AuK-Flash ו-AuK: Tencent שחררה בשקט מודל דיבור פתוח שיוצר, עורך ומפריד אודיו
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2455אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.70 / $1.60 לכל 1M טוקנים · 193 tok/s
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 14 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 148 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 1062 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 159 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1906 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 48 tok/s
טנסנט שחררה השבוע שניים ממודלי הדיבור הפתוחים המשמעותיים ביותר של 2026 — וכמעט לא סיפרה לאיש. בסביבות 7 בספטמבר, ארגון Tencent ב-Hugging Face פרסם את AuK — "מודל יסוד של 1.5B ליצירת עריכה של דיבור", בלשון כרטיס המודל שלו — ואת AuK-Flash, גרסת הזיקוק בארבעה שלבים של אותו מודל, שניהם תחת רישיון MIT. אין פוסט בבלוג של Tencent, אין הודעה ברשתות החברתיות ואין הודעה לעיתונות המצורפת לאף אחד מהמאגרים; בין שניהם הם הורדו כמה עשרות פעמים, מאגר הקוד שכרטיסי המודל מקשרים אליו אינו נגיש, ואף אמת מידה עצמאית אינה קיימת בשום מקום באינדקס של הרשת. מאמר זה מפרט מה ניתן לדעת בפועל משני המאגרים, מקבצי התצורה ומעמוד הפרויקט של Tencent עצמו — ומה עדיין אינו מאומת.
הטענה ראויה להילקח ברצינות גם ללא נתונים בלתי תלויים, משום שההיקף חריג. AuK אינו עוד מודל לשכפול קול. דרך ממשק הוראות יחיד בשפה טבעית הוא מבטיח המרת טקסט לדיבור מסוג zero-shot ומבוססת-הוראות, עריכה שנוגעת במה שנאמר, באופן שבו הוא נאמר ובצלילים הלא-מילוליים סביבו, וכן שיפור דיבור, הפרדת דיבור והפרדת מוזיקה. התחום בנה היסטורית מודל מומחה נפרד לכל אחת מהמשימות הללו. ההימור של Tencent הוא שבעמוד שדרה גנרטיבי אחד, מודל יחיד יכול לבצע את כולן — ושה-AuK-Flash יכול לעשות זאת במהירות מספיקה לשימוש כמעט בזמן אמת.
שתי נקודות בקרה, שחרור אחד
חותמות הזמן של ה-API של Hugging Face מספרות סיפור על מאגר שהיה פרטי לפני שהושק. מאגר הבסיס tencent/AuK נוצר ב-18 באוגוסט 2026, ו-tencent/AuK-Flash ב-21 באוגוסט; שניהם עודכנו לאחרונה ב-8 בספטמבר, וכרטיס המודל נושא רשומת חדשות מיום 7 בספטמבר — "[2026/09/07] AuK הוא כעת קוד פתוח. הקוד ומשקלי המודל זמינים לציבור." הקריאה הטבעית היא ש-Tencent בנתה את המאגרים מאמצע עד סוף אוגוסט, הפכה אותם לציבוריים בסביבות 7 בספטמבר, וערכה את הכרטיס שוב ב-8 בספטמבר. שום דבר על המודל לא מופיע בשום מקום באינטרנט המאונדקס, ומוני ההורדות עומדים על עשרות בודדות — כך ש"שחרור שקט" אינו בחירה רטורית, אלא המצב כפשוטו.
![A screenshot of the Hugging Face repository page for tencent/AuK-Flash, showing the model name under the Tencent organization with the tags Text-to-Speech, Chinese, English, speech, zero-shot-tts, voice-cloning, speech-generation, speech-editing, speech-enhancement, source-separation, speech-separation, instruction-guided, diffusion, distillation and few-step-inference, License mit; the model card headed 'AuK-Flash: Fast 4-Step Speech Generation and Editing' with a news line dated [2026/09/07] reading 'AuK is now open-source. Code and model weights are publicly available. Try it on the Demo Space or the ModelScope Space'; a Contents list covering News, Introduction, Model Architecture, Supported Tasks, Download the weights, Citation and License; a right rail showing the base model tencent/AuK in the model tree and an Inference Providers panel; and the Introduction opening 'AuK is a 1.5B foundation model for speech generation and editing. Trained on millions of hours of diverse audio data, AuK supports zero-shot and instruction-based TTS.'](https://cms.orcarouter.ai/api/media/file/2-723.png)
שתי נקודות הבידוק (checkpoints) הן אותה ארכיטקטורה בשלבים שונים בחייה. AuK הוא המורה: מודל בסיס שמכוון ליצירה באיכות גבוהה. AuK-Flash הוא התלמיד: מזוקק לשם הסקה מהירה בארבעה שלבים — וזה מה שהופך אותו ליעד הפריסה המעניין יותר, וזו הסיבה שהוא מוביל את הכותרת כאן. בעמוד הפרויקט של Tencent מוצגת משפחת המודלים כבעלת כ-1.5 מיליארד פרמטרים, שאומנה על מה שהכרטיס מתאר רק כ"מיליוני שעות של נתוני אודיו מגוונים", ושעמוד הפרויקט מפרט ככ-1.95 מיליון שעות של פיקוח אפקטיבי על פני כ-3.03 מיליארד דגימות הוראה–אודיו. עמוד הפרויקט נושא גם את סימניה של אוניברסיטת שנגחאי ג'יאו טונג ושל Tencent Hunyuan, מה שממקם את AuK בתוך קו המחקר של מודלים פתוחים של Tencent Hunyuan, ולא בתוך משפחת מוצרים מסחרית. האימון אינו הדבר היחיד שהתרחש לאחר האימון המקדים: Tencent מתארת שלב אימון-המשך (post-training) המשלב אופטימיזציית העדפות משוב-אנושי לעריכה פתוחה עם למידת חיזוק מבוססת-תגמול ליצירת דיבור.
טבלת הגרסאות בכרטיס היא חד-משמעית באשר להבחנה בין הדגמים: {{1}}AuK הוא "הדגם הבסיסי לייצור באיכות גבוהה,"{{/1}} {{2}}ואילו AuK-Flash הוא "הדגם המזוקק להסקה מהירה ב-4 צעדים."{{/2}} {{3}}שניהם זמינים להורדה מ-Hugging Face ומ-ModelScope תחת מרחב השמות Tencent-Hunyuan, ושניהם נושאים את רישיון MIT{{/3}} {{4}}— מהרישיונות המתירים ביותר ששחרור משקלים פתוח יכול לשאת, דבר שחשוב לכל מי שמעוניין לבנות מוצר על בסיסם.{{/4}}
מה עושה למעשה מודל אחד מונחה-הוראות
הממשק של AuK הוא תיבת הנחיה אחת: אתה נותן למודל הוראה בשפה טבעית, ובמקום שבו משימה דורשת זאת, גם אודיו ייחוס, והוא מחזיר אודיו. מקובצות לפי הטקסונומיה של הכרטיס עצמו, חמש משפחות המשימות הן:
• יצירת דיבור — TTS מסוג zero-shot המשכפל קול מקטע שמע התייחסות, ו-"instruct TTS" שמפיק דיבור מתיאור קול בלבד ("קול נשי חם, מעט איטי יותר"), ללא כל שמע התייחסות.
{{1}}עריכת תוכן — שכתוב של מה שנאמר: החלפה, הוספה או הסרה של מילים בהקלטה קיימת, ועריכת מילות שיר{{/1}} שמשכתבת את המילים של קטע שירה {{2}}תוך שמירה על הלחן ועל קולו של הזמר{{/2}}{{3}}.{{/3}}
• עריכה אקוסטית — גובה צליל בחצאי טונים, קצב דיבור, ועוצמה בדציבלים, כל אחד מהם ניתן להתאמה על קליפ קיים תוך שמירה על הזהות והתוכן.
• עריכה פארה-לשונית — רגש, גוון קול (לתיאור), הסרת מבטא, הוספה או הסרה של צלילים לא-מילוליים כמו נשימות, צחוקים ושיעולים, והמרה בין דיבור רגיל ללחש.
• שיפור והפרדה — שיפור דיבור (הסרת רעש והסרת הדהוד), הפרדת דיבור לפי סדר הדיבור, הפרדת מוזיקה שמוציאה את קול השירה מתוך מיקס, וחילוץ דובר מטרה המזוהה לפי מה שהדובר אומר.
הרשימה הזו היא ההבדל האמיתי. מערכות הדיבור הפתוחות המסוגלות ביותר ב-2026 חזקות באחד או שניים מהדברים האלה — שיבוט קול ו-TTS הם הפינה הצפופה — וחלשות או נעדרות בכל היתר. ההימור של AuK הוא על רוחב: אותם משקלים, אותו פורמט הוראות, על פני יצירה, עריכה והפרדה — היקף שמסוג זה בדרך כלל מגיע רק כאוסף של מודלים מומחים מכווננים.
איך זה בנוי
קריאת המאגרים ודף הפרויקט יחד נותנת תמונה ארכיטקטונית עקבית. AuK אינו מודל שפה אודיו אוטורגרסיבי מהסוג שקורא טקסט ופולט טוקנים. זוהי מערכת דיפוזיה של התאמת זרימה בסגנון מודלי תמונה, עם שלושה חלקים:
• מודל שפה גדול רב-מודאלי — Qwen/Qwen2.5-Omni-3B, שמורד בנפרד — קורא את ההוראה וכל אודיו ייחוס ומייצר את ההתניה הסמנטית.
• VAE אודיו שאומן במשותף על דיבור, אודיו כללי ומוזיקה, מקודד ומפענח ב‑24kHz באמצעות לטנטים אקוסטיים של 50Hz; קובץ התצורה של המאגר מזהה אותו כ‑BigVGANFlowVAE עם ממד חבוי של 64 ודגימה מטה פי 480, ומספק אותו כקובץ נפרד בשם vae.safetensors.
הליבה הגנרטיבית היא טרנספורמר היברידי של זרימה מתוקנת: בלוקי MMDiT עם שני ערוצים שמפרידים בין תנאי טקסט לתנאי שמע, ואחריהם בלוקי DiT חד-ערוציים מאוחדים שמערבבים אותם, כשהמודל מאומן תחת יעד התאמת זרימה. התצורה שפורסמה מציגה מודל ברוחב 1,536 עם 24 ראשים, 10 שכבות דו-ערוציות ו-20 שכבות חד-ערוציות.
AuK-Flash הוא אותו טרנספורמר לאחר תהליך הזיקוק. Tencent מתארת תהליך דו-שלבי — אתחול עקביות ברמת מסלול, ולאחר מכן מטרת DMD "מנותקת מניתוב משימות" — שמסתיים בהשגחת רגרסיה של חיזוי נקי. לפי דף הפרויקט, התוצאה היא איכות יצירה קרובה לזו של מודל המורה בארבעה שלבי דגימה, ללא הדרכה נטולת מסווג בזמן ההסקה, ובהאצה של פי 4.5 בערך בזמן שעון-קיר לעומת המודל המלא בתנאים זהים. אלה טענות ספק שלא שוחזרו, אבל הן הסיבה הקונקרטית לכך ש-AuK-Flash הוא הגרסה שאליה בונה מערכת היה ניגש.
מה שטנסנט טוענת, ומה שהקורא יכול לבדוק
דף הפרויקט מציג טענות איכותיות נחרצות — AuK הוא "מוביל" ביצירה ובעריכה ו"תחרותי" במשימות שיקום ברמת האות, כמו שיפור והפרדה — ומפרט את ערכות המדדים שמאחוריהן: Seed-TTS-Eval ו-InstructTTSEval ליצירה, MMAE-Speech, SpeechEditBench ו-Ming-Freeform-Audio-Edit לעריכה, DNSMOS ו-UTMOS לאיכות תפיסתית, ו-DNS Challenge, CHiME-4 ו-Libri2Mix לשיפור והפרדה. בעמוד לא מפורסמים ציונים מספריים, אין מאמר שמאחוריו, ואף צד שלישי לא שחזר אף אחת מהן. כל אחת מהטענות הללו מדווחת על ידי הספק, ויש לקרוא אותה כך עד שתתקיים ריצה בלתי תלויה.
שתי טענות נוספות דורשות סימון משום שלא עמדו בבדיקה ישירה שנערכה ב־9 בספטמבר 2026. ראשית, הכרטיס אומר שהקוד זמין לציבור ומקשר ל־github.com/Tencent-Hunyuan/AuK לצורך הוראות התקנה, Gradio, ComfyUI וכוונון עדין — אך המאגר הזה מחזיר HTTP 404 נכון לעכשיו, ואינו נמנה עם המאגרים הציבוריים של ארגון Tencent-Hunyuan. ייתכן שהקוד פשוט עדיין בתהליך פרסום; כך או כך, "הקוד זמין" הוא כיום טענת הכרטיס, לא משהו שהקורא יכול לפעול על פיו. שנית, הכרטיס מצביע על Spaces להדגמה ב־Hugging Face וב־ModelScope: הסטודיו של ModelScope מגיב, אך ה־Space של Hugging Face הציג חומת הרשאות כשנבדק, כך שההדגמות, במקרה הטוב, חשופות לציבור רק בחלקן.
מה יש כאן, מה חסר
עריכת חשבון נכון ל-9 בספטמבר 2026 מפרידה בין שחרור אמיתי לשחרור מלא.
• זמינים כעת — שני סטים של משקולות להורדה תחת רישיון MIT: tencent/AuK עבור המודל הבסיסי ו-tencent/AuK-Flash עבור הגרסה המזוקקת בת ארבעת השלבים, כל אחד כ-6.1 GB עבור טרנספורמר הדיפוזיה בתוספת VAE מצורף, המשוקפים ב-Hugging Face וב-ModelScope.
• בהווה — משטח משימות רחב במידה יוצאת דופן תחת ממשק הנחיות אחד: יצירה, עריכה תוכנית, אקוסטית ופארה-לשונית, שיפור והפרדה — הכול במשפחת מודלים אחת.
• הציגו — סיפור “מהיר” קונקרטי: AuK-Flash מזוקק לארבעה שלבים, ללא הכוונה נטולת מסווג, עם האצה של פי 4.5 בזמן אמת (לטענת הספק).
• חסר — הכרזה. עדיין אין פוסט בבלוג של Tencent, פוסט במדיה חברתית, הודעה לעיתונות או פוסט בערוץ Hunyuan שמפנה לאף אחד מהמאגרים.
• חסר — מאמר או דוח טכני. בלוק הציטוט בעמוד הפרויקט הוא מציין מיקום ללא מחברים וללא מזהה arXiv, ואין מספרים שפורסמו מאחורי טענות ה-benchmark.
חסר — קוד זמין. מאגר GitHub וה-Cookbook שהכרטיס מקשר אליהם מחזירים 404 נכון לבדיקת המצב, כך שהיום הארטיפקט היחיד שניתן להריץ הוא המשקולות וכל מה שהקהילה מרכיבה סביבן.
• חסר — שירות והערכה עצמאית. אף ספק הסקה לא מארח את AuK, לא קיים API מתארח, ועם הורדות בכמות של עשרות בודדות, איש עוד לא פרסם שחזור.
מריץ AuK-Flash היום, או מחכה?
אם אתה רוצה להריץ את AuK-Flash בעצמך, נתיב ההורדה מפורש אף שהקוד לא: משוך את tencent/AuK-Flash ואת tencent/AuK (הבסיס אופציונלי אלא אם כן אתה רוצה את המודל המורה), ומשוך גם את Qwen/Qwen2.5-Omni-3B, משום שהצ'ק-פוינט מכיל רק את משקלי ה-diffusion-transformer וה-layer-fusion — המקודד המולטימודלי וה-VAE נטענים מקבצים נפרדים בזמן ריצה, וכרטיס המודל מציין שמפתחות text_encoder חסרים בזמן הטעינה הם צפויים. החומרה היא האילוץ האמיתי. מדובר בטרנספורמר דיפוזיה של כ-1.5B משקלים, שצ'ק-פוינט לבדו הוא כ-6.1GB, הפועל לצד מקודד מולטימודלי של כ-3B ו-VAE, ולכן GPU של 24GB הוא נקודת התחלה הגיונית ולא מודל למחשב נייד; הערות הזיכרון בקונפיג, שמזכירות ש-gradient checkpointing מוריד את שיאי האימון מכ-91GB לכ-75GB, מתייחסות לאימון ואין לקרוא אותן כדרישות הסקה. מבחינת תוכנה, ברירת המחדל של הקונפיג היא flash-attention, אבל ממשק שורת הפקודה להסקה יכול ליפול בחזרה למנוע attention רגיל של torch, מה שמוריד את שלב בניית flash-attn עבור ריצה ראשונה.
האם כדאי לעשות את זה היום תלוי במה שאתם בונים. אם להיות כנים, מדובר במודל שכדאי לעקוב אחריו ולבחון בארגז חול, ולא במודל שמחברים עדיין לצנרת ייצור — בהיעדר מאמר, קוד נגיש והערכה בלתי-תלויה, טענות היכולות נשענות כולן על המילה של Tencent. עבור צוות שרוצה היום יצירת דיבור, עריכה או הפרדה דרך API, מודל שזמין בפועל הוא הבחירה הפרגמטית, וזה בדיוק התפקיד ש-OrcaRouter ממלא עבור המודלים שכן יש להם נקודות קצה: API אחד ל-200+ מודלים; מחירי המחירון של הספקים מועברים ללא כל תוספת, כך שמחיר הספק הוא המחיר שלכם מהיום הראשון; ומעבר אוטומטי (failover), כך שאפשר לנסות שחקן חדש שטרם הוכיח את עצמו על נתח מתעבורה אמיתית, בלי לסכן בכך את כל הצנרת. אף אחד מהדברים האלה לא חל עדיין על AuK או על AuK-Flash, כי אין מי שמשרת אותם. ברגע שספק יארח את AuK, כלכלת הראוטר הופכת לדרך הזולה להעריך אותו; עד אז הברירה היא בין אירוח עצמי של המשקלים לבין המתנה.
שאלות נפוצות
האם AuK או AuK-Flash זמינים דרך API?
לא. שניהם שוחררו עם משקלים בלבד. אף ספק הסקה לא מארח אותם, ולא קיים API מתארח — כך שאין שום API שאפשר לקרוא לו היום. הדרך היחידה להשתמש בהם היא להוריד את המשקלים ולהריץ אותם לבד.
מה ההבדל בין AuK ל-AuK-Flash?
אותה משפחת מודלים בשני שלבים. AuK הוא מודל הבסיס, שנועד לייצור באיכות גבוהה; AuK-Flash הוא הגרסה המזוקקת שלו, מכווננת להסקה מהירה בארבעה שלבים ללא הנחיה נטולת מסווג (classifier-free guidance), שלפי Tencent רצה בערך פי 4.5 מהר יותר ממודל הבסיס בתנאים תואמים. נתון ההאצה הזה הוא דיווח של הספק ולא נמדד באופן בלתי תלוי.
האם ניתן להשתמש ב-AuK-Flash למטרות מסחריות?
המשקולות משוחררות תחת רישיון MIT, המתיר שימוש מסחרי תוך שמירה על הודעת הרישיון — הרישיון הגמיש ביותר מבין רישיונות המשקולות הפתוחים המקובלים. מאגר הקוד הנפרד אליו מקשר כרטיס המודל אינו נגיש נכון ל-9 בספטמבר 2026, ולכן התשובה המעשית בנוגע לשימוש חוזר בקוד נותרה פתוחה עד שיופיע.
מה לראות
• מאגר הקוד — github.com/Tencent-Hunyuan/AuK הוא הפריט החסר בעל הערך הגבוה ביותר. כשהוא יופיע, תבניות ההוראה של ספר המתכונים הופכות את רשימת המשימות שלמעלה מחומר שיווקי למשהו בר-הרצה.
• ריצה עצמאית — השחזור הראשון על ידי צד שלישי יכריע האם טענות הדור והעריכה "המובילות" שורדות מגע עם שמע אמיתי, והאם AuK-Flash בארבעה שלבים באמת מתקרב למודל הבסיסי.
• מאמר — הציטוט בדף הפרויקט הוא מציין מקום, מה שבדרך כלל אומר שהגשה ל-arXiv בדרך; מתכון האימון, מספרי הבנצ'מרק ופרטי הזיקוק כולם נמצאים שם.
• רישום שרות — ספק ההסקה הראשון שמארח את AuK הופך אותו מספריית משקלים למודל בר-קריאה עם מחיר, וזה השלב שבו הוא הופך לניסיון דרך ראוטר, במקום פרויקט אירוח עצמי.
AuK ו-AuK-Flash הם אמיתיים אבל לא גמורים, בדרך שבה המהדורות הפתוחות המעניינות ביותר הן בדרך כלל: משקלי המודל כנים, והסיפור סביבם טרם נכתב. הוסיפו לסימניות את tencent/AuK-Flash, התייחסו לכל טענת יכולת כאל דיווח ספק עד שיתפרסם מאמר או אמת מידה בלתי תלויה, ובדקו אם הימים הקרובים יביאו את הקוד שיהפוך את זה מארטיפקט מבטיח למשהו שאפשר לבנות ממנו.
