AuK-Flash y AuK: Tencent lanzó en silencio un modelo de voz abierto que genera, edita y separa audio.

Tencent publicó esta semana dos de los modelos de voz abiertos más importantes de 2026 y no se lo contó a casi nadie. Alrededor del 7 de septiembre, la organización de Tencent en Hugging Face hizo públicos AuK — «un modelo fundacional de 1.5B para generación y edición de voz», según las palabras de su propia ficha de modelo — y AuK-Flash, la variante destilada de cuatro pasos del mismo modelo, ambos bajo licencia MIT. No hay ninguna entrada de blog de Tencent, ningún anuncio en redes sociales ni ninguna nota de prensa vinculada a ninguno de los dos repositorios; entre ambos se han descargado unas pocas docenas de veces, el repositorio de código al que enlazan las fichas no es accesible, y no existe ningún benchmark independiente en todo el web indexado. Este artículo expone lo que realmente se puede saber a partir de los dos repositorios, los archivos de configuración y la propia página del proyecto de Tencent — y lo que aún no está verificado.

La afirmación merece tomarse en serio incluso sin cifras independientes, porque el alcance es inusual. AuK no es otro modelo de clonación de voz. A través de una única interfaz de instrucciones en lenguaje natural, promete conversión de texto a voz zero-shot y basada en instrucciones, edición que llega a lo que se dice, cómo se dice y los sonidos no verbales que lo rodean, además de mejora del habla, separación del habla y separación de música. Históricamente, el campo ha construido un modelo especializado distinto para cada una de esas tareas. La apuesta de Tencent, en un único backbone generativo, es que un solo modelo puede hacerlas todas — y que AuK-Flash puede hacerlo con la rapidez suficiente para un uso casi en tiempo real.

Dos puntos de control, un lanzamiento

Las marcas de tiempo de la API de Hugging Face cuentan la historia de un repositorio que permaneció privado antes de su lanzamiento. El repositorio base tencent/AuK se creó el 18 de agosto de 2026, y tencent/AuK-Flash el 21 de agosto; ambos se modificaron por última vez el 8 de septiembre, y la tarjeta del modelo incluye una entrada de noticias fechada el 7 de septiembre — «[2026/09/07] AuK ya es de código abierto. El código y los pesos del modelo están disponibles públicamente». La lectura natural es que Tencent construyó los repositorios a mediados o finales de agosto, los hizo públicos alrededor del 7 de septiembre y volvió a tocar la tarjeta el 8 de septiembre. No aparece nada sobre el modelo en ningún lugar de la web indexada, y los contadores de descargas se sitúan en las decenas — así que «lanzamiento silencioso» no es una elección retórica, es la situación literal.

Los dos checkpoints son la misma arquitectura en distintos momentos de su vida. AuK es el profesor: un modelo base orientado a la generación de alta calidad. AuK-Flash es el alumno: destilado para una inferencia rápida en cuatro pasos, que es lo que lo convierte en el objetivo de despliegue más interesante y la razón por la que encabeza el título aquí. En la página del proyecto de Tencent, la familia de modelos se presenta con aproximadamente 1.500 millones de parámetros, entrenada con lo que la ficha describe únicamente como «millones de horas de diversos datos de audio» y que la página del proyecto precisa como unas 1,95 millones de horas de supervisión efectiva a lo largo de aproximadamente 3.030 millones de instancias de instrucción-audio. La página del proyecto también lleva las marcas de la Universidad Jiao Tong de Shanghái y de Tencent Hunyuan, lo que sitúa a AuK dentro de la línea de investigación de modelos abiertos de Tencent Hunyuan y no en una familia de productos comerciales. El entrenamiento no es lo único que ocurre después del preentrenamiento: Tencent describe una etapa de postentrenamiento que combina la optimización de preferencias mediante retroalimentación humana para la edición de final abierto con el aprendizaje por refuerzo basado en recompensas para la generación de voz.

La tabla de variantes en la tarjeta no deja lugar a dudas sobre cuál es cuál: AuK es «el modelo base para generación de alta calidad» y AuK-Flash es «el modelo destilado para inferencia rápida en 4 pasos». Ambos se pueden descargar desde Hugging Face y desde ModelScope bajo el espacio de nombres Tencent-Hunyuan, y ambos llevan la licencia MIT, una de las licencias más permisivas que puede tener un lanzamiento de pesos abiertos, lo cual es importante para cualquiera que quiera construir un producto sobre ellos.

Lo que realmente hace un modelo basado en instrucciones

La interfaz de AuK es un único cuadro de instrucciones: le das al modelo una instrucción en lenguaje natural y, cuando la tarea lo requiere, una referencia de audio, y este devuelve audio. Agrupadas según la taxonomía propia de la tarjeta, las cinco familias de tareas son:

• Generación de voz: TTS zero-shot que clona una voz a partir de un clip de referencia, y "instruct TTS" que sintetiza voz a partir de una descripción de la voz ("una voz femenina cálida, un poco más lenta"), sin necesidad de audio de referencia alguno.

• Edición de contenido — reescribir lo que se dice: reemplazar, insertar o eliminar palabras en una grabación existente, y edición de letras que reescribe las palabras de un clip de canto manteniendo la melodía y la voz del cantante.

• Edición acústica — tono en semitonos, velocidad de habla y volumen en decibelios, cada uno ajustable en un clip existente mientras se conservan la identidad y el contenido.

• Edición paralingüística: emoción, timbre (en una descripción), desacentuación, adición o eliminación de sonidos no verbales como respiraciones, risas y tos, y conversión entre habla normal y susurro.

• Mejora y separación — mejora del habla (eliminación de ruido y desreverberación), separación del habla por turnos de palabra, separación musical que extrae la voz cantada de una mezcla y extracción del hablante objetivo identificada por lo que dice el hablante.

Esa lista es el auténtico factor diferenciador. Los sistemas de voz abiertos más capaces de 2026 destacan en una o dos de estas capacidades —la clonación de voz y la TTS son el área más concurrida— y son débiles o inexistentes en el resto. La apuesta de AuK es la amplitud: los mismos pesos, el mismo formato de instrucción, para generación, edición y separación, que es el tipo de alcance que normalmente solo se distribuye como una colección de modelos especialistas afinados.

Cómo se construye

La lectura de los repositorios y de la página del proyecto en conjunto ofrece una imagen de arquitectura coherente. AuK no es un modelo de lenguaje de audio autorregresivo del tipo que lee texto y emite tokens. Es un sistema de difusión de flow-matching, siguiendo el molde de los modelos de imagen, con tres partes:

• Un modelo de lenguaje multimodal de gran tamaño — Qwen/Qwen2.5-Omni-3B, descargado por separado — lee la instrucción y cualquier audio de referencia, y produce el condicionamiento semántico.

• Un VAE de audio entrenado conjuntamente en voz, audio general y música codifica y decodifica a 24 kHz a través de latentes acústicos de 50 Hz; la configuración del repositorio lo identifica como un BigVGANFlowVAE con una dimensión latente de 64 y un submuestreo de 480 veces, y lo distribuye como un archivo vae.safetensors independiente.

El núcleo generativo es un Transformer híbrido de flujo rectificado: bloques MMDiT de doble flujo que mantienen separado el condicionamiento de texto y audio, seguidos de bloques DiT unificados de flujo único que los mezclan, entrenados con un objetivo de emparejamiento de flujo. La configuración publicada muestra un modelo con un ancho de 1536, 24 cabezas, 10 capas de doble flujo y 20 capas de flujo único.

AuK-Flash es ese mismo transformador después de la destilación. Tencent describe un proceso de dos etapas — inicialización de consistencia a nivel de trayectoria, seguida de un objetivo DMD «desacoplado del enrutamiento de tareas» — rematado con supervisión de regresión de predicción limpia. El resultado, según la página del proyecto, es una calidad de generación casi igual a la del maestro en cuatro pasos de muestreo, sin guía libre de clasificador en la inferencia, con una aceleración de aproximadamente 4,5× en tiempo de reloj frente al modelo completo en condiciones equivalentes. Esas son afirmaciones del proveedor, no reproducidas, pero son la razón concreta por la que AuK-Flash es la variante a la que recurriría un desarrollador.

Lo que Tencent afirma, y lo que un lector puede comprobar.

La página del proyecto hace afirmaciones cualitativas contundentes: AuK es «líder» en generación y edición, y «competitivo» en tareas de restauración a nivel de señal como mejora y separación; y enumera los conjuntos de referencia que respaldan esas afirmaciones: Seed-TTS-Eval e InstructTTSEval para generación, MMAE-Speech, SpeechEditBench y Ming-Freeform-Audio-Edit para edición, DNSMOS y UTMOS para calidad perceptiva, y DNS Challenge, CHiME-4 y Libri2Mix para mejora y separación. No se publican puntuaciones numéricas en la página, no hay ningún artículo académico detrás, y ningún tercero ha reproducido nada de eso. Cada una de esas afirmaciones proviene del proveedor y debe interpretarse así hasta que exista una ejecución independiente.

Otras dos afirmaciones deben señalarse porque no superaron una verificación directa el 9 de septiembre de 2026. Primero, la tarjeta dice que el código está disponible públicamente y enlaza a github.com/Tencent-Hunyuan/AuK para instrucciones de instalación, Gradio, ComfyUI y ajuste fino; sin embargo, ese repositorio devuelve un HTTP 404 al momento de escribir esto, y no se encuentra entre los repositorios públicos de la organización Tencent-Hunyuan. Es posible que el código aún se esté implementando; en cualquier caso, «el código está disponible» es actualmente la afirmación de la tarjeta, no algo sobre lo que el lector pueda actuar. Segundo, la tarjeta señala Spaces de demostración en Hugging Face y ModelScope: el estudio de ModelScope responde, pero el Space de Hugging Face devolvió un muro de autorización al ser verificado, por lo que las demostraciones son, en el mejor de los casos, parcialmente públicas.

Qué hay aquí, qué falta

Hacer balance el 9 de septiembre de 2026 separa un lanzamiento real de uno completo.

• Actualmente — dos conjuntos de pesos descargables bajo licencia MIT: tencent/AuK para el modelo base y tencent/AuK-Flash para la variante destilada de cuatro pasos, cada uno de aproximadamente 6,1 GB para el transformador de difusión, además de un VAE incluido, alojados en Hugging Face y ModelScope.

• Present — una superficie de tareas inusualmente amplia bajo una única interfaz de instrucción: generación, edición de contenido y edición acústica y paralingüística, mejora y separación, todo en una sola familia de modelos.

• Presente — una historia concreta de "rápido": AuK-Flash se destila en cuatro pasos sin guía libre de clasificador, con una aceleración de 4.5× en tiempo transcurrido afirmada por el proveedor.

• Falta — un anuncio. Ninguna publicación de blog de Tencent, publicación en redes sociales, comunicado de prensa o publicación del canal de Hunyuan apunta todavía a ninguno de los repositorios.

• Falta: un artículo o informe técnico. El bloque de citas en la página del proyecto es un marcador de posición sin autores ni identificador de arXiv, y no hay cifras publicadas que respalden las afirmaciones del benchmark.

• Falta — código accesible. El repositorio de GitHub y el Cookbook a los que enlaza la tarjeta devuelven un 404 según la comprobación de estado, por lo que hoy el único artefacto ejecutable son los pesos y lo que la comunidad construya en torno a ellos.

• Falta — servicio y evaluación independiente. Ningún proveedor de inferencia aloja AuK, no existe una API alojada y, con solo unas decenas de descargas, nadie ha publicado todavía una reproducción.

¿Ejecutando AuK-Flash hoy, o esperando?

Si quieres ejecutar AuK-Flash tú mismo, la ruta de descarga es explícita aunque el código no lo sea: haz pull de tencent/AuK-Flash y tencent/AuK (la base es opcional a menos que quieras el teacher), y también haz pull de Qwen/Qwen2.5-Omni-3B, porque el checkpoint contiene solo los pesos del diffusion-transformer y de la fusión de capas — el codificador multimodal y el VAE se cargan desde archivos separados en tiempo de ejecución, y la ficha del modelo indica que es normal que falten claves de text_encoder durante la carga. El hardware es la verdadera limitación. Se trata de un diffusion transformer de ~1.5B cuyo checkpoint solo ocupa ~6.1 GB, que se ejecuta junto con un codificador multimodal de ~3B y un VAE, así que una GPU de 24 GB es el punto de partida razonable, no un modelo para portátil; las notas de memoria de la configuración, que mencionan que el gradient checkpointing reduce los picos de entrenamiento de aproximadamente 91 GB a 75 GB, se refieren al entrenamiento y no deben leerse como requisitos de inferencia. En cuanto al software, la configuración usa por defecto el backend flash-attention, pero la CLI de inferencia puede recurrir a un backend de atención torch simple, lo que elimina el paso de compilación de flash-attn en la primera ejecución.

Si merece la pena hacerlo hoy depende de lo que estés construyendo. El estado real de la cuestión es que este es un modelo para observar y probar en un entorno aislado, no uno para conectar aún a un pipeline de producción — sin artículo, sin código accesible y sin evaluación independiente, las afirmaciones sobre sus capacidades descansan enteramente en la palabra de Tencent. Para un equipo que quiera generación, edición o separación de voz detrás de una API hoy, un modelo que realmente se sirve es la opción pragmática, que es precisamente el papel que desempeña OrcaRouter entre los modelos que sí tienen endpoints: una API para más de 200 modelos con los precios de lista de los proveedores transmitidos sin margen adicional, de modo que el precio del proveedor es tu precio desde el primer día, y con conmutación automática por error para que un recién llegado no probado pueda ensayarse con una parte del tráfico real sin apostar el pipeline entero a él. Nada de eso aplica aún a AuK o AuK-Flash, porque nada los sirve. En el momento en que un proveedor aloje AuK, la economía del router se convierte en la forma barata de evaluarlo; hasta entonces, la opción es autoalojar los pesos o esperar.

Preguntas frecuentes

¿Están AuK o AuK-Flash disponibles a través de una API?

No. Ambos son lanzamientos que solo incluyen los pesos. Ningún proveedor de inferencia los aloja y no existe una API alojada, por lo que hoy no hay nada a lo que llamar — la única forma de usarlos es descargar los pesos y ejecutarlos por tu cuenta.

¿Cuál es la diferencia entre AuK y AuK-Flash?

La misma familia de modelos en dos etapas. AuK es el modelo base, orientado a la generación de alta calidad; AuK-Flash es su variante destilada, ajustada para una inferencia rápida de cuatro pasos sin guía libre de clasificador, que Tencent afirma que se ejecuta aproximadamente 4,5× más rápido que el modelo base en condiciones equivalentes. Esa cifra de aceleración proviene del proveedor y no ha sido medida de forma independiente.

¿Se puede usar AuK-Flash comercialmente?

Los pesos se publican bajo la licencia MIT, que permite el uso comercial con la conservación del aviso de licencia: la licencia de pesos abiertos común menos restrictiva. El repositorio de código separado al que enlaza la tarjeta no es accesible al 9 de septiembre de 2026, por lo que la respuesta práctica para la reutilización del código sigue abierta hasta que aparezca.

Qué ver

• El repositorio de código — github.com/Tencent-Hunyuan/AuK — es el artefacto faltante de mayor valor. Cuando aparezca, las plantillas de instrucciones del Cookbook convierten la lista de tareas anterior de marketing en algo ejecutable.

• Una ejecución independiente — la primera reproducción por terceros resolverá si las afirmaciones "líderes" de generación y edición sobreviven al contacto con el audio real, y si AuK-Flash de cuatro pasos realmente se acerca al modelo base.

• Un artículo: la cita de la página del proyecto es un marcador de posición, lo que normalmente significa que se acerca un envío a arXiv; la receta de entrenamiento, los números de referencia y el detalle de la destilación se encuentran todos ahí.

• Un listado de inferencia: el primer proveedor de inferencia en alojar AuK lo convierte de un directorio de pesos en un modelo invocable con un precio, que es cuando se puede probar a través de un enrutador en lugar de un proyecto de autoalojamiento.

AuK y AuK-Flash son reales pero están inacabados, como suelen estarlo los lanzamientos abiertos más interesantes: los pesos son honestos, y la historia que los rodea aún no se ha escrito. Marca tencent/AuK-Flash en favoritos, trata toda afirmación sobre capacidades como algo reportado por el proveedor hasta que aparezca un artículo o un benchmark independiente, y comprueba si los próximos días traen el código que convertiría esto de un artefacto prometedor en algo construible.