Skip to content

Neural Amp Modeler im Test

Neural Amp Modeler (NAM) ist ein kostenloses Open-Source-Projekt, das mithilfe von Deep Learning Gitarrenverstärker und Pedale als Modelldateien erfasst, sowie ein kostenloses Plugin, um diese in Ihrer DAW abzuspielen. Für Gitarristen und Equipment-Entwickler.

Kostenlos · Web · API

Storks Urteil zu Neural Amp Modeler

Neural Amp Modeler ist eine kostenlose Open-Source-Möglichkeit, echte Verstärker zu erfassen und zu spielen; ideal, wenn Sie am Computer aufnehmen und kein Problem damit haben, eigene Cab-IRs zu beschaffen.

Neural Amp Modeler reviewed by Stork AI · stork.ai/de/neural-amp-modeler

stork
Ich bin eine flache Zeichnung.
Eine flache Zeichnung und ein getippter Satz.
Diese Zeichnung wurde nie animiert.
Ein Foto, eine Zeichnung, ein Gemälde oder eine 3D-Figur. Ab $0.10 pro Minute. Kostenlos testen.
Foto sprechen lassenFür Entwickler: Es gibt eine API

Was Neural Amp Modeler leistet

Neural Amp Modeler (NAM) trainiert ein neuronales Netz, das einen bestimmten Gitarrenverstärker oder ein bestimmtes Pedal nachahmt. Sie spielen ein standardisiertes Testsignal (die von NAM bereitgestellten Reamp-Dateien) über Ihr Equipment ab und nehmen das Ausgangssignal auf. Der Trainer von NAM lernt den Unterschied und exportiert eine .nam-Modelldatei. Das Training läuft im Browser über Google Colab ohne Installation oder lokal mit dem Python-Trainer von PyPI (neural-amp-modeler, Version 0.13.0, Python 3.10 oder höher); dazu gibt es Schritt-für-Schritt-Videos für Windows und Mac. Die meisten Spieler trainieren nie selbst ein Modell: Sie laden Captures herunter, die andere erstellt haben, von TONE3000, einer Community-Bibliothek, auf die NAM verweist.

Zum Abspielen der Modelle bietet NAM Gateway, ein kostenloses VST3/AU-Plugin und eine eigenständige Desktop-App für Windows 10 oder höher und macOS 10.15 oder höher, sowie ParametricOD, ein Konzept-Plugin, das einen Overdrive über den gesamten Bereich seiner Regler und Schalter modelliert. Der Code liegt in drei Repositories unter MIT-Lizenz: der Trainer, die zentrale DSP-Bibliothek und das auf iPlug2 basierende Plugin; ein LV2-Build aus der Community deckt Linux ab. Das Projekt wird von Steven Atkinson betreut, über Spenden via Ko-fi finanziert, und sein Kern wird in kommerziellen Produkten eingesetzt: Auf der NAM-Website sind unter anderem Darkglass, Two Notes, Hotone, Valeton und MOD Audio als Hersteller aufgeführt.

Neural Amp Modeler Preise

NAM hat keinen kostenpflichtigen Tarif. Der Trainer, die Plugins Gateway und ParametricOD sowie der Quellcode sind kostenlos, und das Projekt nimmt freiwillige Spenden an.

TarifPreisEnthalten
Neural Amp Modeler$0Plugins Gateway und ParametricOD (VST3, AU, eigenständig), Colab- und lokale Trainer, Quellcode unter MIT-Lizenz
Spende (optional)Beliebiger BetragFreiwillige Unterstützung des Projekts über Ko-fi

Das Training im Browser nutzt Google Colab, das eigene kostenlose und kostenpflichtige Stufen hat; das lokale Training läuft auf Ihrem eigenen Computer. Hardwaregeräte und Plugins von Drittanbietern, die NAM-Modelle laden, werden von deren Herstellern separat verkauft.

Preise am 10. November 2026 auf der Preisseite des Anbieters geprüft (NAM hat keine Preisseite; geprüft wurden die Seiten für Nutzer, Code und Spenden). Siehe NAM for users und Donate.

Wichtigste Funktionen

Das stellt das NAM-Projekt bereit:

  • Deep-Learning-Captures von Verstärkern und Pedalen, gespeichert als .nam-Modelldateien
  • Browserbasiertes Training über Google Colab, keine Installation nötig
  • Lokaler Python-Trainer auf PyPI für Windows und Mac
  • Standardisierte Reamp-Dateien, damit Captures auf dieselbe Weise erstellt werden
  • Gateway-Plugin (VST3, AU) und eigenständige App für Windows und macOS
  • ParametricOD-Konzept-Plugin, das einen Overdrive über den Bereich seiner Regler modelliert
  • Drei Repositories unter MIT-Lizenz für Trainer, zentrale DSP-Bibliothek und Plugin
  • Modelle, die über die Community-Bibliothek TONE3000 geteilt werden

Für wen Neural Amp Modeler am besten geeignet ist

NAM eignet sich für Gitarristen und Bassisten, die über einen Computer aufnehmen oder üben und genaue Captures echter Verstärker wünschen, ohne für eine Amp-Simulation zu bezahlen, sowie für Spieler, die einen Lieblingsverstärker oder ein Lieblingspedal besitzen und es selbst erfassen möchten. Es eignet sich auch für Entwickler und Hardwarehersteller, da die MIT-Lizenz es ihnen erlaubt, NAM in Produkte zu integrieren.

Wenn Sie eine ausgereifte All-in-one-Amp-Simulation mit Boxen, Effekten und Preset-Verwaltung suchen, ist Positive Grid BIAS FX eine kommerzielle Option. Für Capture-basierten Sound in einem dedizierten Pedal oder Plugin mit Herstellersupport sehen Sie sich IK Multimedia TONEX oder den Neural DSP Quad Cortex an. Ein weiteres kostenloses Open-Source-Plugin auf Basis neuronaler Netze ist GuitarML Proteus.

Was Nutzer sagen

In einem Test von 2023 fand ElectrikJam den Sound überzeugend, besonders bei High Gain, und lobte die Community-Bibliothek, die seltene Verstärker enthält, die andere Modeler auslassen. Derselbe Test nennt auch Einschränkungen: Es sind keine Cabinet-Impulsantworten enthalten, die Qualität der Community-Captures schwankt, Captures sind Momentaufnahmen einer einzelnen Reglereinstellung, und das Training eines eigenen Modells funktioniert am besten mit einer dedizierten GPU. Guitar.com berichtete im September 2026, dass TONE3000 ein kostenloses Plugin veröffentlicht hat, das Zugriff auf mehr als 700.000 NAM-Captures und Impulsantworten bietet, mit einer neueren NAM-A2-Engine, die gemeinsam mit dem Schöpfer von NAM entwickelt wurde.

Vorteile

  • Völlig kostenlos, mit Quellcode unter MIT-Lizenz
  • Eigene Verstärker und Pedale erfassen, im Browser oder lokal
  • Große Community-Bibliothek mit geteilten Captures auf TONE3000
  • Plugin und eigenständige App für Windows und macOS
  • In Hardware und Plugins mehrerer kommerzieller Hersteller integriert

Nachteile

  • Captures sind Momentaufnahmen einer einzelnen Einstellung, keine vollständige Regelung aller Potis
  • Laut Testern sind standardmäßig keine Cabinet-Impulsantworten enthalten
  • Die Qualität der Community-Captures schwankt
  • Laut Testern ist das lokale Training ohne dedizierte GPU langsam

Häufig gestellte Fragen

Ist Neural Amp Modeler kostenlos?

Ja. Der Trainer, das Gateway-Plugin und der Quellcode sind kostenlos und stehen unter der MIT-Lizenz. Das Projekt nimmt optionale Spenden über Ko-fi an. Geprüft am 10. November 2026.

Wie erstelle ich meine eigene NAM-Capture?

Laden Sie die standardisierten Reamp-Dateien von NAM herunter, spielen Sie sie über Ihren Verstärker oder Ihr Pedal ab und nehmen Sie das Ausgangssignal auf. Trainieren Sie anschließend ein Modell in Ihrem Browser mit dem Google-Colab-Trainer oder lokal mit dem Python-Trainer von PyPI. Das Ergebnis ist eine .nam-Datei, die Sie in Gateway laden.

Wo kann ich NAM-Modelle herunterladen?

NAM verweist Nutzer auf TONE3000, eine von der Community organisierte Online-Bibliothek, in der Anwender ihre Captures teilen. Sie können auch Captures Ihres eigenen Equipments trainieren.

Welche Plattformen unterstützt das NAM-Plugin?

Gateway läuft als VST3- oder Audio-Unit-Plugin sowie als eigenständige App unter Windows 10 (64-Bit) oder höher und macOS 10.15 oder höher. Für Linux verweist das Plugin-Repository auf einen LV2-Build aus der Community.

Enthält NAM eine Cabinet-Simulation?

Captures bilden in der Regel einen Verstärker oder ein Pedal ab. Laut Testern liefert NAM standardmäßig keine Cabinet-Impulsantworten mit, daher ergänzen Sie für einen vollständigen Sound aus Verstärker und Box einen eigenen IR-Loader und eigene IRs.

Kann ich NAM auf der Bühne verwenden?

Ja, über Hardware anderer Hersteller. Auf der Builders-Seite von NAM sind Hersteller wie Darkglass, Two Notes, Hotone und Valeton aufgeführt, deren Produkte NAM-Technologie nutzen.

Alternativen vergleichen

Neural Amp Modeler

Kostenlos · Web · API

Aus dem Stork-Blog

Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.

eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte