| --- |
| library_name: axera |
| pipeline_tag: audio-to-audio |
| base_model: haoheliu/audiosr_speech |
| language: |
| - en |
| - zh |
| tags: |
| - axera |
| - ax650 |
| - npu3 |
| - audiosr |
| - speech-super-resolution |
| - audio-super-resolution |
| - python |
| - cpp |
| --- |
| |
| # AudioSR.AXERA |
|
|
| **低采样率语音 → 48 kHz · AX650 NPU3 · vocoder 板端相似度 0.9984 · 完整链路 vs PyTorch 0.9917** |
|
|
|    [](https://github.com/ZY-2012/AudioSR.AXERA) |
|
|
| - GitHub: https://github.com/ZY-2012/AudioSR.AXERA |
| - 上游: https://github.com/haoheliu/versatile_audio_super_resolution |
| - 输入: 8 / 16 / 24 / 48 kHz WAV；输出: 48 kHz |
| - 5.12 s 输入，AudioSR DDIM-10 |
| |
| ## 目录 |
| |
| - 快速开始 |
| - 结果 |
| - 工程结构 |
| - 推理速度 |
| - 数据来源 |
| - License |
| |
| ## 快速开始（AX650 板端） |
| |
| 下载整个仓库后，在包根目录运行： |
| |
| ```bash |
| # C++（默认） |
| bash run_ax650.sh samples/listen/16k/speech_2_input_16k.wav output.wav |
| |
| # Python SDK |
| bash run_ax650.sh samples/listen/16k/speech_2_input_16k.wav output.wav --python |
| ``` |
| |
| 输入 8 / 16 / 24 / 48 kHz，输出固定 48 kHz。C++ 二进制位于 `bin/audiosr_ax650`，模型位于 `models/`。 |
|
|
| ## 工程结构 |
|
|
| ```text |
| AudioSR.AXERA/ |
| ├── bin/ # C++ 板端可执行文件 |
| ├── models/ # axmodel + DDIM 常量 + mel filter |
| ├── python/ # Python 板端推理 SDK（axengine） |
| ├── samples/ # 中英文示例输入 / 输出 / 频谱图 |
| ├── run_ax650.sh # 一键 C++/Python 运行 |
| ├── configuration.json |
| └── requirements.txt |
| ``` |
|
|
| ## 结果 |
|
|
| ### English 16 kHz |
|
|
| | 输入 | AudioSR 输出 | |
| |---|---| |
| | <audio controls style="width:220px" src="https://huggingface.co/HY-2012/AudioSR.AXERA/resolve/main/samples/listen/16k/speech_2_input_16k.wav"></audio><br><img src="samples/listen/spectrograms/speech_2_input_16k_spec.png" width="360"> | <audio controls style="width:220px" src="https://huggingface.co/HY-2012/AudioSR.AXERA/resolve/main/samples/listen/output/speech_2_output_48k.wav"></audio><br><img src="samples/listen/spectrograms/speech_2_output_48k_spec.png" width="360"> | |
|
|
| ### English 8 kHz |
|
|
| | 输入 | AudioSR 输出 | |
| |---|---| |
| | <audio controls style="width:220px" src="https://huggingface.co/HY-2012/AudioSR.AXERA/resolve/main/samples/listen/8k/OSR_us_000_0010_input_8k.wav"></audio><br><img src="samples/listen/spectrograms/OSR_us_000_0010_input_8k_spec.png" width="360"> | <audio controls style="width:220px" src="https://huggingface.co/HY-2012/AudioSR.AXERA/resolve/main/samples/listen/output/OSR_us_000_0010_output_48k.wav"></audio><br><img src="samples/listen/spectrograms/OSR_us_000_0010_output_48k_spec.png" width="360"> | |
|
|
| ### 中文 8 kHz |
|
|
| | 输入 | AudioSR 输出 | |
| |---|---| |
| | <audio controls style="width:220px" src="https://huggingface.co/HY-2012/AudioSR.AXERA/resolve/main/samples/listen/8k/OSR_cn_000_0072_input_8k.wav"></audio><br><img src="samples/listen/spectrograms/OSR_cn_000_0072_input_8k_spec.png" width="360"> | <audio controls style="width:220px" src="https://huggingface.co/HY-2012/AudioSR.AXERA/resolve/main/samples/listen/output/OSR_cn_000_0072_output_48k.wav"></audio><br><img src="samples/listen/spectrograms/OSR_cn_000_0072_output_48k_spec.png" width="360"> | |
|
|
| ### 精度 |
|
|
| | 模块 / 链路 | 板端 vs ONNX/PyTorch | |
| |---|---:| |
| | VAE encoder（NHWC） | 0.99975 | |
| | UNet | 0.99989 | |
| | VAE decoder | 0.99999 | |
| | vocoder 9-model chain | **0.99838** | |
| | full AudioSR chain | **0.99169** | |
|
|
| ## 推理速度 |
|
|
| 5.12 s 输入、DDIM-10、AX650 NPU3： |
|
|
| | 运行时 | 时间 | RTF | |
| |---|---:|---:| |
| | Python SDK | ~20–22 s | ~4.0–4.3 | |
| | **C++** | **~7.3 s** | **~1.43** | |
|
|
| ## 数据来源 |
|
|
| - 上游 AudioSR：<https://github.com/haoheliu/versatile_audio_super_resolution> |
| - 示例英文 / 中文语音：Open Speech Repository、公开 16 kHz 人声样例 |
| - 示例输出由本项目 AX650 SDK 生成 |
|
|
| ## License |
|
|
| AudioSR 上游代码与模型 checkpoint 遵循其原始许可证；本仓库的转换脚本和 SDK 以 Apache-2.0 提供。模型权重请遵循上游许可证。 |
|
|
