IA Traitement du son · 7 November 2026

NAM A2 : ce que l’architecture neuronale de TONE3000 change vraiment pour la capture d’ampli (et ce qu’elle ne dit pas)

NAM A2 promet de faire tenir une capture d’ampli à lampes dans une pédale à 200 euros. Derrière l’annonce, un dépôt GitHub, une plateforme communautaire devenue partenaire de développement, et un pipeline « Tokyo Studio Capture » qui n’apparaît nulle part ailleurs. On a croisé les sources, séparé les faits des promesses, et voici ce que ça vaut vraiment.

NAM A2 : ce qui est réellement documenté (et ce qui relève du mythe)

Commençons par le plus important, parce que la suite de cet article en dépend : tout ce qui circule sur A2 n’a pas la même solidité. Il y a, dans ce dossier, une couche de faits recoupés — l’existence d’Architecture 2, ses deux variantes Full et Lite, le partenariat de développement avec TONE3000 (ex-ToneHunt) et Steve Atkinson, le support annoncé par HeadRush sur ses Prime, Core et Flex Prime, l’arrivée de fichiers A2 dans des applications tierces comme Nam Droid sur Android et le MGP-2 Makk Guitar Processor. Ces éléments apparaissent dans au moins deux familles de sources indépendantes : la documentation officielle de TONE3000 et neuralampmodeler.com d’un côté, des médias tiers comme IRZ et Stork.AI de l’autre.

Puis il y a une couche beaucoup plus fragile. La date exacte du 2 juin 2026 comme « nouveau standard » n’apparaît que dans une seule source tierce, non corroborée par TONE3000 ni par le dépôt GitHub. Le chiffre des « 50 % d’un Cortex-M7 à 600 MHz » vient exclusivement de TONE3000 — IRZ prend d’ailleurs la peine de préciser qu’il ne s’agit pas d’un benchmark indépendant. Quant aux listes de fabricants partenaires, elles divergent : TONE3000 cite Blackstar, Darkglass, HeadRush, Lava Music, Chaos Audio et Dimehead, tandis qu’un guide russophone évoque Headrush, Hotone, Mooer, Nux et Valeton. Ces deux listes ne se recoupent presque pas — indice, sinon d’une erreur, au moins d’un écosystème en cours de stabilisation.

Et puis il y a le cas « Tokyo Studio Capture ». Ce nom n’apparaît dans aucune des sources fournies pour cet article, à l’exception d’une URL isolée (tokyostudiocapture.com/nam-a2/) qui n’est corroborée par aucun autre canal. C’est un signal d’alerte méthodologique majeur, et nous y consacrons une section entière plus bas.

Notre méthode, donc : croiser systématiquement les sources officielles (TONE3000, dépôt GitHub neural-amp-modeler, neuralampmodeler.com) avec les retours tiers (IRZ, MWM, Stork.AI, fiches App Store et Google Play), et signaler explicitement chaque fois qu’une affirmation ne tient qu’à un seul émetteur — surtout quand cet émetteur a un intérêt commercial direct dans la chose.

De la thèse de Steven Atkinson à A2 : du labo au pédalier

Neural Amp Modeler n’est pas né dans un service marketing. Le projet est l’œuvre de Steven Atkinson, et il repose sur une idée simple à énoncer, redoutable à exécuter : plutôt que de modéliser un ampli à lampes par équations physiques — la voie historique de Kemper, de Line 6 ou de Fractal —, on entraîne un réseau de neurones à imiter le comportement entrée-sortie d’un ampli réel. On lui envoie un signal de test, on enregistre la réponse de l’ampli, et le réseau apprend la transformation. C’est de l’apprentissage supervisé appliqué à la distortion, à la compression et à la saturation d’un circuit analogique.

Le projet est publié sous licence MIT, ce qui n’est pas un détail : c’est ce qui a permis à une communauté entière de s’en emparer, de forker, d’intégrer, de porter sur mobile, d’en faire des plugins gratuits et des pédales commerciales sans négocier de royalties. NAM utilise un réseau neuronal convolutif temporel profond — l’architecture exacte n’est pas documentée dans nos sources, mais la famille est connue : ce sont des réseaux adaptés au traitement de séquences audio, capables de capturer une mémoire temporelle suffisante pour reproduire le comportement dynamique d’un étage de gain à lampes.

Un point de chronologie mérite d’être corrigé par rapport à nos précédentes éditions : la documentation officielle de TONE3000 indique désormais que NAM a été lancé comme projet open source en 2019, et non « vers 2022 » comme le laissait entendre une lecture approximative d’un guide russophone. C’est cette date de 2019 qui fait foi, puisqu’elle émane de la source primaire. Ce qu’on sait avec certitude, c’est que NAM a connu une adoption communautaire massive, portée par ToneHunt — devenu TONE3000 —, une plateforme où les utilisateurs partagent leurs captures d’amplis, de pédales, de cabs et de chaînes complètes.

Le problème concret que A2 prétend résoudre est précis : sortir la modélisation neuronale du seul territoire du PC de studio. Jusqu’ici, faire tourner une capture NAM de qualité exigeait un processeur de bureau correct, ou une machine récente. Les pédales multi-effets embarquées, elles, tournaient sur des DSP frugaux, incapables d’exécuter un réseau profond en temps réel avec une latence acceptable. A2, c’est la tentative de franchir ce mur — et c’est là que le partenariat avec TONE3000 et Steve Atkinson prend tout son sens : il ne s’agit plus d’un projet de chercheur, mais d’un effort coordonné entre une communauté et une plateforme pour porter un modèle sur du silicium contraint.

A2-Full vs A2-Lite : anatomie d’une architecture « slimmable » pensée pour le silicium

Le mot-clé technique d’A2, c’est « slimmable ». Comprenez : un même modèle entraîné peut être tronqué à différentes tailles selon la cible matérielle. Au lieu d’entraîner un modèle géant pour le desktop et un modèle minuscule pour l’embarqué — deux réseaux distincts, deux entraînements, deux jeux de poids —, on entraîne un seul réseau, puis on l’élague. Le modèle « slim » garde l’essentiel de ce qu’il a appris, mais avec moins de couches ou de canaux, donc moins de multiplications par seconde.

C’est une approche qui change la donne par rapport aux modèles monolithiques de la génération précédente, pour une raison simple : elle découple la qualité de capture de la cible de déploiement. Le dépôt officiel neural-amp-modeler a intégré, dans ses releases récentes, le support des modèles « slimmable » et du « packed training », ainsi que des configurations A2 dans les trainers. NeuralAmpModelerCore, écrit en C++, sert de couche DSP réutilisable pour les applications et intégrations. C’est cette brique qui permet à un développeur de pédale ou d’app mobile d’exécuter une capture neuronale sans réimplémenter l’inférence à la main.

Sur le plan de l’usage, TONE3000 documente un chemin simple : télécharger le plugin gratuit TONE3000, qui fait tourner A2 nativement avec A2-Lite et A2-Full, cliquer sur n’importe quel emplacement « + (Add Tone) », sélectionner un tone, et jouer. C’est un détail qui compte : les deux variantes sont accessibles dès le plugin, ce qui signifie qu’un utilisateur peut arbitrer lui-même entre qualité maximale et charge CPU minimale, sans dépendre d’une build spécifique.

Maintenant, ce qu’on ne sait pas — et c’est considérable. Aucune dimension exacte de couches n’est publiée. On ne sait pas si A2 repose sur un WaveNet, un LSTM ou une architecture hybride. Aucune fonction de perte, aucun nombre d’epochs, aucun GPU d’entraînement n’est documenté. Aucune métrique ESR (Error-to-Signal Ratio) ni RMSE n’est publiée, ni pour A1, ni pour A2, ni pour aucune référence. Et le poids d’un fichier .nam — A2-Full comme A2-Lite — n’apparaît nulle part dans les sources disponibles.

Autrement dit : on nous dit qu’une architecture est « slimmable », on nous dit qu’elle tourne à 50 % d’un Cortex-M7, mais on ne nous donne ni la taille du modèle, ni sa précision mesurée, ni le protocole qui a produit ce chiffre. Pour un projet open source dont l’un des arguments est la reproductibilité, c’est un trou béant.

Caractéristique	A2-Full	A2-Lite	Statut de l’information
Cible	Précision maximale	Systèmes embarqués	Confirmé (TONE3000, IRZ)
Architecture	« Slimmable » (tronquable)	Idem, version élaguée	Confirmé (IRZ)
Type de réseau	Non précisé	Non précisé	Lacune
Coût de calcul annoncé	Non chiffré	~50 % d’un Cortex-M7 @ 600 MHz	Non vérifié (source unique TONE3000)
Métrique ESR / RMSE	Non publiée	Non publiée	Lacune
Poids fichier .nam	Non documenté	Non documenté	Lacune
Support outillage	neural-amp-modeler (slimmable, packed training)	Idem	Affirmé par IRZ, non vérifié sur le dépôt
Accès utilisateur	Plugin TONE3000 gratuit	Plugin TONE3000 gratuit	Confirmé (TONE3000)

Tokyo Studio Capture : le pipeline fantôme qui mérite une enquête

C’est la section la plus délicate de ce dossier, et il faut la traiter avec la rigueur qu’elle exige. Le « pipeline Tokyo Studio Capture » est présenté, dans le cadrage de cette enquête, comme un élément central d’A2. Problème : il n’apparaît dans aucune des sources fournies. Pas dans la documentation TONE3000, pas dans l’article IRZ, pas dans les fiches App Store ou Google Play, pas dans les pages neuralampmodeler.com consultées. La seule trace est une URL isolée, tokyostudiocapture.com/nam-a2/, qui n’est corroborée par aucun autre canal.

Trois hypothèses méritent d’être posées. Première hypothèse : c’est un nom de code interne, utilisé dans les canaux de développement — Discord, issues GitHub, vidéos YouTube de la communauté — sans jamais être repris dans la communication officielle. C’est plausible : les projets open source ont souvent une couche de vocabulaire informel qui ne franchit jamais le seuil de la documentation publique. Deuxième hypothèse : une confusion avec un protocole de capture existant, ou avec un studio partenaire dont le nom aurait été associé par proximité à la démarche A2. Troisième hypothèse : une information issue d’un canal non indexé — une vidéo YouTube, un post Discord — reprise ensuite sans vérification, et qui s’est propagée comme un fait.

Ce qu’un tel pipeline devrait techniquement couvrir, si tant est qu’il existe, est en revanche assez clair dans le domaine de la capture d’ampli. Il faudrait un protocole de réamp : un signal de test envoyé dans l’ampli, capté par un micro ou une charge de réaction, avec un contrôle strict du gain d’entrée et de sortie pour éviter toute saturation parasite. Il faudrait des signaux de test adaptés — balayages, bruits, impulsions — couvrant le spectre utile et les régimes non linéaires. Il faudrait une gestion du bruit de fond et de la latence, parce qu’un décalage temporel entre l’entrée et la sortie fausse l’apprentissage du réseau. Et il faudrait une calibration reproductible, sans quoi deux captures du même ampli donneraient deux modèles différents.

Tant qu’aucune source primaire ne documente ce pipeline — un billet de blog signé, un commit, une release GitHub, une vidéo officielle —, la prudence s’impose. C’est exactement le rôle d’un article de décryptage que de refuser de relayer une promesse sans la sourcer, surtout quand elle porte un nom propre aussi spécifique. Si Tokyo Studio Capture existe, il mérite sa propre documentation. Si elle n’existe pas, il faut le dire.

Ce que les chiffres disent vraiment : ESR, latence, CPU — et le trou béant des benchmarks indépendants

Passons aux chiffres. Il y en a très peu, et c’est en soi une information.

Le seul nombre concret disponible est celui de TONE3000 : A2 tournerait à environ 50 % d’un Cortex-M7 à 600 MHz, avec une qualité sonore supérieure au Quad Cortex selon l’éditeur. C’est une affirmation forte — elle signifie qu’une capture neuronale de qualité pourrait tenir sur un microcontrôleur d’entrée de gamme, ouvrant la voie à des pédales à quelques centaines d’euros. Mais c’est une affirmation non vérifiée. Aucun benchmark indépendant ne la corrobore dans les sources consultées. IRZ le souligne explicitement. Et il faut comprendre ce que « 50 % d’un Cortex-M7 » veut dire concrètement : 50 % de charge sur un cœur cadencé à 600 MHz, c’est déjà la moitié du budget de calcul d’une pédale qui doit aussi gérer l’affichage, les conversions, les autres effets, la gestion USB. Ce n’est pas anodin.

TONE3000 va plus loin et affirme qu’A2 « bat Neural DSP V2, IK Multimedia ToneX V2 et Line 6 Proxy par une large marge, à la fois dans des tests quantitatifs et des tests d’écoute à l’aveugle », avec des graphiques à l’appui sur son billet d’annonce. C’est la première fois que l’éditeur publie une comparaison nominative avec des concurrents commerciaux. Mais ces tests sont produits par TONE3000 lui-même, sur sa propre méthodologie, et aucune des sources tierces consultées n’a reproduit ces mesures. Un test d’écoute à l’aveugle commandité par le vendeur du produit testé n’est pas un benchmark indépendant — c’est un argument marketing, aussi respectable soit-il dans sa forme.

Au-delà de ce chiffre unique, c’est le désert. Aucun ESR publié sur des amplis de référence — Fender, Marshall, Vox, Mesa — ni pour A2, ni pour A1. Aucune comparaison chiffrée A1 vs A2. Aucune latence en millisecondes selon la taille du modèle et le matériel (CPU, GPU, NPU). Aucune donnée de consommation CPU, RAM ou VRAM. Aucun temps d’entraînement documenté. Aucune taille de fichier .nam.

Ce silence n’est pas propre à NAM. Il traverse tout le secteur : nos confrères du magazine l’ont documenté sur RYZE AI comme sur les modèles open weight chinois — « Benchmarks absents : pourquoi personne ne mesure vraiment l’IA audio mobile ». L’IA audio souffre d’un déficit chronique de protocoles d’évaluation partagés. Chacun mesure ce qui l’arrange, avec les signaux de test qui l’arrangent, et publie les courbes qui le flattent. Pour un moteur de capture d’ampli, c’est un problème structurel : la qualité perçue dépend autant du protocole de capture que du réseau lui-même.

L’écosystème : qui supporte A2, et ce que ça dit du basculement matériel

Le soutien matériel est le vrai test de réalité d’A2. Une architecture neuronale ne vaut que si des fabricants l’embarquent. Sur ce point, TONE3000 est explicite : Blackstar, Lava Music, Darkglass, HeadRush, Chaos Audio et Dimehead supportent A2, avec « des dizaines d’autres entreprises majeures annonçant leur support plus tard dans l’année ». HeadRush est le partenaire le plus disert : Walter Skorupski, son Senior Product Manager, annonce que les utilisateurs de Prime, Core et Flex Prime pourront charger des captures NAM directement, « sans conversion avec perte », avec accès embarqué à la bibliothèque TONE3000 via Wi-Fi et écran tactile.

C’est un point technique qui mérite d’être souligné : « sans conversion avec perte » signifie que la pédale exécute le fichier .nam natif, et non une version pré-compilée ou dégradée. C’est précisément ce que permet une architecture slimmable couplée à un cœur DSP réutilisable comme NeuralAmpModelerCore. Si cette promesse tient à la livraison, elle change la donne pour toute la catégorie des multi-effets à moins de 500 euros.

Mais la liste des partenaires reste instable. Le guide russophone évoque Headrush, Hotone, Mooer, Nux et Valeton — une liste qui ne recoupe celle de TONE3000 que sur HeadRush. Deux lectures possibles : soit les deux listes sont partielles et décrivent des vagues d’annonces différentes, soit l’une des deux est approximative. Dans les deux cas, cela confirme que l’écosystème A2 est en cours de constitution, pas encore stabilisé. Un fabricant qui annonce un support n’est pas un fabricant qui a livré un firmware.

Ce basculement s’inscrit dans un mouvement plus large que nous suivons depuis des mois : la sortie de l’IA audio du cloud vers le silicium embarqué. Anker a lancé sa puce THUS à l’IFA 2026 avec une architecture Compute-in-Memory ; Apple a mis en avant les NPU et la mémoire unifiée des Mac M6 pour faire tourner des modèles on-device ; et la question du coût de l’inférence locale est devenue le nerf de la guerre. A2 est la déclinaison « guitare » de cette même logique : ce qui tournait sur un serveur ou un GPU de bureau doit désormais tenir dans un boîtier à piles, avec une latence de quelques millisecondes.

Ce que ça change vraiment pour le guitariste et le producteur

Au-delà des promesses, à quoi ressemble l’expérience concrète ? Trois choses.

D’abord, la fin du matériel propriétaire comme barrière. Jusqu’ici, pour profiter d’une modélisation neuronale de qualité, il fallait soit un ordinateur correct, soit une pédale premium à 1 500 euros et plus. A2, s’il tient ses promesses de coût de calcul, ouvre la voie à des pédales à 200-300 euros capables de charger des captures de qualité studio. C’est exactement le même mouvement que celui décrit dans notre dossier sur les modèles open weight chinois : le coût de l’inférence s’effondre, et avec lui le ticket d’entrée.

Ensuite, la bibliothèque TONE3000 comme actif stratégique. La plateforme n’est plus un simple forum de partage de presets : elle devient le magasin d’applications de la modélisation d’ampli. Avec le plugin gratuit qui fait tourner A2-Full et A2-Lite nativement, TONE3000 capte l’utilisateur avant même qu’il achète une pédale. C’est un modèle freemium classique, mais appliqué à un écosystème matériel — et c’est là que le partenariat avec Steve Atkinson prend son sens commercial.

Enfin, la question de la reproductibilité. Un projet open source dont la valeur repose sur la confiance de sa communauté ne peut pas se permettre de publier des courbes de comparaison sans publier les protocoles. Si A2 veut être le « standard » qu’il prétend devenir, il lui faudra, à terme, ouvrir ses jeux de test, ses métriques et ses procédures de capture. C’est la condition pour que les fabricants tiers, les développeurs d’app mobiles et les chercheurs puissent vérifier les affirmations de l’éditeur — et pour que la communauté continue de capturer, comparer, discuter.

Reste une inconnue de calendrier. TONE3000 annonce des annonces de « dizaines d’entreprises majeures plus tard dans l’année », et HeadRush promet une disponibilité « cet été » pour ses Prime, Core et Flex Prime. À l’heure où nous écrivons, aucune de ces échéances n’est confirmée par une release produit datée dans nos sources. La prudence reste de mise : une annonce de partenariat n’est pas un firmware livré.

Verdict : une vraie avancée technique, une communication qui prend de l’avance sur les preuves

Que retenir, au final ?

Sur le fond, A2 est une avancée réelle et documentée : une architecture slimmable, deux variantes Full et Lite, un support natif dans le plugin TONE3000, une couche DSP open source réutilisable, et un écosystème de fabricants qui se met en place. Le projet NAM, lancé en 2019 sous licence MIT, a déjà fait ses preuves communautaires. A2 est la première tentative sérieuse de porter cette technologie sur du silicium contraint, et c’est exactement le sens de l’histoire — celui que documentent nos confrères sur Anker THUS, sur les Mac M6 ou sur les modèles open weight.

Sur la forme, la communication de TONE3000 prend de l’avance sur les preuves. Le chiffre des 50 % d’un Cortex-M7 n’est corroboré par aucun benchmark indépendant. Les comparaisons avec Neural DSP V2, ToneX V2 et Line 6 Proxy sont produites par l’éditeur lui-même. Les listes de partenaires divergent selon les sources. Aucune métrique ESR, aucune latence mesurée, aucun poids de fichier .nam n’est publié. Et le « pipeline Tokyo Studio Capture » reste, à ce jour, un fantôme documentaire.

Ce n’est pas un réquisitoire. C’est le constat qu’un projet open source qui prétend devenir un standard industriel doit accepter la même exigence de preuve que les standards qu’il prétend remplacer. La communauté NAM a construit sa crédibilité sur la transparence du code et la liberté de la licence MIT. A2 hérite de cette crédibilité — mais il ne pourra pas indéfiniment s’en prévaloir sans publier ses propres chiffres.

Notre recommandation, en l’état : considérer A2 comme une promesse technique crédible mais non vérifiée indépendamment. Attendre les premiers firmwares livrés, les premiers tests tiers reproductibles, et la publication des protocoles de capture. Le jour où ces trois conditions seront réunies, on pourra dire qu’A2 a tenu parole. D’ici là, la prudence n’est pas du scepticisme — c’est de la rigueur.

Sources

Article recherché et rédigé automatiquement · Magazine Electrosens

📬 Restez à la pointe

Recevez chaque semaine les nouveautés de ce magazine par email.

💬 Une remarque, une correction ?

Aidez-nous à améliorer cet article. Nous prenons en compte vos retours.

Neural Amp Modeler A2 : la mise à jour qui transforme la capture d’amplis en IA — décryptage complet