AuK-Flash и AuK: Tencent тихо выпустила открытую речевую модель, которая генерирует, редактирует и разделяет аудио

Tencent на этой неделе выпустила две из самых значимых открытых речевых моделей 2026 года и почти никому не сообщила. Около 7 сентября организация Tencent на Hugging Face опубликовала AuK — «базовую модель 1.5B для генерации и редактирования речи», как сказано в её собственной карточке модели, — а также AuK-Flash, дистиллированный четырёхшаговый вариант той же модели, обе под лицензией MIT. Ни в одном репозитории нет ни поста в блоге Tencent, ни анонса в соцсетях, ни пресс-релиза; вместе эти две модели были скачаны несколько десятков раз, репозиторий кода, на который ссылаются карточки, недоступен, а в индексируемом вебе не существует ни одного независимого бенчмарка. В этом материале изложено, что реально можно узнать из двух репозиториев, конфигурационных файлов и собственной страницы проекта Tencent — а что остаётся непроверенным.

Это утверждение стоит воспринимать всерьёз даже без независимых цифр, потому что охват необычен. AuK — не очередная модель клонирования голоса. Через единый интерфейс инструкций на естественном языке она обещает zero-shot и управляемый инструкциями синтез речи из текста, редактирование, которое проникает в то, что говорится, как говорится, и в невербальные звуки вокруг, плюс улучшение речи, разделение речи и разделение музыки. Исторически для каждой из этих задач создавалась отдельная специализированная модель. Ставка Tencent на единый генеративный каркас заключается в том, что одна модель может делать всё это — и что AuK-Flash может делать это достаточно быстро для использования, близкого к реальному времени.

Два чекпойнта, один релиз

Временные метки Hugging Face API рассказывают историю репозитория, который оставался приватным до своего релиза. Базовый репозиторий tencent/AuK был создан 18 августа 2026 года, а tencent/AuK-Flash — 21 августа; оба последний раз изменялись 8 сентября, а в карточке модели содержится новостная запись от 7 сентября: «[2026/09/07] AuK теперь имеет открытый исходный код. Код и веса моделей публично доступны». Естественное прочтение: Tencent создала репозитории во второй половине августа, сделала их публичными примерно 7 сентября и снова обновила карточку 8 сентября. Об этой модели нет никакой информации в проиндексированном вебе, а счётчики загрузок составляют десятки — так что «тихий релиз» — это не риторический приём, а буквальное положение дел.

Эти две контрольные точки представляют собой одну и ту же архитектуру на разных этапах её жизненного цикла. AuK — это учитель: базовая модель, рассчитанная на генерацию высокого качества. AuK-Flash — ученик: дистиллированная модель, оптимизированная для быстрого инференса за четыре шага, что делает её более интересной целью для развёртывания и причиной, по которой именно она вынесена в заголовок. На странице проекта Tencent семейство моделей представлено как модель с примерно 1,5 миллиарда параметров, обученная на данных, которые в карточке описаны лишь как «миллионы часов разнообразных аудиоданных», а на странице проекта — как примерно 1,95 миллиона часов эффективной супервизии в расчёте на примерно 3,03 миллиарда экземпляров «инструкция–аудио». На странице проекта также указаны Шанхайский университет Цзяо Тун и Tencent Hunyuan, что помещает AuK в исследовательскую линейку открытых моделей Tencent Hunyuan, а не в семейство коммерческих продуктов. Обучение — не единственное, что происходило после предобучения: Tencent описывает этап пост-обучения, сочетающий оптимизацию предпочтений на основе обратной связи человека для редактирования открытого типа с обучением с подкреплением на основе вознаграждений для генерации речи.

Таблица вариантов в карточке не оставляет сомнений: AuK — это «базовая модель для высококачественной генерации», а AuK-Flash — «дистиллированная модель для быстрого 4-шагового инференса». Обе доступны для скачивания на Hugging Face и ModelScope в пространстве имён Tencent-Hunyuan, и обе распространяются под лицензией MIT — одной из самых разрешительных лицензий для релизов с открытыми весами, что важно для тех, кто хочет построить продукт на их основе.

Что на самом деле делает одна модель, управляемая инструкциями

Интерфейс AuK — это единое поле запроса: вы передаёте модели инструкцию на естественном языке и, если задача требует, аудиоссылку, и она возвращает аудио. Сгруппированные по собственной таксономии карточки, пять семейств задач таковы:

• Генерация речи — zero-shot TTS, который клонирует голос по референсному аудиофрагменту, и instruct TTS, который синтезирует речь на основе только описания голоса («тёплый женский голос, чуть медленнее»), вообще без референсного аудио.

• Редактирование содержимого — переписывание сказанного: замена, вставка или удаление слов в существующей записи, а также редактирование текста песни, которое переписывает слова вокального клипа, сохраняя мелодию и голос исполнителя.

• Акустическое редактирование — высота тона (в полутонах), темп речи и громкость (в децибелах), каждый параметр настраивается на существующем клипе без изменения идентичности и содержания.

• Паралингвистическое редактирование — эмоции, тембр (к описанию), снятие акцента, добавление или удаление невербальных звуков, таких как дыхание, смех и кашель, а также преобразование между обычной речью и шёпотом.

• Улучшение и разделение — улучшение речи (шумоподавление и устранение реверберации), разделение речи по очерёдности говорящих, разделение музыки, выделяющее вокальную партию из микса, и извлечение целевого говорящего, идентифицируемого по тому, что он говорит.

Этот список — то, что действительно отличает их. Самые продвинутые открытые речевые системы 2026 года сильны в одном-двух из этих направлений — голосовой клонинг и TTS являются самой переполненной нишей, — а в остальном слабы или вовсе отсутствуют. Ставка AuK — на широту: те же веса, тот же формат инструкций для генерации, редактирования и разделения; такой размах обычно доступен лишь в виде набора тонко настроенных специализированных моделей.

Как это устроено

Если читать репозитории и страницу проекта вместе, получается непротиворечивая картина архитектуры. AuK — это не авторегрессионная аудиоязыковая модель, которая читает текст и выдаёт токены. Это диффузионная система с согласованием потоков (flow matching) в духе моделей изображений, состоящая из трёх частей:

• Мультимодальная большая языковая модель — Qwen/Qwen2.5-Omni-3B, загружаемая отдельно, — читает инструкцию и любое референсное аудио и создаёт семантическое кондиционирование.

• Аудио-VAE, обученный совместно на речи, универсальном аудио и музыке, кодирует и декодирует на частоте 24 кГц через акустические латентные представления с частотой 50 Гц; конфигурация репозитория идентифицирует его как BigVGANFlowVAE с размерностью латентного пространства 64 и понижением частоты дискретизации в 480 раз, и поставляет его в виде отдельного файла vae.safetensors.

Генеративное ядро — это гибридный rectified-flow Transformer: блоки MMDiT с двумя потоками, которые держат текстовое и аудио-условие раздельно, за которыми следуют объединённые блоки DiT с одним потоком, смешивающие их, обученные с помощью objective flow-matching. В опубликованной конфигурации указана модель шириной 1536 с 24 головками, 10 слоями с двумя потоками и 20 слоями с одним потоком.

AuK-Flash — это тот же самый трансформер после дистилляции. Tencent описывает двухэтапный процесс: сначала инициализация согласованности на уровне траекторий, затем цель DMD с развязанной маршрутизацией задач; завершается процесс регрессионной супервизией на чистых предсказаниях. Результат, согласно странице проекта, — качество генерации, близкое к качеству учителя, за четыре шага сэмплирования и без classifier-free guidance при инференсе, при примерно 4,5-кратном ускорении по фактическому времени (wall-clock) по сравнению с полной моделью в сопоставимых условиях. Это заявления вендора, никем не воспроизведённые, но именно они — конкретная причина, по которой разработчик выбрал бы вариант AuK-Flash.

Что заявляет Tencent и что может проверить читатель

Страница проекта содержит смелые качественные заявления — AuK «лидирует» в задачах генерации и редактирования и «конкурентоспособен» в задачах восстановления на уровне сигнала, таких как улучшение и разделение, — и перечисляет наборы бенчмарков, на которых эти заявления основаны: Seed-TTS-Eval и InstructTTSEval для генерации, MMAE-Speech, SpeechEditBench и Ming-Freeform-Audio-Edit для редактирования, DNSMOS и UTMOS для перцептивного качества, а DNS Challenge, CHiME-4 и Libri2Mix — для улучшения и разделения. На странице не опубликовано никаких числовых показателей, за ней не стоит никакой статьи, и ни одна третья сторона не воспроизвела ни одного из этих результатов. Каждое из этих утверждений сообщено самим вендором, и к ним следует относиться именно так, пока не появится независимое воспроизведение.

Две другие претензии требуют проверки, поскольку они не подтвердились при прямой проверке 9 сентября 2026 года. Во-первых, в карточке указано, что код находится в открытом доступе, и приводится ссылка github.com/Tencent-Hunyuan/AuK для установки, Gradio, ComfyUI и инструкций по тонкой настройке — однако этот репозиторий на момент написания возвращает HTTP 404, и его нет среди публичных репозиториев организации Tencent-Hunyuan. Возможно, код просто ещё распространяется; в любом случае «код доступен» — это пока заявление из карточки, а не то, чем читатель может воспользоваться. Во-вторых, карточка указывает на демонстрационные Space на Hugging Face и ModelScope: студия ModelScope отвечает, а Space на Hugging Face при проверке показал страницу авторизации, так что демо как минимум частично публичны.

Что здесь есть, чего не хватает

Подведение итогов на 9 сентября 2026 года отделяет настоящий релиз от полноценного.

• В настоящее время — два загружаемых набора весов по лицензии MIT: tencent/AuK для базовой модели и tencent/AuK-Flash для дистиллированного четырёхшагового варианта; каждый объёмом около 6,1 ГБ для диффузионного трансформатора плюс VAE в комплекте, с зеркалами на Hugging Face и ModelScope.

• Представляем — необычно широкий спектр задач в рамках единого интерфейса инструкций: генерация, контентное, акустическое и паралингвистическое редактирование, улучшение и разделение — всё в одном семействе моделей.

• Настоящее — конкретная история о «скорости»: AuK-Flash дистиллируется до четырёх шагов без classifier-free guidance, с заявленным производителем ускорением в 4,5× по реальному времени.

• Отсутствует — объявление. Пока ни один пост в блоге Tencent, публикация в соцсетях, пресс-релиз или сообщение в канале Hunyuan не указывает ни на один из репозиториев.

• Отсутствует — научная статья или технический отчёт. Блок цитирования на странице проекта — это заглушка: нет ни авторов, ни идентификатора arXiv, а за заявлениями о бенчмарках не стоит опубликованных цифр.

• Отсутствует — доступный код. Репозиторий GitHub и Cookbook, на которые ссылается карточка, по состоянию на момент проверки возвращают 404, так что сегодня единственный рабочий артефакт — это веса плюс всё, что сообщество соберёт вокруг них.

• Отсутствует — сервинг и независимая оценка. Ни один провайдер инференса не размещает AuK, размещенного API не существует, а поскольку загрузок всего несколько десятков, никто еще не опубликовал результатов воспроизведения.

Запускаешь AuK-Flash сегодня или ждёшь?

Если вы хотите самостоятельно запустить AuK-Flash, процедура загрузки указана явно, даже если сам код не столь очевиден: выполните pull tencent/AuK-Flash и tencent/AuK (база необязательна, если только вам не нужна teacher-модель), а также pull Qwen/Qwen2.5-Omni-3B, поскольку контрольная точка содержит только веса диффузионного трансформера и модуля layer-fusion — мультимодальный энкодер и VAE подгружаются из отдельных файлов во время выполнения; в карточке модели указано, что отсутствие ключей text_encoder при загрузке ожидаемо. Главное ограничение — оборудование. Это диффузионный трансформер примерно на 1,5 млрд параметров, чья контрольная точка в одиночку весит ~6,1 ГБ, и работает он в связке с мультимодальным энкодером примерно на 3 млрд параметров и VAE, так что разумная отправная точка — GPU на 24 ГБ, а не модель, которая поместится в ноутбук. Примечания о памяти в конфигурации, где упоминается, что gradient checkpointing снижает пики при обучении примерно с 91 ГБ до 75 ГБ, относятся к обучению, и их не следует читать как требования для инференса. Что касается ПО: в конфигурации по умолчанию используется backend flash-attention, но CLI инференса может переключиться на обычный backend torch attention, что убирает этап сборки flash-attn при первом запуске.

Стоит ли это делать сегодня, зависит от того, что вы строите. Честная оценка ситуации такова: это модель, за которой стоит наблюдать и которую стоит испытать в песочнице, а не та, которую пора встраивать в производственный пайплайн, — без научной статьи, без доступного кода и без независимой оценки заявления о возможностях держатся исключительно на слове Tencent. Для команды, которой уже сегодня нужны генерация речи, её редактирование или разделение через API, прагматичный выбор — модель, которая реально доступна как сервис; и именно эту роль OrcaRouter выполняет среди моделей, у которых есть эндпоинты: один API для 200+ моделей с ценами провайдеров, передаваемыми без наценки, так что цена вендора становится вашей ценой с первого дня, а автоматическое переключение при сбое позволяет опробовать непроверенного новичка на части реального трафика, не ставя на кон весь пайплайн. Ничего из этого к AuK или AuK-Flash пока не применимо, потому что никакой сервис их не предоставляет. Как только провайдер разместит AuK у себя, экономика роутера станет дешёвым способом её оценить; до тех пор выбор — самостоятельный хостинг весов или ожидание.

Часто задаваемые вопросы

Доступны ли AuK или AuK-Flash через API?

Нет. Оба релиза содержат только веса. Ни один инференс-провайдер их не размещает, и никакого размещённого API не существует, поэтому сегодня вызывать нечего — единственный способ их использовать — скачать веса и запустить самостоятельно.

В чем разница между AuK и AuK-Flash?

Одно и то же семейство моделей на двух этапах. AuK — базовая модель, нацеленная на высококачественную генерацию; AuK-Flash — её дистиллированный вариант, оптимизированный для быстрого инференса за четыре шага без классификаторного управления; по заявлению Tencent, он работает примерно в 4,5 раза быстрее базовой модели в сопоставимых условиях. Этот показатель ускорения сообщается вендором и не был измерен независимо.

Можно ли использовать AuK-Flash в коммерческих целях?

Веса выпущены под лицензией MIT, которая разрешает коммерческое использование при сохранении уведомления о лицензии — это наименее ограничительная из распространённых лицензий для открытых весов. Отдельный репозиторий кода, на который ссылается карточка, недоступен по состоянию на 9 сентября 2026 года, так что практический ответ о повторном использовании кода остаётся открытым, пока он не появится.

Что посмотреть

Репозиторий кода — github.com/Tencent-Hunyuan/AuK — это самый ценный отсутствующий артефакт. Когда он появится, шаблоны инструкций Cookbook превратят приведённый выше список задач из маркетинга в нечто работоспособное.

{{1}}Независимый прогон — первое стороннее воспроизведение покажет, выдерживают ли «лидирующие» заявления о генерации и редактировании проверку реальным аудио, и действительно ли четырёхшаговый AuK-Flash приближается к базовой модели.{{/1}}

• Статья: ссылка для цитирования на странице проекта — заглушка, что обычно означает, что скоро появится препринт на arXiv; рецепт обучения, показатели бенчмарков и детали дистилляции будут описаны там.

• Листинг развёртывания — первый инференс-провайдер, разместивший AuK, превращает его из каталога весов в вызываемую модель с ценой, и именно тогда она становится доступной для тестирования через роутер, а не как проект для самостоятельного хостинга.

AuK и AuK-Flash {{2}}реальны, но не завершены{{/2}} {{1}}так, как это обычно бывает с самыми интересными открытыми релизами:{{/1}} веса честные, а история вокруг них {{3}}ещё не написана{{/3}}. Сохраните в закладки tencent/AuK-Flash, относитесь к каждой заявке о возможностях как к информации от вендора {{4}}пока не появятся статья или независимый бенчмарк{{/4}}, и следите, не принесёт ли ближайшие несколько дней код, который превратит это из многообещающего артефакта во что-то реально собираемое.