW e fare il corretto routing del segnale.
Avere un’implementazione del trainer che permetta di produrre i file audio internamente e quindi fare sia la cattura che il training potrebbe essere un’ottima soluzione.
Tone3000 offre anche un’API utilizzabile da sviluppatori per includere nella propia applicazione la possibilità di usare il loro training online, quindi questa potrebbe essere un’opzione magari per evitare l’uso della daw e appoggiarsi su risorse di calcolo cloud che non richiedono un’investimento hardware importante.
Nel 2023 avevo installato il trainer in locale sul mio PC e avevo fatto due profili con NAM e Tonex per paragonarli, già al tempo concludevo dicendo che io non percepivo differenze e se paragonavo i profili all’ampli reale anche in questo caso non riuscivo a percepire differenze sostanziali.
Ieri, un pò animato anche dalla novita del Tonex Modeler ho voluto riprovare a fare un profilo con NAM.
La procedura di reamping seppur un pò macchinosa non è niente di sconvolgente, quello che mi è mancato rispetto al Tonex modeler sono dei suoni DI da usare per impostare il suono sull’ampli prima di fare la cattura, certo posso impostarlo suonandoci la mia chitarra, ma se avessi delle clip DI con livelli normalizzati sarebbe molto più agevole.
Fatto il file per il training ed esportato in mono 24 bit 48kHz ho provato a fare il training con TONE3000 di cui riporto qui il Log:
Run (t=9.00 sec) Took 1.21 sec (7.43x) Error-signal ratio = 0.0003691
e con Colab di cui questo è il Log:
Run (t=9.00 sec) Took 1.34 sec (6.72x) Error-signal ratio = 0.0005878
nel 2023 con il trainer locale avevo ottenuto un ESR di 0.001
Ho caricato i due profili in Genome e non trovo differenze percettibili, il confronto con l’amplificatore reale è sorprendente, suonando senza guardare non riesco a capire se sto suonando l’ampli o il profilo (profilo DI applicando la stessa IR)
Una cosa che mi piacerebbe esplorare in futuro sono i dispositivi che possono caricare profili NAM.
In fin dei conti, la mia esperienza con NAM e Tonex mi ha confermato una cosa: la tecnologia di profilazione ha raggiunto un livello di maturità impressionante. Non si tratta più di scegliere il “profilo migliore”, ma di capire quale sistema si adatta meglio al proprio flusso di lavoro. Se da un lato il mondo Tonex offre un’esperienza più chiusa e immediata, NAM apre le porte a un sistema open-source in continua evoluzione, dove la collaborazione e la libertà d’uso sono al centro. Come ho avuto modo di verificare, con un po’ di pazienza e i giusti strumenti, è possibile ottenere risultati professionali e praticamente indistinguibili dall’amplificatore reale, a prescindere dal software utilizzato. Fatemi sapere nei commenti quale sistema preferite e se, come me, non riuscite a distinguere l’ampli dal suo profilo!
