PULYA PRODUCER

AI Audio Studio & Forensic Suite

Motor: Apple Silicon CoreML (Offline)

Latencia: 1.2 ms

Índice de Calidad Sin Archivo

Ningún audio cargado

Arrastra un WAV, MP3, FLAC...

-- kHz / -- bit

Métricas Forenses

True Peak -∞ dBFS

Clipping Muestras 0 (0.0%)

Loudness Est. -- LUFS

DC Offset 0.0000

Correlación de Fase +1.00 (Mono OK)

Anomalías & Distorsión 0

Carga un audio para iniciar el escaneo profundo de distorsión armónica y artefactos.

Motor de Restauración IA

Neural De-Clipping De-Hum Adaptativo (50/60Hz) Denoise Espectral IA Resíntesis Armónica & Master

Arrastra tu Audio aquí o Haz Clic para Explorar

Compatible con WAV, MP3, FLAC, AIFF, AAC, OGG, M4A.
100% Procesamiento Local en tu Mac. Cero subida a servidores.

Modo de Escucha:

20 kHz 10 kHz 5 kHz 1 kHz 250 Hz 50 Hz

0:00 0:30 1:00

00:00.000 DAW Precision Scrubbing Engine 00:00.000

Sub/Bass 0 dB

Mid/Vocals 0 dB

Air/Highs 0 dB

Master Level

Pipeline PyTorch a Core ML (Apple Silicon Neural Engine)

Este script de Python exporta cualquier red neuronal de restauración de audio (como Conv-TasNet o HiFi-GAN De-Clipper) a formato nativo .mlpackage con aceleración por hardware en el Apple Neural Engine (ANE) de tu Mac:

import torch
import coremltools as ct

# 1. Definir o cargar el modelo PyTorch entrenado para De-Clipping/Denoise
class PulyaNeuralAudioRestorer(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = torch.nn.Conv1d(1, 64, kernel_size=15, padding=7)
        self.relu = torch.nn.PReLU()
        self.conv2 = torch.nn.Conv1d(64, 64, kernel_size=15, padding=7)
        self.out = torch.nn.Conv1d(64, 1, kernel_size=15, padding=7)

    def forward(self, x):
        res = self.relu(self.conv1(x))
        res = self.relu(self.conv2(res))
        return x + self.out(res)

model = PulyaNeuralAudioRestorer().eval()

# 2. Muestra de entrada de audio (Buffer Float32 a 48kHz)
example_input = torch.rand(1, 1, 48000)
traced_model = torch.jit.trace(model, example_input)

# 3. Conversión optimizada para Apple Neural Engine (ANE) y Metal
mlmodel = ct.convert(
    traced_model,
    inputs=[ct.TensorType(name="audio_signal", shape=example_input.shape)],
    compute_units=ct.ComputeUnit.ALL, # CPU + GPU Metal + Apple Neural Engine
    minimum_deployment_target=ct.target.macOS14
)

mlmodel.save("PulyaAudioRestorer.mlpackage")
print("✅ Modelo Core ML nativo generado exitosamente para PULYA PRODUCER.")