Diplomová práce se zabývá návrhem, implementací a vyhodnocením systému pro neuronovou emulaci nelineárních zvukových efektů s pamětí v reálném čase. Navržená architektura HybridAmpModel vychází z hybridního strukturovaného black-box přístupu s topologií L-NL-L, fyzikálně motivovanou signálovým řetězcem kytarového zesilovače. Tvoří ji trénovatelný předřazený FIR filtr, nelineární jádro na bázi temporální konvoluční sítě (TCN) s exponenciálně dilatovanými kauzálními konvolucemi a FiLM (Feature-wise Linear Modulation) podmínění parametru gain s aktivační funkcí Snake. Model je trénován na reálných nahrávkách dvou cílových zařízení: digitálního pluginu SGA1566 a analogového elektronkového zesilovače Laney Ironheart, za použití kombinované ztrátové funkce ESR (Error-to-Signal Ratio) a MR-STFT (Multi-Resolution Short-Time Fourier Transform) s pre-emfázním filtrem. Byly natrénovány čtyři hloubkové varianty architektury (5, 7, 8 a 10 vrstev). Natrénované modely jsou exportovány pomocí knihovny RTNeural a nasazeny jako funkční VST3 pluginy v prostředí JUCE 8 s nulovým algoritmickým zpožděním. Nejlepšího objektivního výsledku bylo dosaženo u varianty SGA1566 10L (validační ESR 8,7\%) a Laney Ironheart 8L (ESR 53,8\%). Subjektivní poslechový on-line test (29 respondentů, metodiky MUSHRA, ABX a párové porovnání preferencí) dosáhl průměrného MUSHRA skóre 55,4 bodů. Výsledky preferenčního testu ukázaly, že celková preference originálu (56,2\%) není na zvolené hladině významnosti statisticky průkazně odlišná od náhodné volby, přičemž u variant SGA1566 8L a Laney 5L respondenti dokonce preferovali predikci modelu před originálem. Generovaný zvuk tak navzdory měřitelným odchylkám disponuje vysokou estetickou hodnotou a je posluchači vnímán jako muzikální a prakticky použitelný.