AuK vs. AuK-Flash: 32 Sampling-Schritte oder 4 – und warum der Schüler manchmal gewinnt

Beide Checkpoints wiegen exakt 6,122 GB. Beide werden unter der MIT-Lizenz veröffentlicht. Beide verwenden denselben separat herunterladbaren 3-Milliarden-Parameter-Instruktions-Encoder und denselben 637-MB-VAE. AuK und AuK-Flash unterscheiden sich in fast nichts, was Sie bereitstellen – und in einer Sache, die Sie bei jedem Aufruf spüren: wie oft der Sampler läuft. AuK, das 1,5B schwere Open-Weight-Foundation-Modell zur Sprachgenerierung und -bearbeitung, das das Hunyuan-Team von Tencent und akademische Koautoren der Shanghai Jiao Tong und der NTU am 9. September auf Hugging Face veröffentlicht haben, benötigt 32 Funktionsauswertungen mit Classifier-Free Guidance bei 2,0. AuK-Flash, das destillierte Schülermodell, benötigt vier, bei vollständig deaktivierter Guidance, für eine angeblich 4,5-fache Beschleunigung der tatsächlichen Laufzeit. Die naheliegende Lesart ist, dass Flash die Sparoption ist, die Sie wählen, wenn Latenz wichtiger ist als Qualität. Diese Lesart ist falsch, und die eigenen Auswertungstabellen des Anbieters widersprechen ihr: In den direkten Vergleichszeilen des technischen Berichts erzielt Flash die Höchstpunktzahl bei der Edit-Ratio-Metrik von MMAE-Speech, in der paralinguistischen Spalte von SpeechEditBench, beim Befolgen englischer Anweisungen, bei der Sprecherähnlichkeit in der akustischen Bearbeitung und in allen vier Zeilen zur wahrgenommenen Qualität der Verbesserung. Es ist keine Herabstufung. Es ist ein anderer Kompromiss, und welche Seite Sie davon bevorzugen, hängt davon ab, welche der beiden Aufgaben Sie tatsächlich ausführen.

Was unterscheidet sie tatsächlich voneinander

Entfernt man das Marketing, reduziert sich die Wahl auf eine Konfigurationsdatei. AuKs Laufzeit ist ein hybrider Rectified-Flow-Transformer – Dual-Stream-MMDiT-Blöcke, die einheitliche Single-Stream-DiT-Blöcke speisen – der einen bfloat16-Euler-Solver bei 24 kHz ausführt und mit 64-dimensionalen Latents bei 50 Hz arbeitet. AuK-Flash verwendet die identische Architektur mit einem aufgesetzten destillierten Sampler, der durch Konsistenz-Initialisierung plus task-routed Decoupled DMD erzeugt wurde. Alle anderen Komponenten werden geteilt.

• Sampling-Schritte — AuK: 32 Funktionsauswertungen, konfigurierbar. AuK-Flash: 4, fest.

• Klassifikatorfreie Führung — AuK: Skala 2,0, einstellbar. AuK-Flash: keine (CFG=0).

• Checkpoint-Größe — AuK: auk_base.safetensors bei 6.122 GB. AuK-Flash: auk_flash.safetensors bei 6.122 GB. Bis auf das Megabyte identisch.

• Gemeinsame Laufzeitumgebung — eine 637 MB große VAE plus den Qwen/Qwen2.5-Omni-3B-Encoder, separat heruntergeladen und von beiden verwendet.

• Angegebene Geschwindigkeit — AuK-Flash: 4,5× schneller (Wall-Clock) als der 32-NFE-Lehrer bei gleicher Hardware, Dauer und Batch-Größe.

• Lizenz — MIT für beide, was ausnahmsweise wirklich bedeutet, was es sagt.

Diese identische Checkpoint-Größe ist das Detail, das den gesamten Vergleich neu einordnet. Destillierte Varianten erkaufen ihre Geschwindigkeit normalerweise dadurch, dass sie kleiner sind. AuK-Flash ist nicht kleiner. Du sparst weder Speicherplatz noch Übertragungszeit und – da Encoder und VAE geteilt werden und der DiT dieselbe Breite hat – sparst du durch die Wahl des Schülers auch nicht nennenswert VRAM. Die einzige Ressource, die Flash dir zurückgibt, ist Zeit. Einen Budget-Fallstrick sollte man trotzdem nennen: Das „1.5B“ im Modellnamen beschreibt das Diffusions-Backbone, und die Datei auf der Platte ist 6,122 GB groß. Plane die Datei ein.

Wo AuK-Flash das volle Modell tatsächlich schlägt

Dies ist der Teil, an dem die Intuition „destilliert = schlechter“ falschliegt, und sie gilt über mehrere unzusammenhängende Aufgabenfamilien in den Tabellen des Berichts hinweg. Beginnen wir mit der Wahrnehmung. Beim Erweiterungsset der DNS Challenge erzielt Flash einen UTMOS von 4,05 gegenüber AuKs 3,86; bei CHiME-4 3,91 gegenüber 3,72; bei Libri2Mix 4,03 gegenüber 3,87; bei VCTKSR 4,05 gegenüber 3,93. Flash gewinnt außerdem die Spalte für Erkennungsfehler bei zwei dieser vier Sets, mit einem CHiME-4-WER von 7,84 gegenüber 7,98 und einem VCTKSR-WER von 2,92 gegenüber 3,06. Die von Menschen bewertete Natürlichkeit ist die eine Achse, bei der der Schüler durchweg vorn liegt, und der Bericht stellt dies ausdrücklich fest: Das vollständige Modell bietet eine stärkere sprachliche Genauigkeit und Bearbeitungstreue, während Flash „oft eine bessere wahrgenommene Qualität bietet“.

Die Erfolge beschränken sich nicht auf die Sprachverbesserung. Bei der Edit-Ratio-Metrik von MMAE-Speech — also ob eine Bearbeitung die beabsichtigte Größenordnung erreicht — erzielt Flash 13,85 gegenüber AuKs 12,44. In der paralinguistischen Spalte von SpeechEditBench sind es 39,25 zu 38,50. Bei der englischen Beschreibungs-zu-Sprache-Aufgabe von InstructTTSEval sind es 82,40 gegenüber 81,60, womit es die beste Baseline in dieser Zeile einholt. Bei der akustischen Bearbeitung in der Ming-Freeform-Suite verzeichnet Flash die höchste Sprecherähnlichkeit der Familie: 0,79 im Chinesischen und 0,75 im Englischen, gegenüber 0,78 und 0,74 für das Basismodell. Die Erhaltung der Sprecheridentität ist also eines der Dinge, die einem vier Schritte verschaffen — die Zusammenfassung des Berichts selbst besagt, dass das vollständige Modell eine niedrigere durchschnittliche Erkennungsfehlerrate aufweist, während Flash die Sprecheridentität besser bewahrt. Wenn Sie Stimmkonvertierung, Synchronisation oder Verbesserungsarbeiten durchführen, bei denen es mehr auf die Klangfarbe ankommt als auf den Worterkennungsfehler, ist das Schülermodell das bessere Modell.

Wo sich die 32 Schritte immer noch bezahlt machen

Die Vorteile des Basismodells konzentrieren sich genau an der Stelle, die man von einem Diffusionsmodell mit größerem Sampling-Budget erwarten würde: überall dort, wo die Ausgabe sprachlich korrekt sein muss.

Bei Seed-TTS-Eval beträgt AuKs durchschnittliche WER 2,65 gegenüber 2,85 von Flash, mit einer Sprecherähnlichkeit von 0,795 gegenüber 0,790. Die Streuung innerhalb dieses Durchschnitts ist aussagekräftiger als der Durchschnitt selbst. Beide sind beim englischen Testsatz praktisch gleichauf – 1,02 und 1,03 – und unterscheiden sich beim Chinesischen, 1,02 gegenüber 1,10, und erneut bei der schwierigen chinesischen Teilmenge, 5,91 gegenüber 6,43. Beim Chinesischen zahlen sich die zusätzlichen Schritte aus.

Dasselbe Muster zeigt sich auch beim Befolgen von Anweisungen. Bei InstructTTSEvals chinesischer Text-zu-Sprache-Aufgabe ist die Kluft groß: 83,37 für AuK gegenüber 78,80 für Flash, und der Bericht stellt fest, dass das Basismodell bei allen drei chinesischen Metriken dieser Suite führt, während Flashs „Hauptvorteil sein stärkeres englisches DSD-Ergebnis ist“. Sprache, nicht Architektur, ist die Trennlinie.

Die Bearbeitungstreue trennt sie am stärksten. Die Genauigkeit der Inhaltsbearbeitung von SpeechEditBench liegt für AuK bei 91,83 gegenüber 87,50 für Flash – die größte Einzellücke im Vergleich. Auch die akustische Bearbeitung ist fast so unausgewogen: 37,07 gegenüber 30,26. In der Ming-Freeform-Suite weist AuK fast überall, wo es darauf ankommt, eine niedrigere WER auf: 3,09 gegenüber 3,34 bei der vollständigen chinesischen Bearbeitung und eine deutlich größere Differenz von 3,96 gegenüber 4,84 bei der vollständigen englischen Bearbeitung. Wenn Ihr Produkt die Wörter in einer Aufnahme neu schreibt – Liedtext-Bearbeitungen, Inhaltsersetzung, Einfügung und Löschung –, dann ist das 32-Schritte-Modell dasjenige, das das Transkript akkurat hält, und der 8-fache Schrittunterschied ist den Preis wert.

Beide Modelle sind laut den eigenen Zahlen des Berichts auch weiterhin schwach bei der emotionalen Bearbeitung: Die Emotionsgenauigkeit von SpeechEditBench beträgt 9.94 für AuK und 6.29 für Flash. Das ist kein Destillationsartefakt. Es ist eine Aufgabenfamilie, die niemand gelöst hat, und das Studentenmodell zu wählen wird dich darin nicht schlechter machen, als du es ohnehin schon bist.

Die 4,5× ist eine Sampler-Nummer, keine Ende-zu-Ende-Nummer.

Hier ist die Rechnung, die die Schlagzeilen-Beschleunigung verbirgt, und sie ist das mit Abstand Nützlichste, was man verstehen sollte, bevor man eine Architektur auf Flash festlegt.

AuK-Flash führt 4 Abtastschritte aus, während AuK 32 ausführt. Das sind 8× weniger Schritte. Der Anbieter berichtet eine 4,5× schnellere Wanduhrzeit. Der Unterschied zwischen diesen beiden Zahlen ist alles rund um die Abtastschleife, und er wird vom Encoder dominiert: einem multimodalen Modell Qwen2.5-Omni-3B, das beide Checkpoints laden und beide bei jeder Anfrage ausführen müssen. Dieser Encoder ist ungefähr doppelt so groß wie das Diffusions-Backbone, und seine Kosten sind fest. Flash kann ihn nicht beschleunigen, weil Flash nicht Teil davon ist.

Die ehrliche Version dieser Behauptung lautet also: 4,5× erreicht man im Diffusionsteil unter gleichen Bedingungen, und Ihr End-to-End-Gewinn entspricht genau dem Anteil Ihrer tatsächlichen Laufzeit, den die Sampling-Schleife wirklich beansprucht. Wenn Sie Langform-Generierung ausführen, bei der 32 Schritte über viele latente Frames dominieren, landen Sie nahe an der veröffentlichten Zahl. Besteht Ihre Arbeitslast aus kurzen Clips mit umfangreicher Instruktionsvorverarbeitung oder bündeln Sie kleine Anfragen, entfällt ein größerer Teil jedes Aufrufs auf den gemeinsamen Encoder, und Ihre tatsächliche Beschleunigung fällt deutlich geringer aus als 4,5×. Messen Sie Ihre eigene Mischung, bevor Sie ein Latenzbudget davon abhängig machen. Niemand hat diese End-to-End-Zahl bisher veröffentlicht – auch der Anbieter nicht, der überhaupt keine absoluten Latenzwerte oder VRAM-Anforderungen angibt.

Was die Destillation kostet, in den eigenen Worten der Autoren

Der technische Bericht ist ungewöhnlich offen darüber, wo der Schüler versagt, und diese Fehlermodi sind für einen Anwender nützlicher als die Benchmark-Tabelle.

Die Teacher-Guidance-Targets erwiesen sich als das Problem. Die Verwendung von CFG-Targets im Konsistenz-Zweig „kann den Few-Step-Studenten übersättigten Vorhersagen aussetzen“, was laut den Autoren zu Überschwingern und hörbarem Clipping führt. Daneben verschlechtert ein einheitlicher Decoupled-DMD-Zeitplan die Mehrsprecher- und Gesangstrennung, wobei einige Studentenausgaben in Richtung des unverarbeiteten Mischsignals zurückfallen – die Destillation löscht die Trennung, die das Modell durchführen sollte. Task-routed DMD ist die beschriebene Lösung, und genau deshalb grenzt der Bericht diese besondere Schwäche sorgfältig auf die einheitliche Variante ein. Wenn Sprachtrennung ein Kernbestandteil Ihrer Pipeline ist, ist dies der Absatz, anhand dessen Sie testen sollten, bevor Sie ihr vertrauen.

Zwei weitere Einschränkungen sind eher betrieblicher als statistischer Natur. Der Prompt Enhancer der Pipeline bildet umgangssprachliche Formulierungen zu Geschwindigkeit, Lautstärke und Tonhöhe auf einen festen Satz unterstützter Werte ab und lehnt alles, was er nicht abbilden kann, vor der Ausführung der akustischen Inferenz ab — sodass nicht unterstützte Anforderungen frühzeitig scheitern, anstatt sich kontrolliert zu verschlechtern. Und das Repository akzeptiert als Encoder-Pfad nur Qwen/Qwen2.5-Omni-3B; die README-Datei gibt an, dass Qwen3-Omni derzeit nicht unterstützt wird, daher ist ein neuerer Encoder kein Drop-in-Upgrade. Die ComfyUI-Integration sieht eine 30-Sekunden-Obergrenze für Quell- und Zielsequenzen vor.

Beides auszuführen ist die vorgesehene Konfiguration.

{{1}}Das eigene Multi-GPU-Beispiel des Repositorys setzt AuK auf ein Gerät und AuK-Flash auf ein anderes — cuda:0 und cuda:1 — ein deutliches Signal, dass Tencent erwartet, dass diese nebeneinander existieren statt konkurrieren. Es ist auch die richtige Antwort für die meisten Produktions-Sprach-Stacks, da die beiden Modelle in getrennten Bereichen stark sind.{{/1}} {{2}}Leiten Sie bearbeitungsintensive und chinesischsprachige Anfragen an AuK; leiten Sie Verbesserung, Trennung, englische Anweisungsbefolgung und alles Interaktive an AuK-Flash.{{/2}} {{3}}Beide laden denselben Encoder und dieselbe VAE, sodass Sie für diese gemeinsame Laufzeit nur einmal zahlen und dahinter zwischen den Checkpoints wechseln können.{{/3}}

Das ist eine Routing-Entscheidung auf der Modellebene, und sie hat dieselbe Form wie diejenige, die OrcaRouter auf der API-Ebene für gehostete Modelle anwendet. Wo die beiden heute aufeinandertreffen, ist die Nahtstelle in AuKs eigener Pipeline: Der Prompt Enhancer benötigt einen OpenAI-kompatiblen Chat-Endpunkt, um eine grobe Anweisung in das vom Modell unterstützte Vokabular zu übersetzen, und der optionale ASR-Fallback benötigt einen Transkriptionspfad. Richtet man eine der beiden Komponenten auf einen OpenAI-kompatiblen Chat-Endpunkt, erhält man einen Schlüssel für über 200 Modelle, den Listenpreis des Anbieters mit 0 % Aufschlag und automatisches Failover, falls ein Backend ausfällt – was genau deshalb wichtig ist, weil dies eine erst zwei Tage alte Veröffentlichung ohne gehostete API und ohne unabhängige Reproduktion ist und man nicht möchte, dass eine unerprobte Abhängigkeit auf einem hartkodierten Endpunkt sitzt.

Machen Sie jedoch deutlich, was nicht verfügbar ist. Weder AuK noch AuK-Flash werden von einem gehosteten Inferenzanbieter bereitgestellt – die Hugging-Face-Karten sagen dies direkt – und keiner ist derzeit über OrcaRouter routbar. Dies ist eine durchgängige Entscheidung für Self-Hosting.

Was ist noch unbekannt

Fast alles an dieser Veröffentlichung ist vom Anbieter gemeldet. Die 4,5-fache Beschleunigung, die WER-Zahlen, die SpeechEditBench-Spalten und die UTMOS-Zeilen stammen alle aus dem technischen Bericht des AuK-Teams, arXiv 2609.08936, eingereicht am 8. September — es gibt keine unabhängige Reproduktion, keinen Drittanbieter-Leaderboard-Eintrag und kein neutrales Testergebnis. Das Signal für die Nutzung ist ebenso schwach: Stand 10. September zeigen die beiden Hugging-Face-Repositories 30 Downloads im letzten Monat und jeweils etwa zwei Dutzend Likes, während das GitHub-Repository 217 Sterne, 12 Forks und drei Mitwirkende aufweist. Das ist ein Forschungs-Release, kein Hype.

img src="4.png" alt="Screenshot des README des GitHub-Repositorys von Tencent-Hunyuan AuK, das die Open-Source-Ankündigung vom 9. September 2026 und die Tabelle der Varianten AuK und AuK-Flash zeigt"> p>Die Veröffentlichung selbst war auf eine Weise unauffällig, die man klar benennen sollte, denn es ist leicht, zu viel hineinzulesen. Es gab keine Hunyuan-Ankündigung, keinen Blogbeitrag, keine Preisseite und kein Launch-Event. Die einzige datierte Aussage des Anbieters ist eine einzelne Zeile im README des Repositorys — [2026/09/09] Wir veröffentlichen AuK als Open Source. Die Metadaten des Hugging-Face-Repositorys zeigen, dass die Spaces bereits Mitte August angelegt wurden und die Gewichte zuletzt am 9. und 10. September angefasst wurden; das Verpacken erfolgte also vor der Ankündigung. Was sich dem Repository entnehmen lässt: MIT-lizenzierte Gewichte für beide Varianten, ein technischer Bericht, funktionierende Download-Anweisungen für Hugging Face und ModelScope sowie eine dokumentierte Aufgabenliste. Was nicht bestätigt ist: ob irgendeine der berichteten Zahlen einen unabhängigen Prüfstand übersteht, ob ein gehosteter Endpunkt erscheinen wird und ob der Flash-Checkpoint die empfohlene Standardoption bleibt, sobald andere Leute ihn ausgeführt haben.

Welches soll man wählen?

Wenn Sie Inhalte erstellen, Songtexte bearbeiten oder chinesischsprachige Sprachausgabe in irgendeiner Form bereitstellen, nehmen Sie AuK und akzeptieren Sie die 32 Schritte. Seine Vorteile dort sind groß, konsistent über zwei unabhängige Bearbeitungssuiten hinweg und genau die Art von Korrektheitsfehler – ein falsches Wort im Transkript –, die Benutzer sofort bemerken.

Wenn Sie Verbesserung, Trennung, Stimmkonvertierung oder irgendetwas mit einem wartenden Menschen am Ausgang entwickeln, nehmen Sie AuK-Flash. Es ist mit großem Abstand schneller in der Abtastschleife, es gewinnt die Wahrnehmungsqualitäts-Werte klar für sich, und es erhält die Sprecheridentität besser als das Modell, von dem es destilliert wurde. Die Qualitätslücke, die es gibt, konzentriert sich auf Aufgaben, die Sie wahrscheinlich gar nicht ausführen.

Wenn Sie ein Sprachprodukt entwickeln, das beides abdeckt, führen Sie beides aus. Gleiche Festplatte, gleicher Encoder, gleiche Lizenz, ein Konfigurationsunterschied – und das Bereitstellungsmuster, das das Repository bereits demonstriert. Das Einzige, worauf es sich zu warten lohnt, ist Ihre eigene Ende-zu-Ende-Latenzmessung: Der Faktor 4,5× ist real, aber er gehört zum Sampler, und nur Ihre Workload-Mischung sagt Ihnen, wie viel davon bei Ihren Nutzern ankommt.