library_name: axera
pipeline_tag: audio-to-audio
base_model: kiriyamaX/FLowHigh_indep_adaptive_400k
language:
- en
- zh
tags:
- axera
- ax650
- npu3
- flowhigh
- speech-super-resolution
- audio-super-resolution
- bandwidth-extension
- real-time
- python
FlowHigh.AXERA
8/16 kHz 语音 → 48 kHz 超分 · AX650 NPU3 · Python RTF 0.24（20–60 s 音频）· 2 个 axmodel 共 58 MB · 不做降噪
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
- 推理速度
- 数据来源
- License
快速开始（AX650 板端）
从 HuggingFace 下载 models/、assets/、python/、samples/，在包根目录运行：
bash run_ax650.sh samples/listen/8k/OSR_us_000_0010_input_8k.wav output.wav
输入支持 8 kHz / 16 kHz，输出固定 48 kHz。默认 1-step flow、std=1e-4；不做降噪。
模型为 FLowHigh_indep_adaptive_400k（481,490,826 bytes，Flow 35.4M + BigVGAN 14.0M 参数）。AX650 侧拆成 Flow 38 MB + BigVGAN 20 MB 两个 U16/S8 axmodel；38 MB 是 S8 权重后的正常大小。
结果
8 kHz 输入（Open Speech / Samplelib）
English
OSR_us_000_0010
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
OSR_us_000_0013
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
OSR_us_000_0057
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
OSR_us_000_0059
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
Chinese
OSR_cn_000_0072
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
OSR_cn_000_0073
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
OSR_cn_000_0074
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
OSR_cn_000_0075
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
Samplelib（1 分钟，频谱图为前 10 s）
samplelib_speech_1m
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
16 kHz 参照（人声）
同一批人声降采样到 16 kHz 后输入；8k 行为 8 kHz 输入，16k 行为 16 kHz 输入。
speech_2
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
| 16k |  |
 |
speech_3
| 版本 | 输入 | FlowHigh 输出 |
|---|---|---|
| 8k |  |
 |
| 16k |  |
 |
推理速度：RTF
| 链路 | Python RTF |
|---|---|
| 8/16 kHz → 48 kHz | 0.24 |
20–60 s 音频，1-step flow，BigVGAN 1 s 分块、0.2 s overlap。5 s 短音频因分块/启动开销会略高；C++ 运行时尚未提供。
数据来源
- Open Speech Repository（English / Chinese 8k）：http://voiptroubleshooter.com/open_speech/index.html
- Samplelib speech 1m：https://samplelib.com/mp3/sample-speech-1m.mp3
- 16 kHz 参照：公开人声样例经 48k->16k 降采样。
License
MIT；FLowHigh 与 BigVGAN 均为 MIT。模型 checkpoint 来自上游/公开镜像，仓库不重复分发训练权重。