Real-time Virtual Analog Modeling of Spring Reverberation

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-05-24

Department

Major/Subject

Informaatioteknologia

Mcode

ELEC3015

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

en

Pages

23

Series

Abstract

In music production, it is often necessary to artificially simulate the acoustic feel of a space. Early methods for this involved selecting appropriate recording rooms and later evolved into electromechanical approaches, such as spring reverb devices. The reverberator operates by feeding the signal into a spring coil and reading the output from the other end of the spring. Several algorithms have been attempted to digitally replicate the characteristic features of spring reverb effects, but modeling analog devices digitally poses challenges due to their nonlinear and time-invariant nature. Many methods have been used for modeling spring reverb devices, such as Finite-Difference Models, using All-pass filters, and even Deep Neural Networks. This bachelor's thesis explores various ways to digitally mimic the characteristic features of spring reverb effects and compares their suitability for real-time applications. This study is a literature review that examines and analyzes scientific publications related to modeling spring reverb effects in a digital environment. Each of the three methods examined --- FDMs, All-pass filters, and Deep Neural Networks --- can successfully produce the effect in real-time. Neural networks are a new research topic, so they are not fully established yet, but FDM and All-pass based methods already provide parametric solutions. The main challenge in the field has emerged as the high processing requirements, and current research efforts need to be optimized to produce real-time effects.

Musiikin tuotannossa on usein tarpeellista simuloida akustista tilantuntua keinotekoisesti. Aikaiset metodit tähän sisälsivät sopivien äänityshuoneiden valinnan ja kehittyivät myöhemmin sähkömekaanisiin lähestymistapoihin, kuten jousikaikulaite. Laite toimii syöttämällä signaalin jouseen käämin avulla ja lukemalla ulostulon toisesta jousen päästä. Jousikaikuefektin ominaispiirteiden digitaaliseen jäljentämiseen on pyritty monella algoritmilla, mutta analogisten laitteiden digitaalinen mallintaminen aiheuttaa haasteita niiden epälineaarisen ja aika-invariantin luonteen vuoksi. Käytettyjä metodeja jousikaikulaitteiden mallinnukseen on monia, kuten FDM:t, All-pass filtereiden käyttäminen sekä jopa syvät neuroverkot. Tämä kandidaatintyö tutkii erilaisia tapoja jäljitellä jousikaikuefektin ominaispiirteitä digitaalisesti ja vertaa niiden mahdollisuuksia reaaliaikaisiin sovelluksiin. Tämä tutkielma on kirjallisuuskatsaus, joka tarkastelee ja analysoi tieteellisiä julkaisuja, jotka liittyvät jousikaikuefektin mallintamiseen digitaalisessa ympäristössä. Jokaisella kolmesta tutkitusta metodista --- FDM, All-pass filtterit ja Syvät Neuroverkot --- voidaan onnistuneesti tuottaa efekti reaaliaikaisesti. Neuroverkot ovat uusi tutkimuksen aihe, joten niiden potentiaali on vielä näkemättä, mutta FDM- ja All-pass pohjaiset metodit tuottavat jo parametrisiä ratkaisuja. Suurimmaksi ongelmaksi aiheessa on noussut suuret prosessointivaatimukset ja tämänhetkistä tutkimustyötä täytyykin optimoida, jotta reaaliaikaisia efektejä voidaan tuottaa.

Description

Supervisor

Aalto, Samuli

Thesis advisor

de Bortoli, Gian Marco

Keywords

spring reverberation, artificial reverberation, virtual analog, DSP

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202406044055

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC