**深度复古（Deep Vintage）**
传奇硬件模拟，拥有深厚的复古灵魂

Deep Vintage 是一套传奇硬件模拟插件，能够让您沉浸于真实的模拟魔法中。它不仅追求真实电路的复制或特定音色质量，而是全面模拟声音，以在数字世界中再现复古的“灵魂”。深度、光泽、低频饱和……硬件音色的每一个细微特征都在为您点燃，CPU 使用率和延迟极低。

### APNN 2.0
借助三体科技独特的 APNN（音频处理神经网络）2.0，Deep Vintage 在声音上进行学习，仅仅依靠声音，创造出与原始硬件无可区分的听觉体验。

APNN 2.0 是一种专门用于模拟模拟硬件的神经网络。在训练过程中，APNN 2.0 和硬件输入相同的音频，学习硬件如何在波形和频谱维度上改变音频。这意味着，一个经过良好训练的 APNN 2.0 实例能够捕捉其源硬件的动态和音调特征。以下示意图显示，随着训练的进展，APNN 2.0 的波形和频谱响应偏差逐渐减小，最终与原始硬件的差异不可区分。请查看下面的演示，听听 APNN 2.0 如何逐步学习和复制硬件的声音。

在 APNN 2.0 实例完成训练后，我们进行严格的人为测试并进行调整，直到我们的整个团队无法通过 ABX 测试。这使我们自豪地宣布：

在数字音频领域，没有任何东西能比 Deep Vintage 更接近真实硬件。

### Brit 73
灵感来源于这个星球上最传奇的前置放大器。这款类A级晶体管前置放大器配备均衡器，完美体现了声音之美，提供无与伦比的清晰度、光泽和质感。

#### 特色功能
– **多路饱和、多级着色**
借助 APNN 2.0 的强大功能，Deep Vintage 不仅仿真特定的频率响应或着色，更模拟所有微妙的“硬件魔法”：动态、空气感、相位偏移、管压降低、变压器的“铁音”等。无论是为了细腻的着色、中等饱和还是压制整个音频，其真实的表现都会让您忘记这是一款数字插件。

– **独立谐波控制**
在真实硬件中，谐波的数量在给定旋钮设置下是固定的。然而，Deep Vintage 引入了超现实的灵活性，允许独立控制谐波，与其他所有音声特性分开。这让您在保持干净音色纯度的同时，调出高驱动设置下的音色力量。

– **低频饱和**
音频变压器的“铁音”——温和加入低频厚度和饱和度——体现了真实硬件的音色特性。Deep Vintage 不仅准确捕捉这一点，还允许您开启或关闭这种“铁音”，让您在变压器和非变压器版本之间切换。无论您追求厚重还是清晰的音色，都能以卓越的质量呈现。

– **重新采样/上采样**
几乎所有音频处理网络都在固定采样率下操作，但我们通过优化网络使重新采样成为可能。Deep Vintage 中完全重新设计的重新采样算法确保在所有采样率下保持一致的准确性和保真度，使模拟完全不受采样率影响。此外，支持高达 8 倍的超采样，有效消除任何锯齿失真问题。

– **EQ共同训练**
大多数神经网络只能捕捉硬件的离散状态，因此提供的 EQ 组合有限。然而，Deep Vintage 独特地支持通过额外的 EQ 模拟进行完全连续的 EQ 调整。对于具有 EQ 的模型，“共同训练算法”同时学习硬件原型的饱和特性，同时微调基于电路的预建 EQ 模块。这让您在享受真实硬件音色的同时，完全自由地调整 EQ。

– **磁带颤音/波动共同训练**
颤音/波动是由于磁带传输系统的机械不一致性而导致的音高变化。颤音指的是速度较慢、较明显的音高波动，而波动是更快的速度变化形式。

与 EQ 共同训练类似，APNN 2.0 使用物理建模颤音/波动模拟，并与神经网络共同训练。这不仅使神经网络训练的结果听起来更加真实，而且使建模的颤音/波动效果更接近原始硬件。

– **可调噪声底**
Deep Vintage 系列模拟了硬件固有的噪声底，您可以根据需要调整其数量。

– **“复古 DAW” 模拟**
此按钮灵感来源于 2000 年左右经典 DAW 引入的极其微妙的变化（低于 -140 dB）。虽然这些变化微不足道，但我们并没有忽视它们。您可以根据需要启用或禁用此功能。

– **低 CPU 使用率**
无需昂贵的云基础 GPU 集群——Deep Vintage 和其他插件一样，能够在本地运行，并且 CPU 使用率极低。您可以轻松地将其插入到每个音轨中！

### 更多功能
– Apple Silicon 本地支持
– 撤销/重做
– A/B 切换
– 输入/输出电平计
– 单声道模式
– LR/MS 处理
– 相位反转
– GUI 缩放

### 延迟
26 个采样点，大约在 44100 Hz 下为 0.6ms

> Rev1 修复定时炸弹。感谢 Stevie Dude

首页
https://www.threebodytech.com/en/products/deepvintage

免责声明