AuK-Flash وAuK: أصدرت Tencent بهدوءٍ نموذج كلام مفتوح المصدر يولّد الصوت ويعدّله ويفصله

أصدرت تينسنت هذا الأسبوع اثنين من أكثر نماذج الكلام مفتوحة المصدر تأثيرًا في عام 2026، دون أن تُخبر أحدًا بذلك تقريبًا. ففي حوالي السابع من سبتمبر، نشرت منظمة تينسنت على منصة Hugging Face نموذج AuK — "نموذج أساسي بحجم 1.5B لتوليد الكلام وتحريره"، على حد تعبير بطاقة النموذج — إلى جانب AuK-Flash، النسخة المقطّرة من النموذج نفسه والتي تعمل بأربع خطوات، وكلاهما صدر بموجب رخصة MIT. لا ترتبط بأيٍّ من المستودعين تدوينة على مدونة تينسنت، ولا إعلان عبر وسائل التواصل الاجتماعي، ولا بيان صحفي؛ ولم يتجاوز مجموع مرات تحميلهما بضع عشرات من المرات، كما أن مستودع الكود الذي تشير إليه البطاقتان غير قابل للوصول، ولا يوجد أي معيار مستقل في أي مكان على الويب المُفهرس. يعرض هذا المقال ما يمكن معرفته فعلًا من المستودعين وملفات الإعداد وصفحة مشروع تينسنت الخاصة — وما الذي ما يزال غير مُتحقَّق منه.

يستحق هذا الادعاء أن يُؤخذ على محمل الجد حتى دون أرقام مستقلة، لأن نطاقه غير مألوف. AuK ليس نموذجًا آخرًا لاستنساخ الصوت. فمن خلال واجهة تعليمات لغوية طبيعية واحدة، يَعِد بتحويل النص إلى كلام بدون بيانات مسبقة (zero-shot) وقائم على التعليمات، وتحرير يمتد إلى ما يُقال وكيف يُقال والأصوات غير اللفظية المحيطة به، بالإضافة إلى تحسين الكلام وفصل الكلام وفصل الموسيقى. لطالما بنى هذا المجال نموذجًا متخصصًا مختلفًا لكل واحدة من تلك المهام. رهان Tencent، في بنية توليدية واحدة، هو أن نموذجًا واحدًا يمكنه القيام بكل هذه المهام — وأن AuK-Flash يمكنه فعل ذلك بسرعة كافية للاستخدام شبه الفوري.

نقطتا تفتيش، إصدار واحد

الطوابع الزمنية لواجهة برمجة تطبيقات Hugging Face تروي قصة مستودع ظل خاصًا قبل إطلاقه. المستودع الأساسي tencent/AuK أُنشئ في 18 أغسطس 2026، وtencent/AuK-Flash في 21 أغسطس؛ وكلاهما عُدّل آخر مرة في 8 سبتمبر، وتحمل بطاقة النموذج إدخالًا إخباريًا بتاريخ 7 سبتمبر — «[2026/09/07] أصبح AuK مفتوح المصدر الآن. الشفرة وأوزان النموذج متاحة للعموم.» القراءة الطبيعية هي أن Tencent بنت المستودعات في منتصف إلى أواخر أغسطس، وجعلتها عامة حوالي 7 سبتمبر، ولمست البطاقة مجددًا في 8 سبتمبر. لا يظهر أي شيء عن النموذج في أي مكان على الويب المفهرس، وعدادات التنزيل في حدود العشرات — لذا فإن «الإصدار الهادئ» ليس خيارًا بلاغيًا، بل هو الوضع الحرفي.

نموذجا نقطة التحقق هما البنية نفسها في مرحلتين مختلفتين من عمرها. AuK هو المعلّم: نموذج أساسي يستهدف التوليد عالي الجودة. أما AuK-Flash فهو التلميذ: نموذج مقطَّر من أجل استدلال سريع من أربع خطوات، وهذا ما يجعله الهدف الأكثر إثارة للاهتمام من ناحية النشر، وسبب تصدُّره العنوان هنا. في صفحة مشروع Tencent، تُقدَّم عائلة النماذج على أنها تمتلك نحو 1.5 مليار معامل، ودُرِّبت على ما تصفه البطاقة فقط بأنه "ملايين الساعات من بيانات صوتية متنوعة"، بينما تُحدده صفحة المشروع بنحو 1.95 مليون ساعة من الإشراف الفعّال موزعة على ما يقرب من 3.03 مليار مثيل تعليمات–صوت. وتحمل صفحة المشروع أيضًا علامتي جامعة Shanghai Jiao Tong وTencent Hunyuan، ما يضع AuK في خط أبحاث النماذج المفتوحة لدى Tencent Hunyuan وليس في عائلة منتجات تجارية. ولم يكن التدريب هو كل ما جرى بعد مرحلة ما قبل التدريب: تصف Tencent مرحلة ما بعد التدريب بأنها مزيج من تحسين التفضيلات بالتغذية الراجعة البشرية للتحرير مفتوح النهاية، والتعلم المعزز القائم على المكافآت لتوليد الكلام.

جدول المتغيرات في البطاقة لا لبس فيه حول أيها هو أي: AuK هو "النموذج الأساسي للتوليد عالي الجودة"، وAuK-Flash هو "النموذج المقطّر للاستدلال السريع بأربع خطوات". كلاهما قابل للتنزيل من Hugging Face ومن ModelScope تحت مساحة Tencent-Hunyuan، ويحمل كلاهما رخصة MIT — وهي من بين أكثر التراخيص تساهلاً التي يمكن أن يحملها إصدار بأوزان مفتوحة، وهو أمر مهم لأي شخص يريد بناء منتج فوقها.

ما يفعله نموذج واحد موجه بالتعليمات فعليًا

واجهة AuK عبارة عن مربع مطالبة واحد: تُعطي النموذج تعليمات باللغة الطبيعية، وحيثما تتطلّب المهمة ذلك، مرجعًا صوتيًا، فيُعيد صوتًا. ومصنّفة وفق تصنيف البطاقة الخاص، عائلات المهام الخمس هي:

• توليد الكلام — تقنية تحويل النص إلى كلام بصفر عينات (zero-shot TTS) تستنسخ الصوت من مقطع مرجعي، و"توجيه النص إلى كلام" (instruct TTS) يولّد الكلام من وصفٍ للصوت وحده ("صوت أنثوي دافئ، أبطأ قليلًا")، دون الحاجة إلى أي صوت مرجعي إطلاقًا.

- تحرير المحتوى — إعادة كتابة ما يُقال: استبدال أو إدراج أو حذف كلمات في تسجيل قائم، وتحرير الكلمات الذي يعيد كتابة كلمات مقطع غنائي مع الحفاظ على اللحن وصوت المغني.

• التحرير الصوتي — درجة الصوت بنصف النغمات، ومعدل الكلام، ومستوى الصوت بالديسيبل، وكل منها قابل للتعديل على مقطع موجود مع الحفاظ على الهوية والمحتوى.

• تحرير شبه لغوي — العاطفة، والجرس الصوتي (إلى وصف)، وإزالة التشديد، وإضافة أو إزالة الأصوات غير اللفظية مثل التنفس والضحك والسعال، والتحويل بين الكلام العادي والهمس.

• التحسين والفصل — تحسين الكلام (إزالة الضوضاء وإزالة الصدى)، وفصل الكلام حسب ترتيب التحدث، وفصل الموسيقى الذي يعزل الصوت الغنائي من المزيج، واستخراج المتحدث المستهدف المُعرَّف بما يقوله المتحدث.

تلك القائمة هي الفارق الحقيقي. معظم أنظمة الكلام مفتوحة المصدر الأكثر قدرة في عام 2026 تكون قوية في واحد أو اثنين من هذه المجالات — حيث يشكل استنساخ الصوت وتحويل النص إلى كلام الركن الأكثر ازدحامًا — بينما تكون ضعيفة أو غائبة في البقية. رهان AuK هو على الاتساع: نفس الأوزان، نفس صيغة التعليمات، عبر التوليد والتحرير والفصل، وهو نطاق لا يُطرح عادةً إلا كمجموعة من النماذج المتخصصة المضبوطة بدقة.

كيفية بنائه

قراءة المستودعات وصفحة المشروع معًا تعطي صورة معمارية متسقة. AuK ليس نموذج لغة صوتيًا انحداريًا ذاتيًا من النوع الذي يقرأ النص ويُصدر رموزًا، بل هو نظام انتشار بمطابقة التدفق على غرار نماذج الصور، ويتكوّن من ثلاثة أجزاء:

• نموذج لغوي كبير متعدد الوسائط — Qwen/Qwen2.5-Omni-3B، يُنزَّل بشكل منفصل — يقرأ التعليمات وأي صوت مرجعي وينتج التكييف الدلالي.

ترميز صوتي VAE مُدرَّب بشكل مشترك على الكلام والصوت العام والموسيقى، يشفر ويفك تشفير الصوت بتردد 24 كيلوهرتز عبر خصائص كامنة صوتية بمعدل 50 هرتز؛ ويُعرّفه إعداد المستودع على أنه BigVGANFlowVAE ببُعد كامن 64 واختزالًا بعامل 480، ويُوفَّر كملف منفصل باسم vae.safetensors.

النواة التوليدية هي محوّل هجين بتدفق مصحّح: كتل MMDiT ثنائية المسار تُبقي تكييف النص والصوت منفصلًا، تليها كتل DiT أحادية المسار موحّدة تمزج بينهما، مُدرَّبة وفق هدف مطابقة التدفق. ويُظهر التكوين المُصدَر نموذجًا بعرض 1,536 و24 رأسًا و10 طبقات ثنائية المسار و20 طبقة أحادية المسار.

AuK-Flash هو نفس المحول بعد التقطير. تصف تينسنت عملية من مرحلتين — تهيئة اتساق على مستوى المسار، ثم هدف DMD "مفصول عن توجيه المهام" — وتنتهي بإشراف انحدار على التنبؤ النظيف. النتيجة، وفقًا لصفحة المشروع، هي جودة توليد قريبة من جودة المعلم في أربع خطوات أخذ عينات، دون أي توجيه خالٍ من المصنف عند الاستدلال، مع تسارع في الزمن الفعلي يبلغ نحو 4.5× مقارنةً بالنموذج الكامل في ظل ظروف متطابقة. هذه ادعاءات من البائع، لم يتم إعادة إنتاجها، لكنها السبب الملموس وراء كون AuK-Flash هو المتغير الذي قد يلجأ إليه المطوّر.

ما تدّعيه تينسنت، وما يمكن للقارئ التحقق منه

تطرح صفحة المشروع ادعاءات نوعية قوية — فـ AuK «متصدِّر» في مهام التوليد والتحرير و«منافس» في مهام الاستعادة على مستوى الإشارة مثل التحسين والفصل — وتُدرج مجموعات المعايير التي تدعم هذه الادعاءات: Seed-TTS-Eval وInstructTTSEval للتوليد، وMMAE-Speech وSpeechEditBench وMing-Freeform-Audio-Edit للتحرير، وDNSMOS وUTMOS للجودة الإدراكية، وDNS Challenge وCHiME-4 وLibri2Mix للتحسين والفصل. لا تُنشر أي درجات رقمية على الصفحة، ولا توجد ورقة بحثية خلفها، ولم يقم أي طرف ثالث بإعادة إنتاج أيٍّ منها. وكل تلك الادعاءات مقدَّمة من المطوِّر نفسه، وينبغي قراءتها على هذا الأساس إلى أن يُنفَّذ تقييم مستقل.

هناك ادعاءان آخران بحاجة إلى التنبيه إليهما لأنهما لم يصمدا أمام فحص مباشر في 9 سبتمبر 2026. أولاً، تقول البطاقة إن الكود متاح للعموم وتربط إلى github.com/Tencent-Hunyuan/AuK للحصول على تعليمات التثبيت وGradio وComfyUI والضبط الدقيق — لكن هذا المستودع يُرجع خطأ HTTP 404 وقت كتابة هذا التقرير، وهو ليس ضمن المستودعات العامة لمنظمة Tencent-Hunyuan. قد يكون الكود ببساطة لا يزال قيد الإصدار؛ وفي كل الأحوال، فإن عبارة «الكود متاح» هي حاليًا ادعاء البطاقة، وليس شيئًا يمكن للقارئ أن يعتمد عليه. ثانيًا، تشير البطاقة إلى المساحات التجريبية على Hugging Face وModelScope: استوديو ModelScope يستجيب، لكن مساحة Hugging Face أظهرت جدار تفويض عند الفحص، لذا فإن العروض التجريبية علنية جزئيًا في أحسن الأحوال.

ما هو الموجود هنا وما هو المفقود؟

تقييم الوضع في 9 سبتمبر 2026 يفصل الإصدار الحقيقي عن الإصدار الكامل.

• التوفّر الحالي — مجموعتان من الأوزان القابلة للتنزيل بموجب رخصة MIT: tencent/AuK للنموذج الأساسي وtencent/AuK-Flash للنسخة المقطّرة بأربع خطوات، يبلغ حجم كل منهما نحو 6.1 غيغابايت لمحوّل الانتشار بالإضافة إلى VAE مرفق، ومتاحتان على Hugging Face وModelScope.

• الحاضر — سطح مهام واسع بشكل غير مألوف تحت واجهة تعليمات واحدة: التوليد، وتحرير المحتوى والصوتيات وما وراء اللغة، والتحسين، والفصل، كل ذلك في عائلة نماذج واحدة.

• نقدّم — قصة "سرعة" ملموسة: AuK-Flash يُختزل إلى أربع خطوات بدون توجيه خالٍ من المصنّف، مع تسريع في زمن التنفيذ بمقدار 4.5× كما تدّعي الشركة.

• مفقود — إعلان. لا تشير أي تدوينة من Tencent، أو منشور على وسائل التواصل الاجتماعي، أو بيان صحفي، أو منشور على قناة Hunyuan إلى أيٍّ من المستودعين حتى الآن.

• مفقود — ورقة بحثية أو تقرير فني. كتلة الاقتباس في صفحة المشروع هي عنصر نائب بدون مؤلفين وبدون معرّف arXiv، ولا توجد أرقام منشورة تدعم ادعاءات المعيار.

• مفقود — الكود البرمجي المتاح. مستودع GitHub وCookbook اللذان تشير إليهما روابط البطاقة يُرجعان خطأ 404 حتى وقت فحص الحالة، لذا فإن الأصل الوحيد القابل للتشغيل اليوم هو الأوزان وما يجمعه المجتمع حولها.

• مفقود — خدمة النموذج والتقييم المستقل. لا يوجد مزوّد استدلال يستضيف AuK، ولا توجد واجهة برمجة تطبيقات مستضافة، ومع أن التنزيلات بالعشرات فقط، لم ينشر أحد بعد أي إعادة إنتاج.

هل تشغّل AuK-Flash اليوم أم تنتظر؟

إذا أردت تشغيل AuK-Flash بنفسك، فمسار التنزيل واضح حتى وإن لم يكن الكود كذلك: اسحب tencent/AuK-Flash وtencent/AuK (النموذج الأساسي اختياري إلا إذا أردت نموذج المعلّم)، واسحب أيضًا Qwen/Qwen2.5-Omni-3B، لأن نقطة التحقق تحتوي فقط على أوزان diffusion-transformer وأوزان layer-fusion؛ إذ يُحمَّل المُرمِّز متعدد الوسائط وVAE من ملفات منفصلة وقت التشغيل، وتذكر بطاقة النموذج أن غياب مفاتيح text_encoder أثناء التحميل أمر متوقّع. القيد الحقيقي هو العتاد. هذا محوّل انتشار (diffusion transformer) بعدد معاملات يبلغ نحو 1.5 مليار، ويبلغ حجم نقطة تحققه وحدها نحو 6.1 جيجابايت، ويعمل إلى جانب مُرمِّز متعدد الوسائط بعدد معاملات نحو 3 مليارات وVAE؛ لذلك فإن GPU بسعة 24 جيجابايت هي نقطة البداية المنطقية، لا نموذج يصلح لحاسوب محمول. أمّا ملاحظات الذاكرة الواردة في ملف الإعدادات (config)، والتي تذكر أن تقنية gradient checkpointing تخفض ذروة الاستهلاك أثناء التدريب من نحو 91 جيجابايت إلى 75 جيجابايت، فتتعلق بالتدريب ولا ينبغي قراءتها على أنها متطلبات للاستنتاج. ومن ناحية البرمجيات، تكون الواجهة الخلفية الافتراضية في الإعدادات هي flash-attention، لكن يمكن لواجهة سطر الأوامر الخاصة بالاستنتاج (CLI) أن تتراجع إلى واجهة خلفية torch عادية للانتباه، وهو ما يزيل خطوة بناء flash-attn لأول تشغيل.

يعتمد ما إذا كان ذلك جديرًا بالقيام به اليوم على ما تبنيه حاليًا. الوضع الصريح هو أن هذا نموذجٌ يستحق المتابعة والاختبار في بيئة عزل، وليس نموذجًا يُدمج في خط إنتاجي حتى الآن — فبدون ورقة بحثية، وبدون كود متاح، وبدون تقييم مستقل، تستند الادعاءات المتعلقة بالقدرات بالكامل إلى كلمة شركة Tencent. بالنسبة لفريق يحتاج إلى توليد الكلام أو تحريره أو فصله عبر واجهة برمجية اليوم، فإن النموذج الذي يُقدَّم فعليًا كخدمة هو الخيار العملي، وهذا بدقة هو الدور الذي تلعبه OrcaRouter عبر النماذج التي تمتلك نقاط وصول فعلية: واجهة برمجية واحدة لأكثر من 200 نموذج مع تمرير أسعار القائمة من المزوّد دون أي هامش ربح، بحيث يكون سعر المورّد هو سعرك منذ اليوم الأول، مع تجاوز تلقائي للأعطال بحيث يمكن تجربة الوافد الجديد غير المثبت على شريحة من الحركة الفعلية دون المراهنة على خط الإنتاج بأكمله. لا ينطبق أيٌّ من ذلك على AuK أو AuK-Flash حتى الآن، لأنه لا يوجد شيء يقدّمهما كخدمة. في اللحظة التي يستضيف فيها مزوّد AuK، تصبح اقتصاديات الموجّه الوسيلة الرخيصة لتقييمه؛ وحتى ذلك الحين، يبقى الخيار إمّا الاستضافة الذاتية للأوزان أو الانتظار.

الأسئلة الشائعة

هل يتوفر AuK أو AuK-Flash عبر API؟

لا. كلاهما إصداران للأوزان فقط. لا يوجد أي موفّر استدلال يستضيفهما ولا توجد أي واجهة برمجية مستضافة، لذا لا يوجد شيء يمكن استدعاؤه اليوم — الطريقة الوحيدة لاستخدامهما هي تنزيل الأوزان وتشغيلها بنفسك.

ما الفرق بين AuK و AuK-Flash؟

نفس عائلة النماذج في مرحلتين. AuK هو النموذج الأساسي، المصمم لتوليد عالي الجودة؛ أما AuK-Flash فهو نسخته المقطّرة، المضبوطة لاستدلال سريع من أربع خطوات دون توجيه خالٍ من المصنّف، والتي تقول تينسنت إنها تعمل أسرع بنحو 4.5× من النموذج الأساسي في ظروف متطابقة. رقم التسريع هذا مذكور من قِبل البائع ولم يتم قياسه بشكل مستقل.

هل يمكن استخدام AuK-Flash تجاريًا؟

تم إصدار الأوزان بموجب رخصة MIT، التي تسمح بالاستخدام التجاري مع الإبقاء على إشعار الرخصة — وهي الأقل تقييدًا بين تراخيص الأوزان المفتوحة الشائعة. مستودع الأكواد المنفصل الذي تُشير إليه البطاقة غير قابل للوصول اعتبارًا من 9 سبتمبر 2026، لذا فإن الإجابة العملية بشأن إعادة استخدام الأكواد ما تزال مفتوحة حتى يتوفر.

ماذا تشاهد

• مستودع الكود — github.com/Tencent-Hunyuan/AuK هو العنصر المفقود الأعلى قيمة. عندما يظهر، تتحوّل قوالب التعليمات في Cookbook قائمة المهام أعلاه من تسويق إلى شيء قابل للتشغيل.

• تشغيل مستقل — أول إعادة إنتاج من طرف ثالث ستحسم ما إذا كانت ادعاءات التوليد والتحرير "الرائدة" تصمد عند التعامل مع الصوت الحقيقي، وما إذا كان نموذج AuK-Flash بأربع خطوات يقترب حقًا من النموذج الأساسي.

• ورقة بحثية — الاستشهاد في صفحة المشروع هو مجرد عنصر نائب، وهو ما يعني عادةً أن طرحًا على arXiv قادم؛ وصفة التدريب، وأرقام المعايير المرجعية، وتفاصيل التقطير — كلها موجودة في الورقة.

• قائمة تقديم الخدمة — أول مزوّد استدلال يستضيف AuK يحوّلها من دليل أوزان إلى نموذج قابل للاستدعاء بسعر، وعندها تصبح قابلة للتجربة عبر موجّه بدلاً من مشروع استضافة ذاتية.

AuK وAuK-Flash حقيقيان لكنهما غير مكتملين بالطريقة التي تكون عليها غالبًا الإصدارات مفتوحة المصدر الأكثر إثارة للاهتمام: الأوزان صادقة، والقصة المحيطة بهما لم تُكتب بعد. ضع إشارة مرجعية على tencent/AuK-Flash، وتعامل مع كل ادعاء حول القدرات على أنه مُعلَن من البائع حتى تصدر ورقة بحثية أو معيار مستقل، وتحقق مما إذا كانت الأيام القليلة القادمة ستجلب الكود الذي سيحوّل هذا من أداة واعدة إلى شيء قابل للبناء.