AuK-Flash と AuK：テンセント、音声を生成・編集・分離するオープン音声モデルを密かに公開

Tencentは今週、2026年で最も影響力のあるオープン音声モデルの2つをリリースしたが、ほとんど誰にも知らせなかった。9月7日頃、Hugging Face上のTencent組織は、AuK — モデルカードの言葉を借りれば「音声生成と編集のための1.5B基盤モデル」— と、同じモデルの蒸留された4ステップ版であるAuK-Flashを、いずれもMITライセンスの下で公開した。どちらのリポジトリにも、Tencentのブログ記事も、ソーシャルでの告知も、プレスリリースも添付されていない。両者を合わせてもダウンロードは数十回で、カードがリンクするコードリポジトリには到達できず、インデックス化されたWeb上のどこにも独立したベンチマークは存在しない。本稿では、2つのリポジトリ、設定ファイル、Tencent自身のプロジェクトページから実際に分かることと、まだ検証されていないことを整理する。

この主張は、独立した数値がなくても真剣に検討する価値がある。なぜなら、その適用範囲が異例だからだ。AuKは、また別の音声クローン生成モデルではない。単一の自然言語命令インターフェースを通じて、ゼロショットおよび命令ベースのテキスト読み上げ音声合成、発話内容・発話方法・その周囲の非言語音にまで及ぶ編集、さらに音声強調、音声分離、音楽分離を約束している。この分野はこれまで、それぞれのタスクごとに異なる専門モデルを構築してきた。Tencentの賭けは、1つの生成バックボーンで、単一のモデルがこれらすべてを実行できるというものだ——そしてAuK-Flashは、リアルタイムに近い使用に耐えうる十分な速度でそれを実現できるというものだ。

2つのチェックポイント、1つのリリース

Hugging Face APIのタイムスタンプは、公開されるまで非公開のまま置かれていたリポジトリの物語を物語っている。ベースとなる tencent/AuK リポジトリは2026年8月18日に作成され、tencent/AuK-Flash は8月21日に作成された。両リポジトリの最終変更は9月8日であり、モデルカードには9月7日付のニュース項目が記載されている。そこには「[2026/09/07] AuKは現在オープンソースです。コードとモデルの重みは公開されています」とある。自然な解釈としては、Tencentは8月中旬から下旬にかけてリポジトリを構築し、9月7日ごろに公開状態に切り替え、9月8日に再びカードを更新したということになる。このモデルに関する情報はインデックス化されたウェブ上のどこにも見つからず、ダウンロード数も数十件にとどまる。つまり「静かなリリース」は修辞的な選択ではなく、文字通りの状況なのだ。

この2つのチェックポイントは、同じアーキテクチャを異なるライフステージで示したものです。AuKは教師モデルであり、高品質な生成を目的としたベースモデルです。AuK-Flashは生徒モデルであり、高速な4ステップ推論用に蒸留されたもので、それゆえにより興味深いデプロイ対象となり、ここでタイトルを飾る理由にもなっています。Tencentのプロジェクトページでは、このモデルファミリーは約15億パラメータとして紹介されており、カードには「多様なオーディオデータの数百万時間」とだけ記載され、プロジェクトページでは約30.3億の命令–音声インスタンスにわたる約195万時間の実効的監修として特定されています。プロジェクトページには上海交通大学とTencent Hunyuanのマークも掲載されており、AuKが商用製品ファミリーではなく、Tencent Hunyuanのオープンモデル研究ラインに属することが示されています。プリトレーニング後に起こったのはトレーニングだけではありません。Tencentは、オープンエンドな編集向けの人間フィードバック選好最適化と、音声生成向けの報酬ベース強化学習を組み合わせたポストトレーニング段階について説明しています。

カード内のバリアント表は、どちらがどちらであるかを明確に示しています。AuKは「高品質生成のためのベースモデル」、AuK-Flashは「高速4ステップ推論のための蒸留モデル」です。どちらもHugging FaceとModelScopeのTencent-Hunyuan名前空間からダウンロード可能で、両方ともMITライセンスを保持しています。MITライセンスは、オープンウェイトのリリースが持つことができる最も寛容なライセンスのひとつであり、その上に製品を構築したいと考える人にとって重要です。

ある命令駆動モデルが実際に行うこと

AuKのインターフェースは単一のプロンプトボックスです。モデルに自然言語の指示と、タスクによってはオーディオリファレンスを渡すと、オーディオを返します。カード独自の分類法でグループ化された5つのタスクファミリーは次の通りです。

• 音声生成 — 参照クリップから音声をクローンするゼロショットTTS、および音声の説明だけから音声を合成する「インストラクトTTS」（例：「温かい女性の声で、少しゆっくり」）。参照音声は一切不要。

• コンテンツ編集 — 既存の録音内の言葉を書き換える：単語の置換、挿入、削除、および歌っているクリップの歌詞を書き換えながらメロディーと歌手の声を維持する歌詞編集。

• 音響編集 — ピッチ（半音単位）、話速、音量（デシベル単位）は、既存のクリップ上でそれぞれ調整可能であり、話者の同一性と内容は保持されます。

• パラ言語的編集 — 感情、音色（説明への）、アクセント除去、呼吸・笑い声・咳などの非言語音の追加や削除、および通常の音声とささやき声の間の変換。

拡張と分離 — 話し言葉の強調（ノイズ除去と残響除去）、発話順による音声分離、ミックスから歌声を取り出す音楽分離、および話者の発言内容によって識別される対象話者抽出。

そのリストこそが真の差別化要因です。2026年において最も高性能なオープン音声システムは、これらのうち1つか2つに強みを持つのみで、音声クローニングとTTSは競合がひしめく領域であり、それ以外の機能は弱いか、まったく存在しません。AuKが賭けたのは広さです。生成・編集・分離にわたって同じ重み、同じ指示形式を使用するというアプローチは、通常はファインチューニングされた専門モデルの集合としてのみ提供される種類のスコープです。

どのように作られているのか

リポジトリとプロジェクトページを合わせて読むと、一貫したアーキテクチャの全体像が見えてきます。AuKは、テキストを読んでトークンを出力するような自己回帰型オーディオ言語モデルではありません。これは、画像モデルの系譜に属するフローマッチング拡散システムであり、次の3つの部分から構成されます。

• マルチモーダル大規模言語モデル — 別途ダウンロードされる Qwen/Qwen2.5-Omni-3B — が指示と参照音声を読み取り、セマンティックコンディショニングを生成する。

• 音声、一般的なオーディオ、音楽を対象に共同トレーニングされたオーディオVAEは、50Hzの音響ラテントを介して24kHzでエンコード/デコードする。リポジトリの設定では、潜在次元64、480倍ダウンサンプルを持つBigVGANFlowVAEとして識別され、独立したvae.safetensorsファイルとして同梱されている。

生成コアは、ハイブリッド整流フローTransformerです。テキストとオーディオの条件付けを分離したまま維持するデュアルストリームMMDiTブロックの後に、それらを混合する統合シングルストリームDiTブロックが続き、フローマッチングの目的関数で訓練されます。公開された構成では、幅1,536、24ヘッド、10のデュアルストリーム層と20のシングルストリーム層を備えたモデルです。

AuK-Flash は、蒸留後の同一トランスフォーマーである。Tencent は2段階のプロセスを説明している。すなわち、軌道レベルの整合性初期化、その後の「タスクルーティング分離型」DMD 目的関数、そして最後にクリーン予測回帰による教師信号で仕上げるという流れだ。プロジェクトページによれば、その結果、推論時に分類器フリーガイダンスを使わず、4回のサンプリングステップで教師モデルにほぼ匹敵する生成品質が得られ、同等条件下のフルモデルと比較して実時間で約4.5倍の高速化を実現するという。これらは再現検証されていないベンダー主張ではあるが、AuK-Flash が開発者が手に取るバリアントであることの具体的な理由でもある。

テンセントが主張していること、そして読者が確認できること

プロジェクトページでは強い定性的主張がなされている。AuK は生成と編集において「リーディング」であり、強調や分離といった信号レベルの復元タスクでは「競争力がある」とされる。また、その根拠となるベンチマーク群も列挙されている：生成には Seed-TTS-Eval と InstructTTSEval、編集には MMAE-Speech、SpeechEditBench、Ming-Freeform-Audio-Edit、知覚品質には DNSMOS と UTMOS、強調と分離には DNS Challenge、CHiME-4、Libri2Mix である。ページには数値スコアは一切公表されておらず、それを裏付ける論文も存在せず、第三者による再現も行われていない。これらの主張はすべてベンダーによる自己申告であり、独立した実行結果が得られるまでは、そのように受け取るべきである。

もう2つの主張にも注意が必要です。これらは2026年9月9日時点での直接確認に耐えられませんでした。第一に、カードにはコードが公開されており、インストール、Gradio、ComfyUI、ファインチューニングの手順について github.com/Tencent-Hunyuan/AuK にリンクしていますが、このリポジトリは本稿執筆時点でHTTP 404を返し、Tencent-Hunyuan 組織の公開リポジトリにも含まれていません。コードは単にまだ公開中の可能性もあります。いずれにせよ、現在「コードが利用可能」というのはカードの主張にすぎず、読者が実際に行動できるものではありません。第二に、カードはHugging FaceとModelScopeのデモ用Spacesを指しています。ModelScopeのスタジオは応答しましたが、Hugging FaceのSpaceは確認したところ認証の壁が表示されたため、デモはせいぜい部分的にしか公開されていません。

ここにあるもの、欠けているもの

2026年9月9日に行う棚卸しは、真のリリースと完全なリリースを区別する。

• 現在 — MITライセンスの下でダウンロード可能な2つの重みセット: ベースモデル用のtencent/AuKと、蒸留された4ステップ版のtencent/AuK-Flash。それぞれ拡散トランスフォーマー用に約6.1 GBで、バンドルされたVAEが同梱され、Hugging FaceとModelScopeにミラーリングされています。

• 現在 — 単一の指示インターフェースで実現される異例に広範なタスク面：生成、コンテンツ・音響・パラ言語的編集、強調、分離を、すべて単一のモデルファミリーで処理。

• 提示 — 具体的な「高速」の事例：AuK-Flashは、classifier-free guidanceなしで4ステップへと蒸留され、ベンダーが主張する実時間4.5倍の高速化を実現します。

• 欠落 — 発表。Tencent公式ブログの記事、ソーシャルメディアへの投稿、プレスリリース、Hunyuanチャンネルの投稿は、いずれもまだどちらのリポジトリも指し示していない。

• 欠落 — 論文またはテクニカルレポート。プロジェクトページの引用ブロックはプレースホルダーであり、著者もarXiv識別子もなく、ベンチマークの主張を裏付ける公開された数値も存在しない。

• 欠落 — アクセス可能なコード。状態チェック時点で、カードのリンク先のGitHubリポジトリとCookbookは404を返すため、現在実行可能な成果物はウェイトと、コミュニティがその周囲に構築するものだけです。

• 欠落 — サービングと独立評価。推論プロバイダーはAuKをホストしておらず、ホスト型APIも存在しない。ダウンロード数は数十件程度で、まだ誰も再現を公開していない。

今日AuK-Flashを実行しますか、それとも待ちますか？

AuK-Flash を自分で実行したい場合、コードは明示されていませんが、ダウンロードパスは明確です。tencent/AuK-Flash と tencent/AuK を pull します（教師モデルが必要でなければベースは任意です）。また Qwen/Qwen2.5-Omni-3B も pull します。チェックポイントには拡散トランスフォーマーとレイヤーフュージョンの重みしか含まれておらず、マルチモーダルエンコーダと VAE は実行時に別ファイルから読み込まれるためです。モデルカードには、読み込み時に text_encoder キーが欠落するのは想定内であると記載されています。本当の制約はハードウェアです。これは約1.5Bの拡散トランスフォーマーであり、チェックポイントだけで約6.1GBあります。さらに約3Bのマルチモーダルエンコーダと VAE と一緒に動作するため、ノートPC向けモデルではなく、24GB GPU を出発点とするのが妥当です。設定のメモリに関する注記（勾配チェックポイントによりトレーニング時のピークが約91GBから75GBに下がる）はトレーニングに関するものであり、推論要件として読むべきではありません。ソフトウェア面では、設定はデフォルトで flash-attention バックエンドを使用しますが、推論 CLI は通常の torch attention バックエンドにフォールバックできるため、初回実行時に flash-attn のビルド手順が不要になります。

今日それがやる価値があるかどうかは、何を構築しているかに依存します。率直な現状認識としては、これは注目に値し、サンドボックスでテストすべきモデルであり、まだ本番パイプラインに組み込むようなものではありません。論文がなく、アクセス可能なコードもなく、独立した評価もないため、能力に関する主張は完全にTencentの言葉だけに依拠しています。今日、API経由で音声生成、編集、分離を実現したいチームにとっては、実際にサービス提供されているモデルを選ぶのが現実的な選択肢です。これはまさにOrcaRouterが、エンドポイントを持つモデル群に対して果たす役割です。200以上のモデルを1つのAPIで提供し、プロバイダーのリスト価格をマークアップなしでそのまま通すため、ベンダーの価格が初日からそのまま顧客の価格になります。さらに自動フェイルオーバーにより、実績のない新規モデルを、パイプライン全体を賭けることなく、実際のトラフィックの一部で試すことができます。しかし、それらのいずれもAuKやAuK-Flashにはまだ当てはまりません。それらを提供するプロバイダーが存在しないからです。プロバイダーがAuKをホストし始めた瞬間、ルーターの経済性がそれを評価する安価な方法になります。それまでは、ウェイトをセルフホスティングするか、待つかの選択肢しかありません。

よくある質問

AuKまたはAuK-FlashはAPI経由で利用できますか？

いいえ。どちらもウェイトのみのリリースです。どの推論プロバイダーもこれらをホストしておらず、ホスト型APIも存在しないため、現時点で呼び出せるものは何もありません。これらを利用する唯一の方法は、ウェイトをダウンロードして自分で実行することです。

AuKとAuK-Flashの違いは何ですか？

同じモデルファミリーの2つの段階。AuKはベースモデルで、高品質な生成を目的としています。AuK-Flashはその蒸留版で、クラシファイアフリーガイダンスなしの高速な4ステップ推論向けにチューニングされており、Tencentによれば、同等条件下でベースモデルよりも約4.5倍高速に動作するということです。この高速化の数値はベンダーによる報告であり、独立して計測されたものではありません。

AuK-Flashは商用利用できますか？

重みはMITライセンスの下で公開されており、ライセンス表示を保持することを条件に商用利用が認められています。これは、一般的なオープンウェイトライセンスの中で最も制限が少ないものです。カードがリンクしている別のコードリポジトリは2026年9月9日時点で到達できないため、コードの再利用に関する実際的な答えは、それが利用可能になるまでまだ判明していません。

何を観るべきか

• コードリポジトリ — github.com/Tencent-Hunyuan/AuK は、欠けている最も価値の高い成果物です。それが登場すれば、Cookbookの命令テンプレートにより、上記のタスクリストはマーケティングから実行可能なものへと変わります。

• 独立した実行——最初の第三者による再現は、「リーディング」とされる生成・編集の主張が実際の音声に耐えるかどうか、そして4ステップのAuK-Flashが本当にベースモデルに迫るのかを決着させるだろう。

• 論文 — プロジェクトページの引用がプレースホルダーになっている場合、通常はarXivへの投稿が近々行われることを意味します。トレーニング手法、ベンチマークの数値、蒸留の詳細はすべてそこに記載されています。

サービングリスティング——AuKをホストする最初の推論プロバイダが、それを重みのディレクトリから価格付きの呼び出し可能なモデルへと変える瞬間です。これにより、セルフホスティングのプロジェクトではなく、ルーター経由で試用できるようになります。

{{1}}AuKとAuK-Flashは本物だが、最も興味深いオープンリリースが往々にしてそうであるように、未完成の状態にある：{{/1}}{{2}}重みは正直であり、その周囲のストーリーはまだ書かれていない。{{/2}}{{3}}tencent/AuK-Flashをブックマークし、論文か独立したベンチマークが登場するまでは、あらゆる性能主張をベンダー報告として扱い、今後数日で、これを有望な成果物から構築可能なものへと変えるコードが登場するかどうかを確認してほしい。{{/3}}