ComfyUI AudioSR：通用音频超分辨率原生节点，一键上采样至 48kHz

ComfyUI AudioSR 是专为 ComfyUI 打造的原生音频超分辨率节点，基于先进的潜在扩散模型 AudioSR 实现，可将任意低质量音频上采样至 48kHz，并增强高频细节、修复压缩失真，实现音质显著提升。

• GitHub：https://github.com/Saganaki22/ComfyUI-AudioSR
• 模型：https://huggingface.co/drbaph/AudioSR

核心功能特性

• 音频超分辨率增强：将低采样率、低码率音频上采样至标准 48kHz，补充高频成分，提升清晰度与饱满度。
• 原生 ComfyUI 集成：与加载音频、预览音频、保存音频等官方节点无缝衔接，工作流搭建简单。
• 频谱图可视化对比：内置增强前后频谱图输出，直观展示频率修复效果，带时间轴与频率轴。
• 自适应采样率处理：支持 8kHz–48kHz 任意输入采样率，自动重采样与适配。
• 完整声道支持：同时支持单声道与立体声音频，左右声道独立处理。
• 超长音频支持：采用智能分块 + 重叠交叉淡化机制，理论支持无限时长音频处理。
• 模型缓存机制：模型加载后常驻内存，重复生成速度大幅提升。
• torch.compile 加速：可选开启 PyTorch 编译优化，推理速度提升 20%–30%。
• 灵活显存管理：支持生成后自动卸载模型，释放 GPU 显存，适配小显存设备。
• 过程可中断：支持 ComfyUI 原生中断按钮，可随时取消处理。
• 实时进度显示：分块处理进度条实时展示，长音频处理更透明。

性能优化详解

1. torch.compile 加速模式

节点提供 use_torch_compile 开关，启用后对模型执行编译优化。

速度收益

• 首次运行需 10–30 秒编译开销
• 后续推理速度提升 20%–30%
• 与 FP32 模型搭配效果最佳

适用场景

• 同一会话批量处理多个音频
• 长音频分块重复推理
• 追求稳定高速输出
• FP32 模型优先开启

注意事项

• 仅支持 FP32 模型，FP16/FP8 会自动跳过编译
• 一次性快速测试不推荐启用
• 模型或参数变更后会自动重新编译

2. 优化默认参数

节点对分块、重叠、注意力机制进行了针对性调优，显著提升长音频速度：

3. 底层优化与安全增强

• 移除冗余张量格式转换
• 智能模型缓存 + 自动重编译检测
• 优化量化模型数据类型识别
• 安全除法与数值稳定性修复
• 内存高效的交叉淡化重叠算法
• 模型加载使用 weights_only=True，防止恶意代码执行
• 加载前校验张量数据类型，提升稳定性

系统要求

• 最低显存：6GB
• 推荐显存：8GB 及以上
• 依赖项自动安装，无需外部工具

安装方法

方法 1：ComfyUI 管理器（推荐）

1. 打开 ComfyUI Manager
2. 搜索 AudioSR
3. 点击安装
4. 重启 ComfyUI

方法 2：手动安装

cd ComfyUI/custom_nodes
git clone https://github.com/Saganaki22/ComfyUI-AudioSR.git
cd ComfyUI-AudioSR
pip install -r requirements.txt

Windows 便携版嵌入式 Python：

..\python_embeded\python.exe -s -m pip install -r requirements.txt

模型下载与存放路径

模型需手动下载并放入指定目录：

下载地址：https://huggingface.co/drbaph/AudioSR/tree/main/AudioSR

必须目录结构

ComfyUI/
└── models/
    └── AudioSR/
        ├── audiosr_basic_fp32.safetensors
        └── audiosr_speech_fp32.safetensors

模型说明

• audiosr_basic_fp32：通用音频（音乐、音效、环境声）
• audiosr_speech_fp32：语音专用（人声、对话、录音增强）

显存占用说明

最低：6GB
推荐：8GB+

AudioSR 节点完整参数说明

核心功能

将任意输入音频上采样至 48kHz，修复高频缺失、压缩伪影、模糊听感，适用于老旧录音、低码率 MP3、直播录音、视频配音等场景。

输入参数

必需参数

• audio：AUDIO 输入（来自加载音频节点）
• ddim_steps：扩散去噪步数（10–500）默认 50
• guidance_scale：CFG 引导强度（1.0–20.0）默认 3.5
• seed：随机种子，0 为随机

可选参数

• model：选择 basic / speech 模型
• chunk_size：分块时长（2.56–30s）默认 15s
• overlap：分块重叠时长（0–5s）默认 0s
• unload_model：生成后卸载模型释放显存
• show_spectrogram：输出增强前后频谱图
• attention_backend：sdpa / eager
• use_torch_compile：启用编译加速（仅 FP32）

输出

• audio：48kHz 超分增强音频
• spectrogram：对比频谱图（可关闭）

典型工作流示例

基础快速上采样

加载音频 → AudioSR → 预览/保存音频
默认参数即可获得明显提升。

高质量模式（推荐成品输出）

• ddim_steps: 100
• guidance_scale: 5.0
• model: speech（人声）/ basic（音乐）
• overlap: 2.0
• show_spectrogram: True

小显存兼容模式

• unload_model: True
• ddim_steps: 50
• chunk_size: 10s 或更低

长音频专业模式

• chunk_size: 20–30s
• overlap: 2.0–3.0s
• use_torch_compile: True（FP32）

高级参数调优指南

ddim_steps（质量–速度平衡）

• 10–30：快速预览，质量一般
• 50：默认，平衡可用
• 100：高质量输出
• 200+：最高质量，极慢

guidance_scale（忠实度）

• 1.0–2.0：创造性强，可能偏离原始音色
• 3.0–4.0：默认平衡，最通用
• 5.0–8.0：高度忠实输入，修复更保守
• 10.0+：过于严格，易生硬不自然

chunk_size（分块时长）

• 2.56–5：小显存安全，慢
• 15：默认，平衡
• 20–30：大显存优选，速度最快

overlap（重叠平滑）

• 0.0：最快，可能出现接缝
• 2.0：推荐通用值
• 3.0–5.0：最平滑，处理耗时增加