Una vez subsanadas un par de cosas, vuelvo a colgar esto:
[Aporte] Alternativa en Python a SincoAnn: Batch Processing, Google Colab y CLI para perfiles M-VAVE
¡Hola a todos
Aprovecho este espacio para compartir un proyecto en el que llevo trabajando un tiempo y que creo que os puede resultar muy útil a los que os gusta trastear con el modelado y los dispositivos de M-VAVE (como el Tank G / Pro).
Tras analizar el formato de los ficheros y el funcionamiento de la aplicación oficial SincoAnn, me propuse desarrollar un software
open source en Python como alternativa. Al no disponer de la documentación oficial del proceso de entrenamiento, he tenido que reconstruirlo: puede haber alguna pequeña diferencia en los resultados respecto al software original, aunque las pruebas que he realizado hasta ahora sugieren que los perfiles generados son suficientemente parecidos.
Estado actual del proyecto
- Modelos probados: Hasta el momento no he podido testar todos los modelos existentes; me he centrado principalmente en AM3 y AM4. También están disponibles las conversiones de NAM con NAM_TO_AM3 y NAM_TO_AM4.
- Soporte para ficheros de training de NAM: Es compatible con archivos de entrenamiento que utilicen el fichero de training de NAM, optimizando el algoritmo para ellos (aunque el proceso de entrenamiento tarda un poco más).
- Motores de IR: Los motores de IR (Respuestas a Impulsos) aún no los he probado ni implementado del todo.
- Compatibilidad de audio: El formato de los ficheros de input (archivos de audio) es el mismo que utiliza la aplicación oficial de M-VAVE, por lo que podéis reutilizar los que ya tengáis preparados.
¿Qué aporta esta herramienta?
Aunque en la comunidad de M-VAVE ya existen alternativas para hacer
training en la nube de forma centralizada, este proyecto aporta varias ventajas clave:
- Independencia total: No dependes de servidores externos ni de plataformas cerradas. Puedes elegir ejecutarlo en la nube o correrlo en local en tu propio equipo si lo prefieres.
- Procesamiento por lotes (Batch Processing): ¡Se acabó el entrenar los archivos uno a uno! Ahora puedes meter una lista de audios de reamp y procesar varios perfiles de golpe.
- Soporte para Google Colab: Al estar escrito en Python, puedes aprovechar las GPUs de Google Colab para entrenar en la nube sin necesidad de tener una gráfica dedicada potente en tu PC.
- Código abierto y personalizable: Al estar hecho en Python, la herramienta es pura línea de comandos (CLI), sin interfaz gráfica de usuario (UI). Esto tiene una gran ventaja: lo puedes integrar en tu workflow más fácilmente. Además todo el motor está accesible en GitHub, por lo que si quieres modificar la app a tu antojo, trastear con los scripts o adaptar parámetros de entrenamiento, tienes total libertad.
Enlaces del proyecto
He dejado todo listo para que cualquiera pueda probarlo:
Necesito vuestra ayuda y feedback
La herramienta ya funciona y genera perfiles plenamente utilizables para AM3 y AM4, pero está en una fase donde necesita ser testada por más usuarios en diferentes escenarios reales.
Me gustaría mucho que los que tengáis curiosidad la probéis, juguéis con el
batch processing y me comentéis:
- Si os encontráis con algún bug o error de ejecución.
- Qué tal os parecen los resultados comparados con el SincoAnn oficial en estos modelos.
- Ideas o mejoras que os gustaría ver implementadas.
¡Cualquier prueba, crítica constructiva o
pull request en GitHub es más que bienvenida!
Un saludo y a darle caña. 🎸