주요 특징

• 학습에 필요한 것은 오디오 두 개뿐입니다. 앰프나 페달에 들어가는 DI 파일과, 그 기기를 통과해 녹음된 리앰프 파일을 쌍으로 주면 기기가 다양한 입력 신호에 어떻게 반응하는지를 파형 대 파형으로 학습합니다. 회로도나 부품 값 같은 사전 지식 없이 실제 장비 한 대만 있으면 모델을 만들 수 있는 구조입니다.
• 여러 신경망 아키텍처를 함께 구현해 두었습니다. nam/models 아래에 시간축 확장 합성곱을 쓰는 WaveNet, 일반 합성곱 신경망, LSTM 계열 순환신경망, 선형 모델 구현이 들어 있어 음질과 연산량 사이에서 선택할 수 있습니다. nam_full_configs는 데이터·학습·모델 설정을 분리해 두어 실험 조건을 바꿔가며 재현하기 쉽습니다.
• 학습 경로를 세 가지로 나눠 진입 장벽을 낮췄습니다. 명령어 한 줄로 뜨는 GUI 트레이너(nam), 설정 파일 기반의 정밀 학습용 CLI(nam-full), 로컬 GPU가 없을 때 쓰는 Colab 노트북 경로를 모두 제공합니다. Python 3.10 이상에서 PyTorch Lightning, librosa, sounddevice 등을 사용하며 학습 로그는 텐서보드로 확인합니다.
• 학습한 모델은 .nam 파일로 내보내 실시간 연주에 씁니다. 재생은 같은 개발자가 iPlug2로 만든 별도 저장소 NeuralAmpModelerPlugin이 담당하며 VST3와 AudioUnit 플러그인, 단독 실행 앱 형태로 Windows 10 이상과 macOS 10.15 이상을 지원합니다. 리눅스는 커뮤니티가 만든 LV2 플러그인으로 대응합니다.
• 취미 프로젝트에서 출발했지만 유지보수가 꾸준한 편입니다. 2026년 6월 v0.13.0을 포함해 릴리즈가 이어지고 있고, readthedocs에 설치·학습 튜토리얼과 API 문서가 정리되어 있습니다. 학습 코드와 플러그인 모두 MIT 라이선스라 만든 모델을 공유하거나 자기 워크플로에 붙이는 데 제약이 적습니다.