NovaSR：僅 52KB 的超輕量音訊模型，超 3500 倍速把聲音變清晰

首次發布 2026年1月12日傳播指數 48

開發者開源微型音訊超分模型 NovaSR。模型體積僅約 52KB，架構不足 10 層卷積，單張 A100 上執行速度可達 3600 倍即時，能把 16kHz 的發悶音訊還原為 48kHz 高畫質聲音。它幾乎不佔視訊記憶體，非常適合塞進端側裝置或給 TTS 即時提質。

NovaSR 是一個極度輕量級的開源音訊超分模型，權重體積只有約 52KB。它的核心功能非常專一：把聽起來沉悶、發糊的 16kHz 音訊，直接還原拉昇成清晰明亮的 48kHz 高畫質聲音。

在單張 A100 顯示卡上，NovaSR 的處理速度能飆到 3600 倍即時。這意味著處理一段 1 小時的音訊，它只需要一秒鐘左右的時間，視訊記憶體和算力開銷幾乎可以忽略不計。

52KB 是怎麼做到的

大多數基於擴散模型的音訊超分工具動輒幾個 GB，而 NovaSR 的架構極其精簡。它僅使用了不到 10 個微型的一維卷積層（Conv1D），配合源自 BigVGAN 的 Snake 啟用函式，在極限壓縮體積的同時儘量保住音質。

模型的訓練資料也相當剋制，作者只用了 100 小時的開源語音資料，包括 mls_sidon 和 VCTK 資料集。

官方對比資料顯示，同類音訊超分模型 AudioSR 的體積約為 2000MB，速度僅為 0.6 倍即時；FlashSR 體積約 1000MB，速度為 14 倍即時；FlowHigh 體積約 450MB，速度為 20 倍即時。NovaSR 在體積縮小了幾千倍的同時，速度做到了數千倍即時的跨越。

因為模型太小，NovaSR 完全不需要昂貴的資料中心 GPU，在消費級顯示卡甚至普通 CPU 上就能跑。在 CPU 執行環境下，只要把半精度引數調成 half=False，還能再獲得 3 到 4 倍的速度提升。

不過極簡的代價也是存在的。NovaSR 目前只支援 16kHz 輸入，而且生成的音質處於中等水平，更適合人聲修復，無法應對複雜的全頻段重度損傷。作者在主頁上也提到，如果追求更高音質和任意取樣率支援，可以去看後續推出的 LavaSR 模型，體積為 50MB。

想要嘗試的開發者可以直接通過 GitHub 倉庫安裝，也可以在 Hugging Face Space 上使用免費的線上演示。如果你想用自己的資料集微調，作者還在 Kaggle 上開放了完整的訓練程式碼。

對開發者來說，NovaSR 最實用的場景是作為語音生成（TTS）的後處理外掛。很多輕量級 TTS 模型為了追求生成速度只能吐出 16kHz 音訊，掛上 NovaSR 之後，幾乎零延遲就能直接提質到 48kHz。

此外，它只有 52KB 的體積，完全可以塞進智慧手機、會議麥克風甚至藍牙耳機晶片裡，用來做通話降噪之後的即時高頻補償，或者用來翻新海量老舊通話錄音資料集。

我們認為，NovaSR 的價值不在於它重建了多麼完美的聲音細節，而在於它證明了端側即時音訊增強完全不需要沉重的大模型。對於算力捉襟見肘的邊緣裝置場景，這種輕量到極致的工程取捨非常值得借鑑。