FlashSR
この Soniqo ページは、ローカルの speech-swift / speech-core 実装にある FlashSR を説明します。Hugging Face バンドルへのリンクは統合メモの後にあります。
まずサイト内ページへ
ランディングカードとドキュメントメニューは先にこのページへ向け、ソースモデルとバンドルのリンクは本ページ内に残します。
概要
| モデル | FlashSR |
|---|---|
| 役割 | Audio super-resolution for low-bandwidth or lossy audio |
| バックエンド | MLX int4 default; int8 available |
| 出力 | 48 kHz mono waveform, same length as input |
| 言語 | Audio-content agnostic |
| ライセンス | MIT |
| 状態 | Ready through speech upsample and the FlashSR Swift product |
| ソース | FlashSR / AudioSR distillation |
| Swift プロダクト | FlashSR |
| CLI / ランタイム | speech upsample |
使い方
以下のスニペットは、現在の speech-swift リポジトリが公開している API またはコマンドに合わせています。
# Upsample a low-bandwidth recording to 48 kHz mono.
.build/release/speech upsample noisy_lowres.wav \
--variant int4 \
-o clean_hr.wavモデルリンク
実装メモ
- Download requests the single model.safetensors bundle and config explicitly; this is simple enough that byte-weighting is less critical than for sharded models.
- Input is resampled to 48 kHz mono and processed in non-overlapping 5.12 second windows.
- INT4 is a download-size optimization; runtime weights dequantize to FP, so memory footprint matches int8.
- The model conforms to SpeechEnhancementModel, but its semantics are super-resolution rather than denoising.