把电路装进代码里，这事儿远比想象中棘手。模拟电路的“染色”不是简单的均衡曲线或谐波失真百分比能概括的——它是一整套非线性的、时变的、相互耦合的物理过程。电容的介质吸收、晶体管结电容的充放电、甚至电阻的热噪声，都在以微妙的方式重塑信号。要在软件里重现这些，得先决定走哪条路。
静态建模与动态建模的分水岭
最早期的模拟建模插件，本质上是在做静态非线性映射。测出一堆谐波分布数据，然后用多项式或查表法去逼近。这能抓个大概，但一碰到动态信号就露馅。比如滤波器的截止频率被包络快速扫动时，静态模型根本无法复现电容充放电带来的“记忆效应”，声音听起来像是贴上去的，不是长出来的。
后来有了动态建模，重心转向微分方程的数值求解。状态空间（State-Space）表示法一度是主流，把电路抽象成一阶微分方程组，每个采样点都在解算。但经典的状态空间模型在处理非线性元件时很吃力——二极管、晶体管的伏安特性是指数级的，强行线性化会丢失大量谐波细节。于是有人引入牛顿-拉夫森迭代，在每个采样点反复求解隐式方程，代价是CPU负载飙升。
波数字滤波器（WDF）的复兴
近十年真正掀起波澜的，是波数字滤波器（Wave Digital Filters）在音频电路模拟中的复兴。WDF把每个电路元件映射为一个数字波散射单元，信号以入射波和反射波的形式在元件间传递。非线性元件（比如二极管）被处理为端口电阻可变的适配器，通过迭代求解端口电压电流。这种方法天然保留了电路拓扑结构，能准确模拟元件间的双向耦合——比如电源内阻对放大器失真的影响，或者反馈回路中相位裕度不足导致的瞬态振铃。
不过WDF并不是万能药。遇到复杂拓扑（比如多反馈节点）时，需要手动分解电路，有时候还会出现“延迟自由环路”（delay-free loops）这种让人头疼的问题，必须引入额外的迭代或插入单位延迟，但这又会轻微改变高频相位响应。
黑盒建模与神经网络的闯入
传统物理建模依赖电路原理图，但很多经典硬件根本没有公开的图纸，或者元件早已停产无法测绘。这时候黑盒建模就登场了。通过给硬件输入精心设计的激励信号（扫频、脉冲、噪声序列），记录其输出响应，然后用系统辨识技术提取Volterra核或训练递归神经网络（RNN）。WaveNet、LSTM之类的结构已经能捕捉相当复杂的记忆效应，甚至能学到物理建模难以精确描述的“软故障”——比如老化电容的漏电流导致的低频相位偏移。
但黑盒模型的可解释性差，调参像开盲盒。而且训练数据覆盖不到的极端参数组合，模型可能会输出些怪异的噪声。
混合路径才是现实
现在主流的软件合成器或效果器，往往不会死磕单一技术。低频振荡器部分可能用状态空间保证精度，滤波器核心用WDF保留瞬态特性，过载级则用神经网络补足物理模型难以调校的“毛边”。比如原文提到的Ember合成器，其“漂移”（Drift）模块本质上是在参数层面注入受控的随机扰动，模拟元件容差和热漂移——这是物理建模的补充，不是替代。
说到底，电路染色的技术路径演进了几十年，从多项式到微分方程，再到神经网络，追求的无非是让数字信号也能“呼吸”。但真正的难点不在于算法本身，而在于知道哪些细节值得保留，哪些可以舍弃。毕竟，人耳对某些失真极度敏感，对另一些却近乎失聪。这中间的取舍，才是开发者真正的功底。
评论(5)
之前用状态空间搭了个简单的滤波器模型，跑起来CPU风扇狂转。
黑盒模型调参像开盲盒？其实现在很多都是用自动化调参了，没说的那么玄乎。
所以现在有没有哪个软音源是把WDF和神经网络结合得比较好的？
WDF那个延迟自由环路确实头疼，实际做的时候经常要加延迟补偿。
说到点子上了，取舍才是真功夫。