UniverSR.AXERA

8 / 16 kHz speech → 48 kHz · AX650 NPU3 · C++ RTF 4.38 / Python RTF 4.3 · 6 个 axmodel 共 381 MB

UniverSR 是 vocoder-free flow matching 超分模型，本包包含 8k 和 16k 两档语音模型。

• GitHub 源码：https://github.com/ZY-2012/UniverSR.AXERA
• HuggingFace：https://huggingface.co/HY-2012/UniverSR.AXERA
• 上游：https://github.com/woongzip1/UniverSR

目录

• 快速开始
• 结果
• 推理速度
• 数据来源
• License

快速开始（AX650 板端）

# C++（默认）
bash run_ax650.sh samples/listen/OSR_us_000_0010_input_8k_5s.wav output_8k.wav --sr 8
bash run_ax650.sh samples/listen/speech_2_input_16k.wav output_16k.wav --sr 16

# Python SDK
bash run_ax650.sh samples/listen/OSR_us_000_0010_input_8k_5s.wav output_8k.wav --sr 8 --python

输入采样率必须和 --sr 一致；输出固定 48 kHz。默认 STFT 128 帧分块、overlap 64 帧，Flow ODE 4 步，guidance 1.5。

结果

English 8 kHz

输入	UniverSR 输出

English 16 kHz

输入	UniverSR 输出

推理速度

运行时	5.12 s 输入	RTF
C++	22–25 s	4.3–4.9
Python SDK	22 s	4.3

精度

输入	板端 vs PyTorch
8k → 48k	0.99193
16k → 48k	0.99350

工程结构

UniverSR.AXERA/
├── bin/                 # C++ 板端可执行文件
├── models/              # 6 个 axmodel + model_meta.json
├── python/              # Python SDK
├── samples/             # 中英文输入 / 输出 / 频谱图
├── run_ax650.sh
├── configuration.json
├── config.json          # {}
└── requirements.txt

说明

• 8k/16k 使用不同 lr_bins（80/170），模型不能混用。
• main_cond 使用真实 cond encoder 输出做校准，vc 才能达到 0.9999。
• C++ 和 Python 都按 128 帧分块、overlap 64 帧。
• 当前版本只提供 8k/16k，12k/24k 未包含。

数据来源

• 上游 UniverSR：https://github.com/woongzip1/UniverSR
• 示例语音：Open Speech Repository、公开 16 kHz 人声样例。

License

MIT；上游 UniverSR 权重遵循其原始许可证。