/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
FlashSR_Inference
Библиотека
mlx
Опубликована
21 мая 2026

FlashSR-MLX-4bit

Обработка аудиоАудио → аудио3 профессии

Квантованный до INT4 порт FlashSR для MLX повышает разрешение монофонического аудио до 48 кГц за один проход на Apple Silicon.

32скачиваний за 30 дней0лайковвеса обновлены21 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

FlashSR-MLX-4bit — порт FlashSR для MLX, подготовленный для локального запуска на устройствах Apple Silicon. Модель представляет собой дистиллированную одношаговую латентную диффузионную систему сверхразрешения аудио; в составе VAE, UNet и специализированный вокодер SR на основе BigVGAN. Всего 638 млн параметров, веса квантованы до INT4 с группой 64.

Модель принимает монофоническое аудио с произвольной частотой дискретизации и за один проход повышает его разрешение до 48 кГц. Она предназначена для восстановления деталей и улучшения качества аудио, включая музыку, при локальном выводе на Apple Silicon. В README приведены результаты на чипах серии M: коэффициент реального времени 1,10 и отношение сигнал/шум +29,4 дБ относительно FP16-версии.

Модель основана на jakeoneijk/FlashSR_Inference; исходная FlashSR описана как дистиллированная ученическая модель AudioSR. Лицензия репозитория — CC BY-NC 4.0, разрешающая использование с указанием авторства и ограничивающая коммерческое применение. Описание и характеристики относятся к аудиосверхразрешению; подробные оценки качества на разных типах входного аудио не приведены.

Сценарии применения

  • повышение частоты дискретизации аудиозаписей до 48 кГц
  • восстановление деталей в низкокачественной музыке
  • локальное улучшение аудио на устройствах Apple Silicon

Ограничения

Вход должен быть монофоническим; модель формирует выход с частотой 48 кГц. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FlashSR-MLX-4bit

MLX port of FlashSR — a single-step distilled latent-diffusion audio super-resolution model — quantized to INT4 weight-only for on-device inference on Apple Silicon. Upsamples any-rate input (mono) to 48 kHz in one diffusion pass with a specialised BigVGAN-flavour SR vocoder. FlashSR is the distilled student of AudioSR.

Model

Total parameters638 M (VAE 223 M + UNet 258 M + Vocoder 157 M)
Diffusion steps1 (distilled v-prediction student, cosine schedule, t=999)
QuantizationINT4 weight-only, group size 64, mode mlx_affine_flat
FormatMLX safetensors (single combined bundle)
Sample rate48 kHz mono out (any-rate mono in)
Frame length5.12 s (245 760 samples) per forward
Bundle size346 MB on disk
Sourcejakeoneijk/FlashSR_Inference

Files

FileSizeDescription
model.safetensors346 MBINT4-quantized VAE + UNet + SR Vocoder weights
config.json~70 KBSub-model configs + quantization metadata + original shape table for dequant-on-load

The three sub-models share one safetensors file with vae.*, ldm.*, voc.* key prefixes. config.quantized_shapes records each tensor's pre-flatten shape so mx.dequantize can rebuild conv weight tensors at load time.

Performance (Apple Silicon, M-series, 5.12 s @ 48 kHz)

MetricValue
Real-time factor (wall / audio)1.10
Load time0.17 s (dequant materialises bf16 weights once)
SNR vs FP16 reference+29.4 dB
Cosine similarity vs FP160.9994
Peak amplitude preservation1.000

INT4 is the recommended deployment variant — well above music-perceptual threshold and the smallest viable on-device bundle.

Usage

from huggingface_hub import snapshot_download
import mlx.core as mx
import numpy as np
import scipy.io.wavfile as wf
from scipy.signal import resample_poly

bundle = snapshot_download("aufklarer/FlashSR-MLX-4bit")
# See https://github.com/soniqo/speech-swift for production usage.

# Toy Python demo (requires the matching MLX FlashSR runtime):
sr, audio = wf.read("lr.wav")
audio = audio.astype(np.float32) / 32767.0
audio_48 = resample_poly(audio, 48000, sr).astype(np.float32)

from flashsr import FlashSR  # from this repo's export/
model = FlashSR(bundle)
hr = model(mx.array(audio_48), seed=42)
mx.eval(hr)
wf.write("hr.wav", 48000, (np.clip(np.array(hr), -1, 1) * 32767).astype(np.int16))

Source

License

CC-BY-NC 4.0 — inherited from upstream FlashSR weights. Non-commercial use only.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
79a6d69

0 моделей