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

• 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

AX650 板端实测说明：AudioSR、LavaSR、FlowHigh 均已在 AX650N / NPU3 板端跑通。综合效果和速度最好的是 LavaSR：C++ 全链路 RTF ≈ 0.061（约 16× 实时），支持 8–48 kHz → 48 kHz 和降噪。推荐优先使用 LavaSR。

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：

# 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

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

English 8 kHz

输入	AudioSR 输出

中文 8 kHz

输入	AudioSR 输出

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。