NovaSR：仅 52KB 的超轻量音频模型，超 3500 倍速把声音变清晰

首次发布 2026年1月12日传播指数 48

开发者开源微型音频超分模型 NovaSR。模型体积仅约 52KB，架构不足 10 层卷积，单张 A100 上运行速度可达 3600 倍实时，能把 16kHz 的发闷音频还原为 48kHz 高清声音。它几乎不占显存，非常适合塞进端侧设备或给 TTS 实时提质。

NovaSR 是一个极度轻量级的开源音频超分模型，权重体积只有约 52KB。它的核心功能非常专一：把听起来沉闷、发糊的 16kHz 音频，直接还原拉升成清晰明亮的 48kHz 高清声音。

在单张 A100 显卡上，NovaSR 的处理速度能飙到 3600 倍实时。这意味着处理一段 1 小时的音频，它只需要一秒钟左右的时间，显存和算力开销几乎可以忽略不计。

52KB 是怎么做到的

大多数基于扩散模型的音频超分工具动辄几个 GB，而 NovaSR 的架构极其精简。它仅使用了不到 10 个微型的一维卷积层（Conv1D），配合源自 BigVGAN 的 Snake 激活函数，在极限压缩体积的同时尽量保住音质。

模型的训练数据也相当克制，作者只用了 100 小时的开源语音数据，包括 mls_sidon 和 VCTK 数据集。

官方对比数据显示，同类音频超分模型 AudioSR 的体积约为 2000MB，速度仅为 0.6 倍实时；FlashSR 体积约 1000MB，速度为 14 倍实时；FlowHigh 体积约 450MB，速度为 20 倍实时。NovaSR 在体积缩小了几千倍的同时，速度做到了数千倍实时的跨越。

因为模型太小，NovaSR 完全不需要昂贵的数据中心 GPU，在消费级显卡甚至普通 CPU 上就能跑。在 CPU 运行环境下，只要把半精度参数调成 half=False，还能再获得 3 到 4 倍的速度提升。

不过极简的代价也是存在的。NovaSR 目前只支持 16kHz 输入，而且生成的音质处于中等水平，更适合人声修复，无法应对复杂的全频段重度损伤。作者在主页上也提到，如果追求更高音质和任意采样率支持，可以去看后续推出的 LavaSR 模型，体积为 50MB。

想要尝试的开发者可以直接通过 GitHub 仓库安装，也可以在 Hugging Face Space 上使用免费的在线演示。如果你想用自己的数据集微调，作者还在 Kaggle 上开放了完整的训练代码。

对开发者来说，NovaSR 最实用的场景是作为语音生成（TTS）的后处理插件。很多轻量级 TTS 模型为了追求生成速度只能吐出 16kHz 音频，挂上 NovaSR 之后，几乎零延迟就能直接提质到 48kHz。

此外，它只有 52KB 的体积，完全可以塞进智能手机、会议麦克风甚至蓝牙耳机芯片里，用来做通话降噪之后的实时高频补偿，或者用来翻新海量老旧通话录音数据集。

我们认为，NovaSR 的价值不在于它重建了多么完美的声音细节，而在于它证明了端侧实时音频增强完全不需要沉重的大模型。对于算力捉襟见肘的边缘设备场景，这种轻量到极致的工程取舍非常值得借鉴。