ADC Japan 2026

For many companies, legacy code is an important technical asset, yet it often presents challenges in terms of future maintainability and development efficiency. In Yamaha's effect processing for electronic musical instruments, which has been developed over many years, highly optimized DSP assembly for dedicated DSPs is used. While these are important elements supporting high competitiveness, they have also become major barriers to platform expansion and software implementation.

ESP, released in 2024 (https://jp.yamaha.com/products/music_production/apps/esp_montagem/index.html), reproduces the signal processing of MONTAGE M (a hardware synthesizer) in software. During ESP's development, the effects section required a mechanism to reliably convert DSP assembly to C++. To address this, we developed software that automatically converts DSP assembly to C++ code. This software not only significantly improved the porting efficiency of existing DSP assembly, but also enabled stable support for new DSP assembly to be added in the future.

In this presentation, we will share the "challenges and concerns" encountered during the development of DSP assembly → C++ automatic conversion software, as well as "insights gained after completion." We look forward to sharing technical perspectives with engineers facing similar challenges and discussing better development approaches.

The issues and processes covered in this presentation extend beyond the DSP domain to areas such as "legacy asset succession," "optimized code migration," and "approaches and points of focus when implementing automation tools," with the aim of providing practical insights that you can take back to your work.

多くの企業にとってレガシーコードは重要な技術資産である一方、将来的な保守性や開発効率の面で課題を抱えることも少なくありません。ヤマハが長年にわたり開発してきた電子楽器向けエフェクト処理においても、専用DSP向けに高度に最適化されたDSPアセンブリが用いられています。これらは高い競争力を支える重要な要素である一方、他プラットフォーム展開やソフトウェア化を進める上で大きな障壁にもなっていました。

2024年にリリースされた ESP(https://jp.yamaha.com/products/music_production/apps/esp_montagem/index.html) では、MONTAGE M（ハードウェアシンセサイザー）の信号処理をソフトウェア上で再現しています。ESP の開発に際し、エフェクト部では DSP アセンブリを安定的に c++ へ変換する仕組みが必要となりました。そこで私たちは、DSPアセンブリを c++ コードに自動変換するソフトウェアを開発しました。このソフトウェアにより、既存DSPアセンブリの移植効率が大幅に向上しただけでなく、今後追加される新規DSPアセンブリにも安定的に対応できるようになりました。

本発表では、DSPアセンブリ → c++ 自動変換ソフトウェア開発上の「苦労・悩み」と「完成後に得た気づき」を共有します。同様の課題に直面するエンジニアの皆さまと技術的視点を共有し、より良い開発方法を議論できることを楽しみにしています。

本発表で扱う課題とプロセスは、DSP領域に留まらず「レガシー資産の継承」「最適化済みコードの移行」「自動化ツール導入時の進め方や着眼点」といった分野にも通じる内容であり、実務に役立つ示唆を持ち帰っていただくことを目指します。

Proposal of a black-box modeling method for audio distortion circuits using neural networks with real-valued Linear Recurrent Units (LRU). Furthermore, by employing anti-aliasing techniques (ADAA), we demonstrate the realization of a high-precision and computationally efficient model that enables real-time operation on DAWs.

実数値 Linear Recurrent Unit（LRU）を用いたニューラルネットワークにより、オーディオ歪み回路のブラックボックスモデリング手法の提案。さらにアンチエイリアシング手法（ADAA）を用い、高精度かつ計算効率の高いモデルを実現し、DAW上でのリアルタイム動作が可能であることを示す。

Machine Learning has revolutionized audio coding, from automated processing to distortion modeling. However, ML models are only as good as the data they're trained on. High-quality, *large* datasets are crucial for this effort. Rather than rely on external datasets, this talk will empower audio developers by providing a practical guide to building an autonomous circuit measurement setup for data acquisition.

We begin with explaining the need for automated data collection. While manual measurement has limits when it comes to consistency and cost, a computer-based approach scales effortlessly, and can allow more complex measurements, such as varying the temperature of the measured circuit. And did we mention that it can function 24 hours a day, 7 days a week?

Then, we cover the hardware requirements for the measurement setup: signal generators that have the sampling rate, bit-depth and impedance for high-quality audio, a computer or microcontroller to guide the measurements in realtime, and appropriate Analog-to-Digital Converters (ADCs) to close the loop. We focus on practical, easy, and above all affordable options, rather than specialty Test & Measurement hardware.

Going forward, we describe the software involved in the setup: from the choice of programming language, to the types of different measurements. We pay special attention to realtime (i.e. streaming) measurements, as they allow the most control over hardware parameters and can climb in complexity using feedback from the measurements themselves.

Following that is a brief discussion of precision. It's critical to understand calibration techniques for our sensors, as well as minimize the noise of our measurements.

Moving on, we take things to the next level: using configuration files to set up entire test suites, designing hardware in a modular fashion so that each piece can be tested in isolation, and taking advantage of reconfigurable hardware to achieve a higher degree of abstraction.

Finally, we will provide resources for further exploration, including a GitHub repo with code examples for hardware measurements.

機械学習は、自動処理から歪みモデリングまで、オーディオコーディングに革命をもたらしました。しかし、MLモデルは学習データと同程度の性能しか発揮できません。高品質で*大規模な*データセットはこの取り組みに不可欠です。外部データセットに頼るのではなく、このトークではオーディオ開発者にデータ取得用の自律回路測定セットアップの構築方法に関する実践的なガイドを提供することで、開発者をサポートします。

まず、自動データ収集の必要性について説明します。手動測定は一貫性とコストの観点で限界がありますが、コンピュータベースのアプローチは簡単にスケーリングでき、測定対象回路の温度を変化させるなど、より複雑な測定を行うことができます。さらに、1日24時間、週7日間機能することができます。

次に、測定セットアップのハードウェア要件について説明します。高品質なオーディオのためのサンプリングレート、ビット深度、インピーダンスを備えた信号生成器、リアルタイムで測定を制御するコンピュータまたはマイクロコントローラ、そしてループを閉じるための適切なアナログ・デジタル変換器（ADC）が必要です。専門的なテスト・計測ハードウェアではなく、実用的で使いやすく、何よりも手頃な選択肢に焦点を当てます。

次に、セットアップに関わるソフトウェアについて説明します。プログラミング言語の選択から、さまざまな測定タイプまでです。リアルタイム（つまりストリーミング）測定に特に注意を払います。これにより、ハードウェアパラメータを最大限に制御でき、測定自体からのフィードバックを使用して複雑さを増すことができます。

その後、精度に関する簡潔な議論があります。センサーの校正技術を理解し、測定のノイズを最小化することが重要です。

さらに進んで、設定ファイルを使用してテストスイート全体をセットアップし、各部品を独立してテストできるようにハードウェアをモジュール設計し、より高い抽象化レベルを達成するために再構成可能なハードウェアを活用します。

最後に、ハードウェア測定用のコード例を含むGitHubリポジトリなど、さらなる探索のためのリソースを提供します。

This talk is a continuation of previous talks at ADC'21 and ADCx'23. We will take an in-depth look at deploying AI Audio Inference workloads to the Raspberry Pi 5. The RPi 5 can be a useful target in and of itself, and also a reference target for later deployment to other embedded platforms (Compute Module 5, Qualcomm, etc.). This talk will have a particular focus on workloads that are useful in the automotive industry.

このトークは、ADC'21とADCx'23での以前のトークの続編です。AI音声推論ワークロードをRaspberry Pi 5にデプロイすることについて、詳しく見ていきます。RPi 5は、それ自体で有用なターゲットとなるだけでなく、後で他の組み込みプラットフォーム（Compute Module 5、Qualcommなど）へのデプロイメントのための参照ターゲットとしても機能します。このトークは、自動車産業で有用なワークロードに特に焦点を当てます。

Katokatone is a browser-based music learning application developed by KORG in collaboration with a Japanese textbook publisher for classroom use. As of February 2026, it is used in approximately 7,500 schools, serving around 13,000 daily users.

For this project, we reused part of our native C++ synthesizer engine — originally built for applications such as KORG Gadget — and compiled it to WebAssembly to run inside an AudioWorklet.

Rather than focusing on theoretical DSP optimization, this talk shares practical lessons from making it work reliably on managed school devices such as Chromebooks and iPads.

We will discuss:
- Why web delivery was required in educational environments
- What happened when a native synth engine was moved into the browser
- Performance issues observed on low-spec devices
- Iterative adjustments to reduce audio glitches and UI load

This is a real-world case study of bringing a native C++ synthesizer engine into the browser to deliver and maintain instrument-grade audio in institutional environments without simplifying the sound architecture.

Katokatoneは、KORGが日本の教科書出版社と協力して教室での使用のために開発したブラウザベースの音楽学習アプリケーションです。2026年2月時点で、約7,500の学校で使用されており、1日あたり約13,000人のユーザーに利用されています。

このプロジェクトでは、KORG Gadgetなどのアプリケーション向けに元々構築したネイティブC++シンセサイザーエンジンの一部を再利用し、WebAssemblyにコンパイルしてAudioWorklet内で実行させました。

理論的なDSP最適化に焦点を当てるのではなく、このトークでは、ChromebookやiPadなどの管理下にある学校用デバイスで確実に動作させるための実践的な教訓を共有します。

以下について説明します：
- 教育環境でウェブ配信が必要とされた理由
- ネイティブシンセエンジンをブラウザに移行した際に何が起こったか
- 低スペックデバイスで観察されたパフォーマンス問題
- オーディオグリッチとUIロードを軽減するための反復的な調整

これは、音声アーキテクチャを簡略化せずに、制度的環境でインストルメントグレードのオーディオを配信・維持するために、ネイティブC++シンセサイザーエンジンをブラウザに導入した実際のケーススタディです。

Right from the outset of her game audio career, Malin was never satisfied just using other people’s sounds and so began a lifelong quest of building her own libraries through field recordings. Drawing on many sonic adventures she will examine and explore the art and science of best of breed location sound capture sharing lessons learned about planning, scouting and site selection, working in harmony with nature, timing and when to record, equipment choices and options - and the peculiarities of videogame requirements, discussing what for her makes the perfect sound and how she goes about getting it.

ゲームオーディオのキャリアの初期段階から、マリンは他人の音を使うだけでは決して満足せず、フィールド録音を通じて独自のライブラリを構築するという生涯にわたる追求を始めました。多くのソニックアドベンチャーを通じて、彼女はロケーション音声キャプチャのベストプラクティスの芸術と科学を検証し、探求していきます。計画、スカウティング、サイト選定、自然との調和、録音のタイミングと時期、機材の選択肢とオプション、そしてビデオゲーム特有の要件についての教訓を共有し、彼女にとって完璧な音とは何か、そしてそれをどのように実現するのかについて論じます。