AuK kontra AuK-Flash: 32 kroki próbkowania czy 4, i dlaczego uczeń czasami wygrywa

Oba checkpointy ważą dokładnie 6,122 GB. Oba są dystrybuowane na licencji MIT. Oba są napędzane przez ten sam osobno pobierany enkoder instrukcji o 3 miliardach parametrów i ten sam VAE o pojemności 637 MB. AuK i AuK-Flash różnią się niemal niczym, jeśli chodzi o to, co konfigurujesz — i jedną rzeczą, którą odczuwasz przy każdym wywołaniu: tym, ile razy uruchamiany jest sampler. AuK, model bazowy o otwartych wagach i 1,5 mld parametrów do generowania i edycji mowy, który zespół Hunyuan z Tencent oraz współautorzy akademiccy z Shanghai Jiao Tong i NTU opublikowali na Hugging Face 9 września, wykonuje 32 oceny funkcji przy classifier-free guidance na poziomie 2,0. AuK-Flash, zdestylowany uczeń, wykonuje cztery, przy całkowicie wyłączonym guidance, co daje deklarowane 4,5-krotne przyspieszenie w czasie rzeczywistym. Oczywista interpretacja jest taka, że Flash to opcja budżetowa, po którą sięgasz, gdy opóźnienie jest ważniejsze niż jakość. Ta interpretacja jest błędna, a przeczą jej własne tabele ewaluacyjne producenta: w wierszach bezpośrednich porównań raportu technicznego Flash uzyskuje najlepsze wyniki w metryce edit-ratio dla MMAE-Speech, w kolumnie paralingwistycznej SpeechEditBench, w podążaniu za instrukcjami po angielsku, w podobieństwie mówcy w edycji akustycznej oraz we wszystkich czterech wierszach dotyczących percepcyjnej jakości ulepszania. Nie jest to degradacja. To inny kompromis, a to, którą jego stronę wybierzesz, zależy od tego, które z tych dwóch zadań faktycznie uruchamiasz.

Co właściwie je różni

Zdejmij marketingową otoczkę, a wybór sprowadza się do pliku konfiguracyjnego. Runtime AuK to hybrydowy Transformer typu rectified-flow — bloki MMDiT o podwójnym strumieniu zasilające ujednolicone bloki DiT o pojedynczym strumieniu — uruchamiający solver Eulera w precyzji bfloat16 przy 24 kHz, z 64-wymiarowymi latentami przy 50 Hz. AuK-Flash korzysta z identycznej architektury z doczepionym destylowanym samplerem, powstałym dzięki inicjalizacji konsystencji oraz sterowanemu zadaniami Decoupled DMD. Wszystkie pozostałe komponenty są współdzielone.

• Kroki próbkowaniaAuK: 32 ewaluacje funkcji, konfigurowalne. AuK-Flash: 4, stałe.

• Sterowanie bez klasyfikatora — AuK: skala 2.0, regulowana. AuK-Flash: brak (CFG=0).

• Rozmiar checkpointu — AuK: auk_base.safetensors o rozmiarze 6,122 GB. AuK-Flash: auk_flash.safetensors o rozmiarze 6,122 GB. Identyczne co do megabajta.

• Wspólne środowisko uruchomieniowe — VAE o rozmiarze 637 MB oraz enkoder Qwen/Qwen2.5-Omni-3B, pobierane osobno i używane przez oba.

• Deklarowana szybkość — AuK-Flash: 4,5× szybciej w czasie rzeczywistym niż nauczyciel 32-NFE przy dopasowanym sprzęcie, czasie trwania i rozmiarze partii.

• Licencja — MIT dla obu, co wreszcie oznacza to, co mówi.

Ta identyczna wielkość punktu kontrolnego to szczegół, który zmienia perspektywę całego porównania. Zdestylowane warianty zwykle płacą za szybkość mniejszym rozmiarem. AuK-Flash nie jest mniejszy. Nie oszczędzasz miejsca na dysku, nie oszczędzasz czasu przesyłania i — ponieważ enkoder i VAE są współdzielone, a DiT ma tę samą szerokość — nie oszczędzasz też znacząco VRAM-u, wybierając ucznia. Jedynym zasobem, który Flash ci zwraca, jest czas. Warto mimo wszystko wskazać jedną pułapkę budżetową: „1.5B" w nazwie modelu odnosi się do rdzenia dyfuzyjnego, a plik na dysku zajmuje 6,122 GB. Zarezerwuj miejsce na ten plik.

Gdzie AuK-Flash faktycznie pokonuje pełny model

To jest ta część, w której instynkt „destylowany = gorszy” się myli, i utrzymuje się to w przypadku kilku niezwiązanych ze sobą rodzin zadań w tabelach raportu. Zacznijmy od percepcji. Na zestawie ulepszania DNS Challenge Flash uzyskuje UTMOS 4,05 wobec 3,86 AuK; na CHiME-4 – 3,91 wobec 3,72; na Libri2Mix – 4,03 wobec 3,87; na VCTKSR – 4,05 wobec 3,93. Flash wygrywa także w kolumnie błędów rozpoznawania na dwóch z tych czterech zestawów, z WER równym 7,84 wobec 7,98 dla CHiME-4 i WER równym 2,92 wobec 3,06 dla VCTKSR. Oceniana przez ludzi naturalność to jedyny wymiar, w którym uczeń jest konsekwentnie lepszy, a raport mówi to wprost: pełny model oferuje większą dokładność językową i wierność edycji, podczas gdy Flash „często zapewnia lepszą jakość percepcyjną”.

Sukcesy nie ograniczają się do ulepszania. Na metryce wskaźnika edycji MMAE-Speech — czy edycja trafia w zamierzoną wielkość — Flash uzyskuje 13,85 wobec 12,44 dla AuK. W kolumnie paralingwistycznej SpeechEditBench jest to 39,25 do 38,50. W zadaniu zamiany angielskiego opisu na mowę w InstructTTSEval jest to 82,40 wobec 81,60, co daje remis z najlepszym modelem bazowym w tym wierszu. W edycji akustycznej w zestawie Ming-Freeform utrzymuje najwyższe podobieństwo mówcy w tej rodzinie: 0,79 dla chińskiego i 0,75 dla angielskiego, wobec 0,78 i 0,74 dla modelu bazowego. Innymi słowy, zachowanie tożsamości mówcy to jedna z rzeczy, które zyskujesz dzięki czterem krokom — podsumowanie samego raportu mówi, że pełny model daje niższy średni błąd rozpoznawania, podczas gdy Flash lepiej zachowuje tożsamość mówcy. Jeśli pracujesz nad konwersją głosu, dubbingiem lub ulepszaniem mowy, gdzie barwa głosu ma większe znaczenie niż błąd słów, to student jest lepszym modelem.

Gdzie 32 kroki wciąż się opłacają

Zalety modelu bazowego skupiają się dokładnie tam, gdzie można by się spodziewać po modelu dyfuzyjnym z większym budżetem próbkowania: wszędzie tam, gdzie wynik musi być poprawny językowo.

W Seed-TTS-Eval średni WER AuK wynosi 2,65 wobec 2,85 dla Flash, a podobieństwo mówcy wynosi 0,795 wobec 0,790. Rozrzut wewnątrz tej średniej jest bardziej informacyjny niż sama średnia. Oba są praktycznie równe na angielskim zestawie testowym — 1,02 i 1,03 — a różnią się na chińskim, 1,02 wobec 1,10, oraz ponownie na trudnym podzbiorze chińskim, 5,91 wobec 6,43. To na chińskim dodatkowe kroki się opłacają.

Ten sam wzorzec pojawia się w podążaniu za instrukcjami. W zadaniu InstructTTSEval polegającym na zamianie chińskiego opisu na mowę różnica jest wyraźna: 83,37 dla AuK wobec 78,80 dla Flash, a raport zauważa, że model bazowy prowadzi we wszystkich trzech chińskich metrykach tego pakietu, podczas gdy „główną przewagą Flash jest jego silniejszy wynik DSD w języku angielskim”. To język, a nie architektura, jest linią podziału.

Wierność edycji najmocniej je różnicuje. W SpeechEditBench dokładność edycji treści wynosi 91,83 dla AuK wobec 87,50 dla Flash — to największa pojedyncza różnica w całym porównaniu. Edycja akustyczna wypada niemal równie nierówno: 37,07 wobec 30,26. W pakiecie Ming-Freeform AuK osiąga niższy WER niemal wszędzie tam, gdzie ma to znaczenie: 3,09 wobec 3,34 w pełnej edycji chińskiej, a w pełnej edycji angielskiej znacznie szerszy rozziew: 3,96 wobec 4,84. Jeśli Twój produkt przepisuje słowa w czyimś nagraniu — edycje tekstów piosenek, zastępowanie treści, wstawianie i usuwanie — to model 32-krokowy dba o wierność transkrypcji, a 8-krotna różnica w liczbie kroków jest warta dopłaty.

Oba modele są również, według danych z samego raportu, nadal słabe w edycji emocjonalnej: dokładność emocji SpeechEditBench wynosi 9,94 dla AuK i 6,29 dla Flash. To nie jest artefakt destylacji. To rodzina zadań, której nikt nie rozwiązał, a wybór ucznia nie sprawi, że będziesz w niej gorszy, niż już jesteś.

Wartość 4.5× jest liczbą próbkową, a nie liczbą całościową.

Oto arytmetyka, którą skrywa przyspieszenie z nagłówka, i to jest najbardziej przydatna rzecz, jaką należy zrozumieć, zanim zdecydujesz się na architekturę opartą na Flash.

AuK-Flash wykonuje 4 kroki próbkowania, podczas gdy AuK wykonuje 32. To 8× mniej kroków. Producent podaje 4,5× szybszy czas rzeczywisty. Różnica między tymi dwiema wartościami to wszystko wokół pętli próbkowania, a dominuje w niej enkoder: multimodalny model Qwen2.5-Omni-3B, który ładują oba checkpointy i który oba muszą uruchamiać przy każdym żądaniu. Ten enkoder jest mniej więcej dwa razy większy niż szkielet dyfuzji, a jego koszt jest stały. Flash nie może go przyspieszyć, ponieważ Flash nie jest jego częścią.

Więc uczciwa wersja tego twierdzenia jest taka: 4,5× uzyskujesz w części dotyczącej dyfuzji w porównywalnych warunkach, a Twój całkowity zysk end-to-end będzie dokładnie taki, jaką część czasu rzeczywistego faktycznie zajmuje pętla próbkowania. Jeśli uruchamiasz generowanie długich form, w którym dominują 32 kroki na wielu ukrytych klatkach, zbliżysz się do opublikowanej wartości. Jeśli Twoje obciążenie to krótkie klipy z intensywnym wstępnym przetwarzaniem instrukcji albo jeśli grupujesz małe żądania, większa część każdego wywołania przypada na współdzielony enkoder, a Twoje rzeczywiste przyspieszenie będzie znacznie mniejsze niż 4,5×. Zmierz swoją własną mieszankę obciążeń, zanim pozwolisz, by budżet opóźnień od niej zależał. Nikt jeszcze nie opublikował tej wartości end-to-end — w tym dostawca, który nie podaje żadnych konkretnych wartości opóźnień ani wymagań dotyczących VRAM.

Ile kosztuje destylacja, słowami samych autorów.

Raport techniczny jest niezwykle szczery co do tego, gdzie uczeń zawodzi, a te tryby awarii są bardziej przydatne dla wdrażającego niż tabela benchmarków.

Jak się okazało, problemem były cele wyznaczane przez nauczyciela. Użycie celów CFG w gałęzi spójności „może narazić ucznia działającego w kilku krokach na przesycone przewidywania”, co według autorów powoduje przesterowanie i słyszalne przycinanie. Osobno, jednolity harmonogram Decoupled DMD „pogarsza separację wielu mówców i wokali”, a niektóre wyniki ucznia cofają się w stronę nieprzetworzonej mieszanki — destylacja wymazuje separację, którą model miał wykonywać. Task-routed DMD to opisany sposób naprawy i dlatego raport ostrożnie ogranicza tę konkretną słabość do wariantu jednolitego. Jeśli separacja mowy jest kluczową częścią Twojego potoku, to jest akapit, na którym należy testować model, zanim mu zaufasz.

Dwa kolejne ograniczenia mają charakter operacyjny, a nie statystyczny. Prompt Enhancer w potoku mapuje potoczne sformułowania dotyczące szybkości, głośności i wysokości dźwięku na stały zestaw obsługiwanych wartości i odrzuca wszystko, czego nie może zmapować, zanim uruchomi się wnioskowanie akustyczne — dlatego nieobsługiwane żądania kończą się wcześnie, zamiast ulegać łagodnej degradacji. A repozytorium akceptuje tylko Qwen/Qwen2.5-Omni-3B jako ścieżkę enkodera; plik README stwierdza, że Qwen3-Omni nie jest obecnie obsługiwany, więc nowszy enkoder nie jest zamiennikiem w trybie plug-and-play. Integracja z ComfyUI ma 30-sekundowy limit dla sekwencji źródło-plus-cel.

Uruchamianie obu jest zamierzoną konfiguracją.

Własny przykład wieloGPU w tym repozytorium umieszcza AuK na jednym urządzeniu, a AuK-Flash na drugim — cuda:0 i cuda:1 — co jest wyraźnym sygnałem, że Tencent oczekuje, iż będą one współistnieć, a nie konkurować. Jest to również właściwe rozwiązanie dla większości produkcyjnych systemów mowy, ponieważ oba modele są mocne w rozłącznych obszarach. Kieruj żądania wymagające intensywnej edycji oraz żądania w języku chińskim do AuK; kieruj ulepszanie, separację, wykonywanie instrukcji w języku angielskim oraz wszystko, co interaktywne, do AuK-Flash. Oba wczytują ten sam enkoder i ten sam VAE, więc koszt współdzielonego środowiska uruchomieniowego ponosisz tylko raz i przełączasz się między punktami kontrolnymi w jego obrębie.

To jest decyzja o routingu na warstwie modelu i ma taki sam kształt jak ta, którą OrcaRouter stosuje na warstwie API dla modeli hostowanych. Miejsce, w którym obie się dziś spotykają, to szew we własnym potoku AuK: Prompt Enhancer wymaga endpointu czatu zgodnego z OpenAI aby przekształcić zgrubną instrukcję w słownictwo wspierane przez model, a opcjonalny fallback ASR potrzebuje ścieżki transkrypcji. Skieruj którykolwiek z nich na endpoint czatu zgodny z OpenAI, a otrzymasz jeden klucz dla ponad 200 modeli, cenę katalogową dostawcy przekazywaną dalej z 0% narzutu oraz automatyczne przełączanie awaryjne, gdy backend padnie — co ma znaczenie właśnie dlatego, że to wydanie sprzed dwóch dni, bez hostowanego API i bez niezależnej reprodukcji, i nie chcesz, aby niezweryfikowana zależność opierała się na sztywno zakodowanym endpoincie.

Bądź jednak jasny co do tego, co nie jest dostępne. Ani AuK, ani AuK-Flash nie są obsługiwane przez żadnego dostawcę hostowanej inferencji — karty na Hugging Face mówią o tym wprost — i żaden z nich nie jest dziś kierowany przez OrcaRouter. To decyzja o samodzielnym hostingu od początku do końca.

Co wciąż jest nieznane

Prawie wszystko w tej wersji pochodzi od dostawcy. Przyspieszenie 4.5×, wartości WER, kolumny SpeechEditBench i wiersze UTMOS pochodzą z raportu technicznego zespołu AuK, arXiv 2609.08936, złożonego 8 września — brak niezależnej reprodukcji, wpisu na tablicy liderów od strony trzeciej ani wyniku neutralnego testu. Sygnał adopcji jest równie słaby: według stanu na 10 września dwa repozytoria Hugging Face wykazują 30 pobrań w ostatnim miesiącu i około dwóch tuzinów polubień każde, podczas gdy repozytorium GitHub pokazuje 217 gwiazdek, 12 forków i trzech współtwórców. To wydanie badawcze, a nie trend.

img src="4.png" alt="Zrzut ekranu pliku README repozytorium Tencent-Hunyuan AuK na GitHubie pokazujący ogłoszenie o udostępnieniu open source z 9 września 2026 r. oraz tabelę wariantów AuK i AuK-Flash"> p>Samo wydanie było ciche w sposób, który warto nazwać wprost, ponieważ łatwo je nadinterpretować. Nie było ogłoszenia Hunyuan, wpisu na blogu, strony z cennikiem ani wydarzenia premierowego. Jedynym opatrzonym datą oświadczeniem dostawcy jest pojedyncza linia w pliku README repozytorium — [2026/09/09] Udostępniamy AuK jako open source. Metadane repozytorium Hugging Face pokazują, że spaces zostały utworzone wcześniej, w połowie sierpnia, a wagi były ostatnio modyfikowane 9 i 10 września, więc pakowanie nastąpiło przed ogłoszeniem. Z repozytorium można ustalić: wagi na licencji MIT dla obu wariantów, raport techniczny, działające instrukcje pobierania dla Hugging Face i ModelScope oraz udokumentowaną listę zadań. Co nie zostało potwierdzone: czy którakolwiek z podanych liczb utrzyma się w niezależnym teście, czy pojawi się hostowany endpoint oraz czy checkpoint Flash pozostanie zalecanym domyślnym wyborem, gdy inni już go uruchomią.

Który wybrać

Jeśli tworzysz treści, edytujesz teksty piosenek lub obsługujesz mowę w języku chińskim w jakiejkolwiek formie, sięgnij po AuK i zaakceptuj 32 kroki. Jego zalety są tam duże i spójne w dwóch niezależnych pakietach edycyjnych, a przy tym dotyczą dokładnie tego rodzaju błędu poprawności — złego słowa w transkrypcie — który użytkownicy zauważają natychmiast.

Jeśli tworzysz systemy ulepszania, separacji, konwersji głosu lub cokolwiek, gdzie człowiek czeka na wynik, wybierz AuK-Flash. Jest on znacznie szybszy w pętli próbkowania, bezdyskusyjnie wygrywa w wierszach dotyczących jakości percepcyjnej i lepiej zachowuje tożsamość mówcy niż model, z którego został wydestyliowany. Istniejąca luka jakościowa koncentruje się w zadaniach, których prawdopodobnie nie uruchamiasz.

Jeśli budujesz produkt głosowy, który obejmuje oba, uruchom oba. Ten sam dysk, ten sam enkoder, ta sama licencja, jedna różnica w konfiguracji — i wzorzec wdrożenia, który repozytorium już demonstruje. Jedyną rzeczą, na którą warto czekać, jest twój własny pomiar opóźnienia end-to-end: 4.5× jest realne, ale dotyczy samplera, a tylko twoja mieszanka obciążenia powie ci, ile z tego dociera do użytkowników.