AuK-Flash und AuK: Tencent hat still und leise ein offenes Speech-Modell veröffentlicht, das Audio erzeugt, bearbeitet und trennt.

Tencent hat diese Woche zwei der bedeutendsten offenen Speech-Modelle des Jahres 2026 veröffentlicht – und es so gut wie niemandem mitgeteilt. Um den 7. September herum machte die Tencent-Organisation auf Hugging Face AuK öffentlich – laut eigener Modellkarte „ein 1.5B-Foundation-Modell für Spracherzeugung und -bearbeitung“ – sowie AuK-Flash, die destillierte Vier-Schritt-Variante desselben Modells, beide unter einer MIT-Lizenz. Es gibt keinen Tencent-Blogbeitrag, keine Social-Media-Ankündigung und keine Pressemitteilung zu den beiden Repositories; zusammen wurden sie einige Dutzend Mal heruntergeladen, das in den Karten verlinkte Code-Repository ist nicht erreichbar, und im gesamten indizierten Web existiert keinerlei unabhängiger Benchmark. Dieser Beitrag legt dar, was sich aus den beiden Repositories, den Konfigurationsdateien und Tencents eigener Projektseite tatsächlich ableiten lässt – und was weiterhin unbestätigt ist.

Die Behauptung ist auch ohne unabhängige Zahlen ernst zu nehmen, denn der Umfang ist ungewöhnlich. AuK ist kein weiteres Stimmklon-Modell. Über eine einzige Schnittstelle für natürliche Sprachbefehle verspricht es Zero-Shot- und instruktionsbasiertes Text-to-Speech sowie Bearbeitung, die sowohl das Gesagte als auch die Sprechweise und die nicht-verbalen Geräusche im Umfeld betrifft – zusätzlich zu Sprachverbesserung, Sprachseparierung und Musikseparierung. Das Feld hat bislang für jede dieser Aufgaben ein eigenes Spezialmodell gebaut. Tencents Wette besteht darin, mit einem einzigen generativen Backbone zu zeigen, dass ein einzelnes Modell alle Aufgaben bewältigen kann – und dass AuK-Flash dies schnell genug für eine annähernd echtzeitfähige Nutzung schafft.

Zwei Checkpoints, ein Release

Die Zeitstempel der Hugging-Face-API erzählen die Geschichte eines Repositorys, das bis zu seiner Veröffentlichung privat war. Das Basis-Repository tencent/AuK wurde am 18. August 2026 erstellt, tencent/AuK-Flash am 21. August; beide wurden zuletzt am 8. September geändert, und die Modellkarte trägt einen News-Eintrag vom 7. September – „[2026/09/07] AuK ist jetzt Open Source. Code und Modellgewichte sind öffentlich verfügbar.“ Die naheliegende Lesart ist, dass Tencent die Repositorys Mitte bis Ende August anlegte, sie um den 7. September auf öffentlich umstellte und die Karte am 8. September erneut anpasste. Im indexierten Web findet sich nichts über das Modell, und die Download-Zähler stehen im zweistelligen Bereich – ‚quiet release‘ ist also keine rhetorische Wahl, sondern beschreibt die Situation wörtlich.

Die beiden Checkpoints sind dieselbe Architektur zu verschiedenen Zeitpunkten ihres Lebenszyklus. AuK ist der Lehrer: ein Basismodell, das auf hochwertige Generierung ausgelegt ist. AuK-Flash ist der Schüler: destilliert für schnelle Inferenz in vier Schritten – genau das macht ihn zum interessanteren Ziel für den Deployment-Einsatz und zum Grund, warum er hier titelgebend ist. Auf Tencents Projektdokumentationsseite wird die Modellfamilie mit rund 1,5 Milliarden Parametern angegeben, trainiert auf – so die Beschreibung – „Millions of hours of diverse audio data", wobei die Projektseite präzisiert, dass es sich um etwa 1,95 Millionen Stunden effektiver Supervision über rund 3,03 Milliarden Instruktions-Audio-Instanzen handelt. Die Projektseite trägt zudem die Kennzeichnungen der Shanghai-Jiao-Tong-Universität und von Tencent Hunyuan und verortet AuK damit in der Open-Model-Forschungslinie von Tencent Hunyuan, nicht in einer kommerziellen Produktfamilie. Training ist nicht das Einzige, was nach dem Pre-Training geschah: Tencent beschreibt eine Post-Training-Phase, die Preference-Optimierung auf Basis menschlichen Feedbacks für offene Bearbeitungsaufgaben mit belohnungsbasiertem Reinforcement Learning für die Sprachgenerierung kombiniert.

Die Variantentabelle in der Karte zeigt eindeutig, was was ist: AuK ist „das Basismodell für hochwertige Generierung“, während AuK-Flash „das destillierte Modell für schnelle 4-Schritt-Inferenz“ ist. Beide sind sowohl von Hugging Face als auch von ModelScope unter dem Tencent-Hunyuan-Namespace herunterladbar und tragen die MIT-Lizenz – eine der permissivsten Lizenzen, die ein Open-Weights-Release haben kann, was für jeden von Bedeutung ist, der darauf aufbauend ein Produkt entwickeln möchte.

Was ein instruktionsgesteuertes Modell tatsächlich tut

Die Oberfläche von AuK ist ein einzelnes Eingabefeld: Man gibt dem Modell eine Anweisung in natürlicher Sprache und, falls die Aufgabe eine benötigt, eine Audio-Referenz, und es gibt Audio zurück. Gruppiert nach der eigenen Taxonomie der Karte sind die fünf Aufgabenfamilien:

• Sprachgenerierung — Zero-Shot-TTS, das eine Stimme aus einem Referenzclip klont, und „instruct TTS“, das Sprache allein aus einer Stimmbeschreibung synthetisiert („eine warme Frauenstimme, etwas langsamer“), ganz ohne Referenzaudio.

• Inhaltsbearbeitung — Umschreiben des Gesagten: Ersetzen, Einfügen oder Entfernen von Wörtern in einer bestehenden Aufnahme sowie Liedtextbearbeitung, die die Wörter eines Gesangsclips umschreibt, während Melodie und Stimme des Sängers erhalten bleiben.

• Akustische Bearbeitung — Tonhöhe in Halbtönen, Sprechrate und Lautstärke in Dezibel, jeweils an einem vorhandenen Clip anpassbar, während Identität und Inhalt erhalten bleiben.

• Paralinguistische Bearbeitung – Emotion, Klangfarbe (bei einer Beschreibung), Deakzentuierung, Hinzufügen oder Entfernen nichtverbaler Laute wie Atmen, Lachen und Husten sowie das Umschalten zwischen normaler Sprache und Flüstern.

{{1}}Verbesserung und Trennung{{/1}} — Sprachverbesserung (Entrauschung und Enthallung), Sprachstrennung nach Sprechreihenfolge, Musiktrennung, die die Singstimme aus einem Mix herausholt, und Extraktion des Zielsprechers, die anhand dessen identifiziert wird, was der Sprecher sagt.

Diese Liste ist das eigentliche Differenzierungsmerkmal. Die leistungsfähigsten offenen Sprachsysteme im Jahr 2026 sind bei ein oder zwei davon stark — Sprachklonen und TTS sind die überfüllte Ecke — und bei den übrigen schwach oder gar nicht vorhanden. AuKs Wette ist die Breite: dieselben Gewichte, dasselbe Instruktionsformat, über Generierung, Bearbeitung und Trennung hinweg — also eine Bandbreite, die normalerweise nur als Sammlung feinabgestimmter Spezialmodelle ausgeliefert wird.

Wie es gebaut wird

Wenn man die Repositories und die Projektseite zusammen liest, ergibt sich ein konsistentes Architekturbild. AuK ist kein autoregressives Audio-Sprachmodell der Art, das Text liest und Tokens ausgibt. Es ist ein Flow-Matching-Diffusionssystem nach dem Vorbild von Bildmodellen, mit drei Teilen:

• Ein multimodales großes Sprachmodell — Qwen/Qwen2.5-Omni-3B, separat heruntergeladen — liest die Anweisung sowie jegliches Referenzaudio und erzeugt die semantische Konditionierung.

Ein Audio-VAE, das gemeinsam auf Sprache, allgemeinem Audio und Musik trainiert wurde, kodiert und dekodiert bei 24 kHz über 50-Hz-Akustik-Latents; die Konfiguration des Repositorys identifiziert es als BigVGANFlowVAE mit einer latenten Dimension von 64 und einem 480-fachen Downsampling und liefert es als separate vae.safetensors-Datei aus.

Der generative Kern ist ein hybrider Rectified-Flow-Transformer: Dual-Stream-MMDiT-Blöcke, die Text- und Audio-Konditionierung getrennt halten, gefolgt von vereinheitlichten Single-Stream-DiT-Blöcken, die sie kombinieren, trainiert mit einem Flow-Matching-Ziel. Die veröffentlichte Konfiguration zeigt ein 1.536 breites Modell mit 24 Köpfen, 10 Dual-Stream-Schichten und 20 Single-Stream-Schichten.

AuK-Flash ist derselbe Transformer nach der Destillation. Tencent beschreibt einen zweistufigen Prozess — zunächst eine Konsistenzinitialisierung auf Trajektorienebene, dann eine „task-routing decoupled“ DMD-Zielfunktion — abgeschlossen mit einer Regressions-Überwachung für saubere Vorhersagen (clean predictions). Laut Projektseite ergibt sich dadurch eine Generierungsqualität nahe der des Lehrermodells in vier Abtastschritten, ohne classifier-free guidance bei der Inferenz, bei einer etwa 4,5-fachen Beschleunigung der Wanduhrzeit gegenüber dem vollständigen Modell unter vergleichbaren Bedingungen. Das sind Herstellerangaben, die nicht unabhängig reproduziert wurden — aber sie sind der konkrete Grund, warum AuK-Flash die Variante ist, nach der ein Entwickler greifen würde.

Was Tencent behauptet, und was ein Leser überprüfen kann.

Die Projektseite stellt starke qualitative Behauptungen auf — AuK sei bei Generierung und Bearbeitung „führend“ und bei signalbezogenen Wiederherstellungsaufgaben wie Enhancement und Separation „wettbewerbsfähig“ — und listet die dahinterstehenden Benchmark-Suiten auf: Seed-TTS-Eval und InstructTTSEval für die Generierung, MMAE-Speech, SpeechEditBench und Ming-Freeform-Audio-Edit für die Bearbeitung, DNSMOS und UTMOS für die wahrgenommene Qualität sowie DNS Challenge, CHiME-4 und Libri2Mix für Enhancement und Separation. Auf der Seite werden keine numerischen Ergebnisse veröffentlicht, es gibt kein zugrunde liegendes Paper, und kein Dritter hat irgendetwas davon reproduziert. Jede dieser Behauptungen stammt vom Anbieter und sollte auch so verstanden werden, bis ein unabhängiger Lauf existiert.

Zwei weitere Behauptungen müssen gekennzeichnet werden, da sie einer direkten Überprüfung am 9. September 2026 nicht standhielten. Erstens: Die Karte besagt, dass der Code öffentlich verfügbar ist, und verlinkt github.com/Tencent-Hunyuan/AuK für Installations-, Gradio-, ComfyUI- und Feintuning-Anleitungen – doch dieses Repository liefert derzeit einen HTTP-404-Fehler und ist nicht unter den öffentlichen Repositories der Tencent-Hunyuan-Organisation zu finden. Der Code wird möglicherweise einfach noch ausgerollt; so oder so ist „Code ist verfügbar“ derzeit die Behauptung der Karte, nicht etwas, mit dem ein Leser etwas anfangen kann. Zweitens: Die Karte verweist auf Demo-Spaces bei Hugging Face und ModelScope: Der ModelScope-Studio antwortet, aber der Hugging-Face-Space zeigte bei der Überprüfung eine Autorisierungsmauer, sodass die Demos bestenfalls teilweise öffentlich sind.

Was ist hier, was fehlt

Die Bestandsaufnahme am 9. September 2026 trennt ein echtes Release von einem vollständigen.

• Vorhanden — zwei herunterladbare Gewichtssätze unter einer MIT-Lizenz: tencent/AuK für das Basismodell und tencent/AuK-Flash für die destillierte Vier-Schritt-Variante, jeweils etwa 6,1 GB für den Diffusionstransformator plus ein gebündelter VAE, gespiegelt auf Hugging Face und ModelScope.

• Präsentiert – ein ungewöhnlich breiter Aufgabenraum unter einer einzigen Anweisungsschnittstelle: Generierung, Inhalts-, akustische und paralinguistische Bearbeitung, Verbesserung und Trennung, alles in einer einzigen Modellfamilie.

• Präsentieren — eine konkrete „schnelle“ Geschichte: AuK-Flash wird ohne Classifier-Free Guidance auf vier Schritte destilliert, mit einer vom Anbieter angegebenen 4,5-fachen Wall-Clock-Beschleunigung.

• Fehlt — eine Ankündigung. Noch kein Tencent-Blogbeitrag, Social-Media-Beitrag, keine Pressemitteilung und kein Hunyuan-Kanalbeitrag verweist bisher auf eines der beiden Repositories.

• Fehlend — ein Paper oder technischer Bericht. Der Zitationsblock auf der Projektseite ist ein Platzhalter ohne Autoren und ohne arXiv-Kennung, und hinter den Benchmark-Behauptungen stehen keine veröffentlichten Zahlen.

• Fehlend — zugänglicher Code. Das GitHub-Repository und das Cookbook, auf die die Karte verlinkt, geben zum Zeitpunkt der Statusprüfung 404 zurück, sodass heute das einzige ausführbare Artefakt die Gewichte sind, plus das, was die Community darum herum zusammenstellt.

• Fehlt — Serving und unabhängige Evaluierung. Kein Inference-Anbieter hostet AuK, es existiert keine gehostete API, und da die Downloads nur im Dutzend liegen, hat noch niemand eine Reproduktion veröffentlicht.

AuK-Flash heute ausführen oder warten?

Wenn Sie AuK-Flash selbst ausführen möchten, ist der Download-Pfad explizit angegeben, auch wenn der Code es nicht ist: Laden Sie tencent/AuK-Flash und tencent/AuK herunter (das Basismodell ist optional, es sei denn, Sie möchten das Teacher-Modell) sowie Qwen/Qwen2.5-Omni-3B, denn der Checkpoint enthält nur die Gewichte des Diffusion-Transformers und der Layer-Fusion – der multimodale Encoder und die VAE werden zur Laufzeit aus separaten Dateien geladen – und auf der Modellkarte wird vermerkt, dass fehlende text_encoder-Schlüssel beim Laden zu erwarten sind. Die eigentliche Einschränkung ist die Hardware. Es handelt sich um einen Diffusion-Transformer mit ~1.5B Parametern, dessen Checkpoint allein ~6.1 GB groß ist und der zusammen mit einem multimodalen Encoder mit ~3B Parametern und einer VAE läuft; eine GPU mit 24 GB ist daher der sinnvolle Ausgangspunkt statt eines Laptop-Modells. In den Speicherhinweisen der Konfiguration wird Gradient-Checkpointing erwähnt, das die Trainingsspitzen von rund 91 GB auf 75 GB senkt; diese Hinweise betreffen das Training und sollten nicht als Inferenzanforderungen verstanden werden. Was die Software betrifft, verwendet die Konfiguration standardmäßig das Flash-Attention-Backend, aber die Inferenz-CLI kann auf ein einfaches Torch-Attention-Backend zurückgreifen, wodurch der Flash-Attn-Build-Schritt beim ersten Lauf entfällt.

Ob sich das heute lohnt, hängt davon ab, was man gerade baut. Der ehrliche Stand der Dinge ist: Das ist ein Modell, das man beobachten und in einer Sandbox testen sollte, nicht eines, das man schon jetzt in eine Produktionspipeline einbinden sollte – ohne Paper, ohne zugänglichen Code und ohne unabhängige Evaluierung beruhen die Leistungsbehauptungen vollständig auf Tencents Wort. Für ein Team, das heute Sprachgenerierung, -bearbeitung oder -trennung hinter einer API nutzen möchte, ist ein Modell, das tatsächlich bereitgestellt wird, die pragmatische Wahl – genau das ist die Rolle, die OrcaRouter bei all den Modellen spielt, die Endpunkte haben: eine API für über 200 Modelle, bei der die Listenpreise der Anbieter ohne Aufschlag durchgereicht werden, sodass der Preis des Anbieters vom ersten Tag an dein Preis ist, plus automatisches Failover, sodass ein unerprobter Neuling an einem Teil des echten Traffics ausprobiert werden kann, ohne die Pipeline darauf zu setzen. Nichts davon gilt bisher für AuK oder AuK-Flash, weil kein Dienst sie anbietet. Sobald ein Anbieter AuK hostet, wird die Router-Ökonomie zum günstigen Weg, es zu evaluieren; bis dahin bleibt nur, die Gewichte selbst zu hosten oder zu warten.

Häufig gestellte Fragen

Ist AuK oder AuK-Flash über eine API verfügbar?

Nein. Beides sind reine Weights-Releases. Kein Inferenzanbieter hostet sie, und es gibt keine gehostete API, also gibt es heute nichts, das man aufrufen könnte – die einzige Möglichkeit, sie zu nutzen, besteht darin, die Weights herunterzuladen und selbst auszuführen.

Was ist der Unterschied zwischen AuK und AuK-Flash?

Dieselbe Modellfamilie in zwei Stufen. AuK ist das Basismodell, das auf qualitativ hochwertige Generierung ausgelegt ist; AuK-Flash ist seine destillierte Variante, optimiert für schnelle Vier-Schritt-Inferenz ohne classifier-free guidance, die Tencent zufolge unter vergleichbaren Bedingungen etwa 4,5× schneller läuft als das Basismodell. Diese Geschwindigkeitsangabe stammt vom Anbieter und wurde nicht unabhängig gemessen.

Kann AuK-Flash kommerziell genutzt werden?

Die Gewichte werden unter der MIT-Lizenz veröffentlicht, die die kommerzielle Nutzung unter Beibehaltung des Lizenzhinweises gestattet – die am wenigsten restriktive gängige Open-Weights-Lizenz. Das separate Code-Repository, auf das die Karte verlinkt, ist Stand 9. September 2026 nicht erreichbar, sodass die praktische Antwort für die Wiederverwendung von Code weiterhin offen bleibt, bis es erscheint.

Was zu sehen

• Das Code-Repository — github.com/Tencent-Hunyuan/AuK ist das mit Abstand wertvollste fehlende Artefakt. Wenn es erscheint, verwandeln die Anweisungsvorlagen des Cookbooks die obige Aufgabenliste von Marketing in etwas Ausführbares.

• Ein unabhängiger Lauf – die erste Reproduktion durch Dritte wird klären, ob die Behauptungen zu „führender“ Generierung und Bearbeitung den Kontakt mit echtem Audio überstehen und ob das vierschrittige AuK-Flash wirklich an das Basismodell heranreicht.

• Ein Paper — das Zitat auf der Projektseite ist ein Platzhalter, was in der Regel bedeutet, dass eine arXiv-Einreichung folgt; das Trainingsrezept, die Benchmark-Werte und die Distillationsdetails befinden sich alle dort.

• Ein Serving-Eintrag — der erste Inferenz-Anbieter, der AuK hostet, macht daraus statt eines Verzeichnisses von Gewichten ein aufrufbares Modell mit einem Preis; genau dann wird es über einen Router testbar, statt ein Self-Hosting-Projekt zu sein.

AuK und AuK-Flash sind real, aber unfertig – so, wie es die interessantesten offenen Releases meistens sind: Die Gewichte sind ehrlich, und die Geschichte dahinter ist noch nicht geschrieben. Setze ein Lesezeichen auf tencent/AuK-Flash, behandle jede Leistungsbehauptung als Herstellerangabe, bis ein Paper oder ein unabhängiger Benchmark erscheint, und prüfe, ob die nächsten Tage den Code bringen, der dies von einem vielversprechenden Artefakt in ein baubares Projekt verwandeln würde.