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

• GitHub: https://github.com/ZY-2012/FlowHigh.AXERA
• 上游: https://github.com/jjunak-yun/FLowHigh_code

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。