AuK: Tencent hat leise ein 1.5B-Sprachmodell als Open Source veröffentlicht, das jede Audio-Aufgabe als Textbefehl behandelt.

Hier ist ein Satz, den kein einziges Sprachwerkzeug, das Sie heute herunterladen können, in einem Durchgang schafft: Nehmen Sie diese Aufnahme, ersetzen Sie das Wort „house“ durch „home“, erhöhen Sie die Tonhöhe um einen Halbton, schneiden Sie den Atemzug vor der letzten Phrase heraus, entfernen Sie den Hintergrundlärm und lesen Sie das Ergebnis dann mit einer völlig neuen Stimme vor, die nur als „ein warmer Mann mittleren Alters mit leicht kantonesischem Akzent“ beschrieben wird. Tencents Antwort auf diesen Satz ist AuK, ein „Foundation-Modell für Spracherzeugung und -bearbeitung“ mit 1,5 Milliarden Parametern, das diese Woche ohne Ankündigungspost und ohne Pressemitteilung als Open Source veröffentlicht wurde – und dessen destillierter Ableger AuK-Flash jetzt genau das mitbringt, was dieser Geschichte fehlte, als wir sie zum ersten Mal schrieben: einen technischen Bericht mit Zahlen. „AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing“ (arXiv:2609.08936, cs.SD, eingereicht 2026-09-08) wird nun sowohl auf der Hugging-Face-Modellkarte als auch in der GitHub-README zitiert, wobei die Auflistung des Papiers auf den 2026-09-08 datiert ist und die News-Zeile des Code-Repositorys auf den 2026/09/09. Was der Bericht nicht tut, ist, die entscheidende Frage zu klären – jede Zahl darin stammt von Tencent selbst und wurde gegen von Tencent ausgewählte Baselines getestet, und Stand 2026-09-10 hat niemand außerhalb des Unternehmens auch nur eine davon reproduziert.

{{1}}Dies ist ein „Was-wir-bisher-wissen“-Beitrag, einmal überarbeitet.{{/1}} {{2}}Tencent hat AuK bisher auf keinem seiner Hauptkanäle angekündigt, soweit wir das feststellen können, also lautet die Bilanz:{{/2}} {{3}}die Hugging-Face-Modellkarten und -Repositories für AuK und AuK-Flash,{{/3}} {{4}}das Code-Repository unter der Tencent-Hunyuan-Organisation,{{/4}} {{5}}die Projektdokumentation auf auk-project.github.io{{/5}} {{6}}und nun das Paper.{{/6}} Dieser letzte Zuwachs ändert, was man wissen kann – die Architektur, das Trainingsrezept und die Bewertungszahlen werden zum ersten Mal detailliert beschrieben – ohne zu ändern, was verifiziert ist. Behandeln Sie alle Zahlen unten als vom Anbieter gemeldet, denn genau das sind sie, und beachten Sie, dass die Vergleiche im Bericht ausschließlich gegen andere offene Modelle erfolgen, nicht gegen die geschlossenen gehosteten Sprachplattformen, mit denen AuK tatsächlich konkurrieren würde.

Was tatsächlich ausgeliefert wurde, und wie still

Die Zeitleiste ist immer noch die ehrlichste Zusammenfassung des Releases, mit einer Korrektur gegenüber unserem ersten Durchgang. Die Hugging-Face-Repositories wurden Mitte August erstellt — AuK am 2026-08-18 — blieben aber bis diese Woche ungenutzt. Als wir die AuK-Modellkarte am 2026-09-09 lasen, war ihre einzige News-Zeile auf den 2026-09-07 datiert; einen Tag später lautet dieselbe Zeile 2026/09/09 und verweist Leser auf das Paper und die Demo-Spaces. Das GitHub-Repository, das den Inferenz- und Trainingscode enthält, wurde am 2026-08-19 erstellt und zuletzt am 2026-09-09 aktualisiert. Mit anderen Worten: erst Gewichte, dann Code, dann ein technischer Bericht — drei gestaffelte Veröffentlichungen in vier Tagen, und zum Zeitpunkt des Schreibens immer noch keine Ankündigung über die Hauptkanäle von Tencent.

• Die Gewichte liegen auf Hugging Face unter der tencent-Organisation und werden auf ModelScope unter Tencent-Hunyuan gespiegelt — zwei Spiegel, gleiche MIT-Lizenz.

• Jedes Modell-Repository enthält einen einzelnen safetensors-Checkpoint sowie eine Konfiguration und einen VAE: auk_base.safetensors mit 6,12 GB und vae.safetensors mit 0,64 GB für AuK; dasselbe Layout für AuK-Flash. Die Modellkarte fordert Sie außerdem auf, Qwen/Qwen2.5-Omni-3B herunterzuladen, den Text-Encoder, den AuK zur Laufzeit separat lädt.

Die Darstellung „niemand hat es bemerkt“ ist ausgelaufen, und zwar schnell. Das Code-Repository stand bei null Sternen und null Forks, als wir es am 2026-09-09 überprüften; bis zum 2026-09-10 zeigt es 216 Sterne, 12 Forks und sein erstes offenes Issue. Die AuK-Karte meldet etwa dreißig Downloads im letzten Monat bei 26 Likes. Was sich nicht geändert hat: Die Diskussions-Tabs sind leer, und die Karte vermerkt weiterhin, dass der Checkpoint von keinem Inference-Anbieter bereitgestellt wird.

• Beide Modellkarten, die README und der Paper-Link verweisen auf Demo-Spaces auf Hugging Face und ModelScope. Der Hugging-Face-Space war zum Zeitpunkt unserer Überprüfung ohne Anmeldung nicht öffentlich erreichbar, daher sollte der Pfad „try it in your browser" für anonyme Nutzer als unbestätigt betrachtet werden.

Die obige Hugging-Face-Karte ist weiterhin die gesamte öffentliche Oberfläche einer installierbaren Version: eine Modellkarte, eine Konfiguration, zwei Safetensors-Dateien und eine Lizenz. Was seitdem hinzugekommen ist, ist die Dokumentationsebene darum herum – ein Paper, eine Benchmark-Tabelle und ein Zitationsblock – und nichts davon ändert die Tatsache, dass es dahinter kein Changelog, keinen Diskussionsthread und keine Auflistung von Inferenzanbietern gibt.

Der Pitch: eine Anweisungsschnittstelle, sechzehn Sprachaufgaben.

AuKs Behauptung ist nicht, dass es das beste jemals veröffentlichte Text-to-Speech-Modell ist. Sie lautet, dass die Generierung nur eine von fünf Familien von Sprachaufgaben ist, für die das Modell über eine einzige natürliche Sprachschnittstelle trainiert wurde, bei der eine Anfrage eine Chat-Nachricht ist, die Text plus eine optionale Referenz-Audiodatei enthalten kann. Das Papier formalisiert genau die Taxonomie, die die Projektwebsite bereits beworben hatte:

• Sprachgenerierung — Zero-Shot-TTS (diesen Text in der Stimme des Referenzclips sprechen) und Instruction-TTS (Sprache allein aus einer Stimmbeschreibung erzeugen, ganz ohne Referenzaudio).

• Inhaltsbearbeitung — das Gesagte umschreiben: Wörter in einer vorhandenen Aufnahme ersetzen, einfügen oder löschen; und Liedtextbearbeitung, die gesungene Liedtexte umschreibt und dabei Melodie und Stimme beibehält.

• Akustische Bearbeitung — Tonhöhe in Halbtönen, Skalierung der Sprechgeschwindigkeit und Lautstärke in Dezibel.

• Paralinguistische Bearbeitung — Emotionsänderungen, Klangfarbenänderungen anhand einer Beschreibung, Entfernen des Akzents, Hinzufügen oder Entfernen nichtverbaler Laute (Atmen, Lachen, Husten) sowie der Wechsel zwischen normaler Sprache und Flüstern unter Beibehaltung des Sprechers.

• Verbesserung und Trennung — Rauschunterdrückung und Entverhallung von Sprache, Sprachtrennung nach Sprechreihenfolge, Musik-/Gesangstrennung und Extraktion des Zielsprechers anhand dessen, was der Sprecher sagt.

Der Instruction-TTS-Fall unterscheidet diese Veröffentlichung von einem typischen Stimmklon-Release: AuK liest einen Satz in einer Stimme, die nur als Textbeschreibung existiert – das eigene Beispiel der Doku spezifiziert eine Frau in ihren Zwanzigern, die mit einem Partner spricht, der gerade nach Hause gekommen ist, warm, fürsorglich und leicht kokett, mit einem weichen, süßen Timbre und einem leicht steigenden Satzendeton, alles ohne beigefügten Referenzclip. Das macht eine Referenzaufnahme überflüssig, die normalerweise die Hürde beim Klonen darstellt. Der Bericht beziffert diese Aufgabe erstmals, und es ist einer der wenigen Bereiche, in denen AuK das Feld eindeutig schlägt, anstatt es nur knapp zu übertreffen.

Innerhalb der "1.5B": Die Zahl untertreibt die Laufzeit.

Die Parameteranzahl von AuK bezieht sich auf den Diffusionstransformer, nicht auf die gesamte Pipeline, und das Paper nennt nun beide Hälften explizit. Das Rückgrat ist ein hybrider Rectified-Flow-Transformer — dreißig Schichten, bestehend aus zehn Dual-Stream-MMDiT-Blöcken, gefolgt von zwanzig vereinheitlichten Single-Stream-DiT-Blöcken, mit einer verborgenen Größe von 1536, 24 Aufmerksamkeitsköpfen der Dimension 64, einer SwiGLU-Zwischenbreite von 3072 — und genau daraus ergibt sich die Angabe „etwa 1,5 Milliarden Parameter“. Darum herum befinden sich zwei separat geladene Komponenten: ein multimodales LLM (Qwen/Qwen2.5-Omni-3B), das die Anweisung und jegliches Referenzaudio in semantische Konditionierung umwandelt, sowie ein kausales 24-kHz-Audio-VAE — die Konfiguration nennt es BigVGANFlowVAE —, das 64-dimensionale Latents mit einer Framerate von 50 Hz verarbeitet, mit Encoder-Kanalbreiten bis zu 768 und einem Decoder bis zu 1536. Die vollständige Laufzeitumgebung besteht also aus dem ~1,5B-Backbone plus einem 3B-Encoder plus dem VAE, und die Download-Anleitung stellt klar, dass der Encoder ein separater Checkpoint mit eigenen Bedingungen ist.

Das Training lief dem Bericht zufolge in Phasen und in einem Umfang ab, den die Projektseite nur andeutete: ein reines Generierungs-Warm-up mit 50.000 Updates, dann 600.000 gemeinsame Generierungs- und Bearbeitungs-Updates, auf ungefähr 3,03 Milliarden Instruction-Audio-Instanzen, die etwa 1,95 Millionen Stunden effektiver Supervision repräsentieren, über 256 GPUs, mit weiteren 1,24 Millionen Updates am VAE. Das Post-Training kombinierte Präferenzoptimierung durch menschliches Feedback mit belohnungsbasiertem Reinforcement Learning, basierend auf 818 informativen Präferenzgruppen und 9.080 bewerteten Kandidaten, RL-Prompt-Pools aus 10.000 Zero-Shot- und 5.000 instruktionsfolgenden Prompts, 30.000 Style-Judge-Stichproben sowie einem aus Qwen2.5-Omni-7B feinabgestimmten Belohnungsmodell. Das ist ein beachtlicher Post-Training-Stack für ein offenes 1,5B-Release, und es ist zugleich eine Erinnerung daran, dass „offene Gewichte“ das Artefakt beschreiben, nicht die Rechenleistung, die es hervorgebracht hat – ein Punkt, den man im Hinterkopf behalten sollte, wenn man abwägt, ob man es reproduzieren könnte.

Jede Zahl in diesem Datenblatt stammt aus Tencents eigenen Repositories und der Website, anstatt von uns gemessen zu werden, und das Papier hat daran nichts geändert – es hat nur mehr dieser Zeilen von „behauptet“ zu „dokumentiert“ verschoben. Die einzige Zahl, die seit unserer ersten Veröffentlichung tatsächlich getestet wurde, ist die Aktivität des Repositories selbst, die an einem Tag von null Sternen auf ein paar hundert anstieg.

{{1}}Die Projektseite bleibt der Ort, an dem das Architekturdiagramm und das akademische Co-Branding beheimatet sind{{/1}}, {{2}}und sie ist weiterhin der einfachste Weg, den Aufbau des Modells zu erkennen{{/2}}: {{3}}ein multimodales Sprachmodell für semantische Konditionierung, ein 50-Hz-VAE für Akustik und ein Hybrid-Transformer unter einem Flow-Matching-Ziel{{/3}}. {{4}}Der Benchmark-Bereich, der bei unserer ersten Betrachtung eine Evaluierungsapparatur ohne Bewertungen auflistete{{/4}}, {{5}}verfügt nun über ein Papier, auf das man sich berufen kann{{/5}}.

Der technische Bericht trifft ein, und die Zahlen stammen von Tencent selbst.

Das ist der Kern des Updates. Das Papier berichtet über Ergebnisse aus sieben Evaluations-Suiten — derselben Liste, die die Projektseite ohne Zahlen beworben hatte — und auf den meisten Achsen der Generierung und Inhaltsbearbeitung führt AuK das offene Feld an. Lesen Sie diese als Anbieter-Benchmark-Tabelle, denn genau das sind sie: tencent hat jeden Vergleich durchgeführt, jede Baseline ausgewählt und bisher keinen Code zur Reproduktion der Testumgebung veröffentlicht.

• Zero-Shot-TTS auf Seed-TTS-Eval: AuK erreicht durchschnittlich 2,65 WER mit 0,795 Sprecherähnlichkeit, gegenüber Qwen3-TTS mit 3,07 und 0,745, Seed-TTS mit 3,65 und 0,778 sowie VoxCPM2 mit 3,65 und 0,767. AuK-Flash liegt bei 2,85 und 0,790. Die besten einzelnen Splits sind 1,02 WER auf dem englischen Testset und 5,91 auf dem chinesischen Hard-Set.

Instruktionsgesteuertes TTS auf InstructTTSEval: AuK erreicht 83.37 bei Chinesisch und 81.60 bei der englischen Beschreibungsbefolgung, gegenüber Qwen3-TTS-VD mit 81.10 und 82.40 sowie MOSS-VoiceGenerator mit 80.00 und 82.00. AuK-Flash liegt bei 78.80 bei Chinesisch, erreicht aber mit 82.40 die beste englische Punktzahl des Feldes.

• Inhaltsbearbeitung auf SpeechEditBench: 91,83 Genauigkeit gegenüber 76,46 von Ming-UniAudio, und 71,33 bei Prosodie gegenüber 26,50 — die beiden größten Abstände im gesamten Bericht.

• Anweisungsgesteuerte Bearbeitung bei Ming-Freeform-Audio-Edit, volle Einstellung: Die Wortfehlerrate sinkt von 10,46 auf 3,09 beim Chinesischen und von 14,28 auf 3,96 beim Englischen im Vergleich zu Ming-UniAudio, während die Bearbeitungsgenauigkeit von 79,62 auf 91,47 bzw. von 70,98 auf 85,25 steigt. Bei akustischen Bearbeitungen verschiebt derselbe Vergleich die Wortfehlerrate von 5,01 auf 2,02 im Chinesischen und von 10,75 auf 3,48 im Englischen.

• Paralinguistische Bearbeitung auf MMAE-Speech: Instruktionsbefolgungsrate 48,23 und Inhaltsumschreibung 88,11 gegenüber Step-Audio-EditX mit 43,52 und 77,27 sowie Ming-UniAudio mit 34,13 und 76,01. AuK-Flash erzielt mit 13,85 den besten Edit-Modell-Recall in der Tabelle.

• Wiederherstellung, bei der das Modell konkurrenzfähig statt dominant ist: DNS Challenge desynchronisierter Wortfehler 2,66 mit 0,99 Sprecherähnlichkeit gegenüber RE-USE mit 3,31; CHiME-4 Wortfehler 7,98 gegenüber RE-USE mit 10,71; Libri2Mix Wortfehler 9,12 gegenüber MossFormer2-SS mit 9,34; und VCTKSR Wortfehler 3,06 mit 0,97 Sprecherähnlichkeit.

• Die VAE selbst, separat bewertet: AuK-VAE erreicht 4.143 PESQ bei Sprache, 3.833 bei allgemeinem Audio und 3.884 bei Musik, gegenüber MiniMax-H3-AudioVAE mit 3.633, 2.835 und 2.801 – ein vollständiger Sieg, der mehr bedeutet, als es scheint, denn ein verlustbehaftetes akustisches Latent begrenzt jede darauf aufbauende Aufgabe.

Das Muster, das sich durch diese Aufzählungspunkte zieht, ist interessanter als die Siege, die Schlagzeilen machen. AuK liegt weit vorn bei allem, was bedeutet, „das zu ändern, was gesagt wird oder wie es klingt, und alles andere beizubehalten“ – Inhaltsbearbeitung, Prosodie, akustische Bearbeitungen, Rekonstruktion. Bei Emotionen und paralinguistischer Bearbeitung ist es dem Feld viel näher, wo seine SpeechEditBench-Emotionsgenauigkeit von 9,94 kaum von Ming-UniAudios 3,43 zu unterscheiden ist, bei einem Benchmark, bei dem beide schwach sind, und sein Gesamtwert für Akustik von 37,07 liegt im gleichen Bereich wie die Baselines. „Ein Modell für jede Sprachaufgabe“ ist also Tencents Rahmung; was der Bericht tatsächlich zeigt, ist ein Modell, das bei mehreren dieser Aufgaben hervorragend ist und bei den übrigen lediglich präsent.

Zwei Checkpoints: AuK und AuK-Flash

Tencent {{1}}hat zwei Varianten unter derselben MIT-Lizenz veröffentlicht{{/1}}. AuK ist das {{2}}vollwertige Basismodell{{/2}}, und der Bericht legt seine Sampling-Einstellungen auf {{3}}32 Funktionsauswertungen mit einer Classifier-Free-Guidance-Skala von 2,0{{/3}} fest. AuK-Flash ist die {{4}}destillierte Version{{/4}}, bestehend aus {{5}}Konsistenz-Initialisierung und einer aufgabenbasierten Decoupled-DMD-Zielfunktion{{/5}}, und generiert in {{6}}vier festen Schritten bei vollständig deaktivierter Guidance{{/6}}, was das Paper als {{7}}4,5-fache Wall-Clock-Beschleunigung gegenüber dem vollständigen Modell unter vergleichbaren Bedingungen{{/7}} angibt. Die eigenen Zahlen des Papers {{8}}halten Flash bei den meisten Generierungsaufgaben dicht an das vollwertige Modell heran{{/8}} – {{9}}2,85 durchschnittliche Wortfehlerrate und 0,790 Ähnlichkeit auf Seed-TTS-Eval{{/9}} – was die Geschwindigkeitsbehauptung einen Test wert macht, statt sie abzutun: {{10}}Vier-Schritt-Diffusion auf nahezu Lehrerniveau{{/10}} ist das, was einen 1,5B-Sprach-Editor auf einer einzelnen GPU {{11}}interaktiv wirken lassen würde{{/11}}. Allerdings ist {{12}}„matched conditions“{{/12}} Tencents Bezeichnung für {{13}}Tencents eigenen Benchmark{{/13}}, und ein {{14}}von den Autoren gemessener 4,5-facher Wert{{/14}} ist genau die Art von Behauptung, die {{15}}einen Dritten braucht, bevor sie eine Beschaffungsentscheidung ändert{{/15}}.

Was Sie heute ausführen können

Die praktische Oberfläche ist umfangreicher als bei einem typischen stillen Release, da der Code damit veröffentlicht wurde. Die Installation zielt auf Python 3.10 über uv oder Conda ab, und das README bietet zusätzliche Installationsziele, die Gradio, ComfyUI-Nodes oder den Fine-Tuning-Stack mitbringen. Das Befehlszeilentool auk-infer deckt jede Aufgabe mit derselben Nachrichtenform ab: Eine --instruction ist immer erforderlich, und --audio ist je nach Aufgabe optional. Ein Gradio-Server (auk-gradio) stellt die Modelle mit einem Auswahlfeld bereit, und es gibt benutzerdefinierte ComfyUI-Nodes mit einem wiederverwendbaren Workflow, wobei die Integration mit einem Sequenzlimit von 30 Sekunden für Quelle plus Ziel dokumentiert ist. Eine Python-API bildet die CLI ab, und eine schlanke Fine-Tuning-Pipeline trainiert auf JSONL-Dateien mit Anweisungs-plus-Audio-Paaren, wobei dasselbe Nachrichtenformat wie bei der Inferenz verwendet wird. Das README beschreibt außerdem einen Prompt Enhancer, der Freitextanfragen in ausführungsbereite auk-infer-Befehle umwandelt; er erwartet einen OpenAI-kompatiblen Chat-Endpunkt und greift auf ein lokales SenseVoiceSmall-Modell für die Spracherkennung zurück, wenn keine Cloud-ASR-Anmeldedaten festgelegt sind. Eine aktuelle Einschränkung ist klar dokumentiert: Qwen3-Omni wird als Encoder-Pfad noch nicht unterstützt, daher muss weiterhin der Qwen2.5-Omni-3B-Checkpoint heruntergeladen werden.

Was die Dokumentation Ihnen weiterhin nicht liefert, ist eine Hardware-Untergrenze. Für die Inferenz wird kein VRAM-Wert veröffentlicht. Die Konfigurationsdateien enthalten einen Hinweis zum Gradient-Checkpointing, wonach die Spitze von etwa 91 GB auf etwa 75 GB sinkt – das beschreibt jedoch den Speicherrahmen zur Trainingszeit und nicht eine realistische Zahl für eine einmalige Inferenz. Der Referenzbefehl, der AuK und AuK-Flash zusammen lädt, verteilt sie auf zwei GPUs – wobei erwähnt wird, dass beide sich eine GPU teilen können. Kalkulieren Sie den Download selbst ein: etwa 6,8 GB pro Variante plus den Qwen2.5-Omni-3B-Encoder, und messen Sie den Speicher dann auf Ihrer eigenen GPU.

Was ist nicht bestätigt?

Es geht nach wie vor darum, das Unbekannte präzise zu benennen, wenn man ein Modell so früh behandelt, und der Bericht hat genau einen Punkt von dieser Liste entfernt, während der Rest intakt blieb:

• Wir können keinen unabhängigen Lauf finden. Keine Sprachproben von Dritten, keine Benchmark-Reproduktion, keine Eindrücke aus Diskussionsthreads. Das erste offene Issue des Repositorys ist gemeldet und unbeantwortet, und die Download-Zahl der Model Card liegt immer noch im zweistelligen Bereich – die Lücke zwischen einer veröffentlichten Tabelle und einer reproduzierten ist derzeit also die ganze Geschichte.

• Die Evaluierung ist selbst durchgeführt und in einer bestimmten Hinsicht eng gefasst. Jede Baseline in dem Bericht ist ein anderes Open-Weight-Modell — Qwen3-TTS, Seed-TTS, VoxCPM2, Ming-UniAudio, Step-Audio-EditX, MOSS-VoiceGenerator, RE-USE, MossFormer2-SS. Keine der geschlossenen gehosteten Sprachplattformen, gegen die ein Käufer AuK tatsächlich abwägen würde, erscheint, also bedeutet „führt das Feld an“ hier „führt das offene Feld an, das Tencent ausgewählt hat“.

• Der Name „AuK“ wird nach wie vor nirgendwo in der Arbeit, auf den Karten oder im Code ausgeschrieben, und er kollidiert bei der Suche stark mit dem Seevogel, der American University of Kuwait und nicht verwandten Repositories.

Das Team ist nun zumindest sichtbar – das Papier führt 33 Autoren auf, angeführt von Ziyang Ma, mit Zugehörigkeiten, die die Tencent-Hunyuan-Organisation, die Shanghai-Jiao-Tong-Universität, das Shanghai Innovation Institution und die Nanyang Technological University umfassen – aber wer innerhalb von Tencent das Modell tagtäglich verantwortet und ob es sich um eine Hunyuan-Linie oder eine separate akademische Kooperation handelt, bleibt unerwähnt.

• Die Sprachabdeckung ist weiterhin nur teilweise dokumentiert: Die AuK-Flash-Karte weist Chinesisch und Englisch aus, und die Codebeispiele mischen beide, aber das Basismodell hat keine formale Sprachliste. Bei der Lizenzierung ist es ähnlich — AuK selbst ist MIT-lizenziert, während der separat heruntergeladene Qwen-Encoder eigene Bedingungen mit sich bringt; daher sind „MIT-Modell“ und „MIT – alles, was Sie zum Ausführen benötigen“ nicht dieselbe Aussage.

Warum ein einheitliches Open-Weights-Sprachmodell wichtig ist

Stellt man AuKs Aufgabenliste dem gegenüber, was ein Builder heute tatsächlich tut, wird die Wette klarer, als sie es war, bevor die Zahlen vorlagen. Alle diese Aufgaben mit den vorhandenen Tools zu erledigen bedeutet, mehrere spezialisierte Modelle aneinanderzureihen – einen offenen Checkpoint zum Klonen, einen anderen für die Verbesserung, einen eigenen Separator sowie manuelle oder modellgestützte Inhaltsbearbeitung – oder mehrere geschlossene, gehostete APIs zu mieten, die jeweils pro Aufgabe und pro Audiominute abgerechnet werden und von denen keine in der von AuK beschriebenen Weise bearbeitbar ist. Ein einzelner Open-Weight-Checkpoint, der das alles als ein einziges textgesteuertes Generierungsproblem behandelt, ist ein grundlegend anderes Objekt, und der Bericht untermauert inzwischen eine schärfere Version dieser Behauptung als das Marketing: Die Bearbeitungshälfte ist real, nicht bloß eine Vision. Stimmklonen ist im vergangenen Jahr zur Ware geworden, aber instruktionsgesteuerte Inhalts- und Prosodie-Bearbeitung ist der Bereich, in dem die geschlossenen, gehosteten Plattformen weiterhin ihre Marge verdienen – und 91,83 gegenüber 76,46 bei der Inhaltsbearbeitung ist der erste Beleg dafür, dass ein offenes Modell dieses Terrain erobern kann.

Die ehrliche Einordnung ist: Es handelt sich um ein Diffusionsmodell, dem ein 3B-Sprachmodell zur Konditionierung aufgesetzt wurde, und es erbt die Kosten dieser Bauform. Die Qualität ist je nach Aufgabe ungleichmäßig – ausgezeichnet, wenn die Aufgabe darin besteht, „alles außer der Bearbeitung zu bewahren“, schwächer bei Emotionen – und es gibt keinen gehosteten Endpunkt, keine Batching-Optionen und keine veröffentlichte Latenz, außer dem internen Vergleich der Flash-Variante. Für die Bestandteile einer Sprach-Pipeline darum herum – das LLM, das entscheidet, was gesagt werden soll, und den OpenAI-kompatiblen Chat-Endpunkt des Prompt Enhancers – ist eine Routing-API die natürliche Wahl, und OrcaRouter bietet über 200 Modelle zum Listenpreis des Anbieters ohne Aufschlag an, sodass die Hälfte des Stacks nur einen Schlüssel und keinen zweiten Vertrag benötigt. Die Audio-Hälfte ist weiterhin eine GPU, die Sie kontrollieren, und ein Checkpoint, den niemand außerhalb von Tencent auditiert hat.

Wer sollte jetzt schauen, und wer sollte warten

Für Sprachforscher, Tool-Entwickler und alle, deren Aufgabe es ist, neue Stimmmodelle zu evaluieren, spricht diese Woche mehr für einen Download von AuK als am ersten Tag – und zwar weiterhin mit demselben Vorbehalt. Man erhält jetzt eine dokumentierte Architektur, ein reproduzierbar wirkendes Rezept und eine vollständige Tabelle mit Zielwerten, die es zu übertreffen gilt – genau das macht eine nicht reproduzierte Behauptung einen Angriff wert. Der Preis dafür, früh dabei zu sein, bleibt ein Wochenende Einrichtungszeit und eine GPU. Für alle, die sich für einen Produktions-Voice-Stack entscheiden, verändert der Bericht die Form der Entscheidung, ohne sie zu klären: Es gibt jetzt Zahlen, mit denen man sich auseinandersetzen kann; aber sie stammen vom Anbieter und lassen die geschlossenen Plattformen außen vor, gegen die man tatsächlich benchmarken würde; und es gibt weiterhin keine API, keine VRAM-Untergrenze und keinen Track Record. Zu beobachten sind in dieser Reihenfolge: eine unabhängige Replikation der Zeilen aus Seed-TTS-Eval und SpeechEditBench; veröffentlichte Samples oder ein erreichbarer Demo-Space; und ein Inferenz-Anbieter oder eine gehostete API, die AuK aufnimmt – ab dann ist der Durchreichpreis bei uns der Listenpreis des Anbieters, und zwar am selben Tag, denn genau das bedeutet 0 % Aufschlag. Die interessante Frage ist nicht mehr, ob Tencent ein weiteres TTS-Modell herausgebracht hat, sondern ob ein einziges offenes Modell wirklich alle fünf dieser Aufgabenfamilien gleichzeitig abdecken kann. Und da Tencent nun seine eigene Antwort veröffentlicht hat, bleibt nur noch, dass jemand anderes das überprüft.