AuK: Tencent тихо открыл исходный код речевой модели 1.5B, которая обрабатывает каждую аудиозадачу как текстовую команду.

Вот предложение, которое ни один из доступных сегодня для скачивания речевых инструментов не выполнит за один проход: взять эту запись, заменить слово «house» на «home», поднять высоту тона на полтона, убрать дыхание перед последней фразой, вычистить фоновый шум, а затем перечитать результат совершенно новым голосом, описанным лишь как «тёплый мужчина средних лет с лёгким кантонским акцентом». Ответ Tencent на эту задачу — AuK, «базовая модель для генерации и редактирования речи» с 1,5 миллиарда параметров, которая на этой неделе стала открытой без анонсирующего поста и без пресс-релиза, — а её дистиллированный собрат AuK-Flash теперь получил то, чего не хватало этой истории, когда мы впервые о ней писали: технический отчёт с цифрами. «AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing» (arXiv:2609.08936, cs.SD, подана 2026-09-08) теперь цитируется и на карточке модели Hugging Face, и в README на GitHub; в описании статьи указана дата 2026-09-08, а в новостной строке самого репозитория — 2026/09/09. Чего отчёт не делает — так это не решает вопрос, который имел значение: каждая цифра в нём получена самим Tencent, при сравнении с бейзлайнами, выбранными Tencent, и по состоянию на 2026-09-10 никто за пределами компании не воспроизвёл ни одной из них.

Это материал в формате «что нам известно на данный момент», пересмотренный один раз. Tencent по-прежнему не анонсировала AuK ни на одном из своих основных каналов, которые нам удалось найти, так что официально зафиксировано следующее: карточки моделей и репозитории Hugging Face для AuK и AuK-Flash, репозиторий кода в организации Tencent-Hunyuan, сайт проекта auk-project.github.io и теперь ещё и научная статья. Это последнее дополнение меняет то, что можно узнать: архитектура, методика обучения и численные результаты оценки впервые описаны подробно. При этом оно не меняет того, что уже подтверждено. Относитесь ко всем числовым данным ниже как к цифрам, предоставленным вендором, — именно так оно и есть — и учтите, что сравнения в отчёте проводятся исключительно с другими открытыми моделями, а не с закрытыми облачными речевыми платформами, с которыми AuK пришлось бы конкурировать в действительности.

Что на самом деле выпустили, и как тихо

Таймлайн по-прежнему остаётся самым честным резюме релиза, с одной поправкой к нашему первому проходу. Репозитории Hugging Face были созданы в середине августа — AuK 2026-08-18 — но оставались тёмными до этой недели. Когда мы читали карточку модели AuK 9 сентября 2026 года, её единственная строка новостей была датирована 2026-09-07; днём позже та же строка читается как 2026/09/09 и ведёт читателей к статье и демо-пространствам Spaces. Репозиторий GitHub, содержащий код для инференса и обучения, был создан 2026-08-19, а последний пуш был 2026-09-09. Иными словами: сначала веса, затем код, затем технический отчёт — три поэтапных публикации за четыре дня, и на момент написания объявлений от основных каналов Tencent по-прежнему нет.

• Веса находятся на Hugging Face в организации tencent и зеркалируются на ModelScope под Tencent-Hunyuan — два зеркала, одна и та же лицензия MIT.

• В каждом репозитории модели хранится один чекпойнт safetensors, а также конфиг и VAE: auk_base.safetensors размером 6.12 ГБ и vae.safetensors размером 0.64 ГБ для AuK; та же структура и для AuK-Flash. В карточке модели указано, что также нужно скачать Qwen/Qwen2.5-Omni-3B — текстовый энкодер, который AuK загружает отдельно во время выполнения.

Формулировка «никто не заметил» устарела, и быстро. Когда мы проверили репозиторий 2026-09-09, у него было ноль звёзд и ноль форков; к 2026-09-10 в нём уже 216 звёзд, 12 форков и первый открытый issue. Карточка AuK показывает около тридцати загрузок за последний месяц и 26 лайков. Что не изменилось: вкладки обсуждений пусты, а в карточке по-прежнему указано, что чекпоинт не развёрнут ни одним провайдером инференса.

• Обе карточки моделей, README и ссылка на статью ведут к демо-Spaces на Hugging Face и ModelScope. Когда мы проверяли, Space на Hugging Face не был публично доступен без входа в систему, поэтому считайте путь «попробуйте в браузере» неподтверждённым для анонимных пользователей.

Карточка Hugging Face выше по-прежнему остаётся единственной публичной поверхностью устанавливаемого релиза: карточка модели, конфиг, два файла safetensors и лицензия. Всё, что было добавлено с тех пор, — это документационный слой вокруг неё: статья, таблица бенчмарков и блок цитирования, — и ничто из этого не меняет того факта, что за ней нет журнала изменений, ветки обсуждений и списка провайдеров инференса.

Суть: один интерфейс для инструкций, шестнадцать речевых задач.

Утверждение AuK не в том, что это лучшая модель синтеза речи из когда-либо выпущенных. Оно в том, что генерация — лишь одно из пяти семейств речевых задач, для которых модель обучалась через единый интерфейс на естественном языке, где запрос — это чат-сообщение, которое может содержать текст и необязательный эталонный аудиофайл. Статья формализует ровно ту таксономию, которую сайт проекта уже рекламировал:

• Генерация речи — zero-shot TTS (озвучивание заданного текста голосом из эталонной записи) и instruction TTS (генерация речи только на основе словесного описания голоса, без какого-либо эталонного аудио).

• Редактирование контента — переписывание сказанного: замена, вставка или удаление слов в существующей записи; а также редактирование текста песен, которое переписывает пропетые слова, сохраняя мелодию и голос.

• Акустическое редактирование — высота тона в полутонах, масштабирование скорости речи и громкость в децибелах.

• Паралингвистическое редактирование — изменение эмоциональной окраски, изменение тембра по описанию, устранение акцента, добавление или удаление невербальных звуков (вдохов, смеха, кашля), а также преобразование обычной речи в шёпот и обратно с сохранением голоса говорящего.

• Улучшение и разделение — подавление шума и устранение реверберации речи, разделение речи по очерёдности говорящих, разделение музыки и вокала, а также выделение целевого говорящего по произнесённой им фразе.

Кейс instruction-TTS — это то, что отличает данную версию от типичного релиза для клонирования голоса: AuK прочитает предложение голосом, который существует лишь как текстовое описание — в собственном примере документации указана женщина лет двадцати, говорящая с партнёром, только что вернувшимся домой, тепло, заботливо и слегка кокетливо, с мягким сладким тембром и чуть восходящей интонацией в конце предложения, и всё это без приложенного референс-клипа. Это устраняет необходимость в эталонной записи, которая обычно является основным ограничивающим фактором для клонирования. В отчёте впервые приводится числовая оценка этой задачи, и это одно из немногих мест, где AuK полностью обходит конкурентов, а не просто немного их опережает.

Внутри "1.5B": это число преуменьшает время выполнения.

Количество параметров AuK описывает диффузионный трансформер, а не весь конвейер, и в статье теперь подробно расписаны обе части. Базовой моделью является гибридный Transformer с rectified-flow — тридцать слоёв, состоящих из десяти двухпоточных блоков MMDiT, за которыми следуют двадцать объединённых однопоточных блоков DiT, скрытый размер 1536, 24 головы внимания размерности 64, промежуточная ширина SwiGLU 3072 — именно отсюда берётся цифра «примерно 1,5 миллиарда параметров». Вокруг неё располагаются два отдельно загружаемых компонента: мультимодальная LLM (Qwen/Qwen2.5-Omni-3B), которая преобразует инструкцию и любое референсное аудио в семантическое кондиционирование, и каузальный аудио-VAE на 24 кГц — в конфиге он называется BigVGANFlowVAE — который работает с 64-мерными латентными представлениями при частоте кадров 50 Гц, с шириной каналов энкодера до 768 и декодера до 1536. Таким образом, полный рантайм — это базовая модель на ~1,5 млрд параметров плюс энкодер на 3 млрд плюс VAE, а в инструкции по загрузке явно указано, что энкодер представляет собой отдельный чекпойнт с собственными условиями.

{{1}}Согласно отчёту, обучение проходило поэтапно и в масштабах, о которых сайт проекта лишь упоминал вскользь: разогрев только на генерации — 50 000 обновлений, затем 600 000 совместных обновлений генерации и редактирования, на примерно 3,03 миллиарда пар «инструкция–аудио», что соответствует около 1,95 миллиона часов эффективного обучения с учителем, на 256 GPU, плюс ещё 1,24 миллиона обновлений для VAE.{{/1}} {{2}}Пост-обучение объединяло оптимизацию предпочтений на основе человеческой обратной связи с обучением с подкреплением на основе вознаграждений; оно строилось на 818 информативных группах предпочтений и 9 080 оценённых кандидатах, пулах промптов для RL из 10 000 zero-shot и 5 000 промптов, следующих инструкциям, 30 000 примерах для стилевого оценщика и модели вознаграждения, дообученной из Qwen2.5-Omni-7B.{{/2}} {{3}}Это серьёзный стек пост-обучения для открытого релиза модели на 1,5 млрд параметров, и это также напоминание, что «открытые веса» описывают артефакт, а не вычисления, которые его создали, — момент, который стоит помнить, оценивая, можно ли воспроизвести такой результат.{{/3}}

Каждая цифра в этом техническом описании взята из собственных репозиториев и веб-сайта Tencent, а не измерена нами, и статья этого не изменила — она лишь перевела больше этих строк из разряда «заявленных» в разряд «задокументированных». Единственный показатель, который действительно был проверен с момента нашей первой публикации, — это активность самого репозитория, которая выросла с нуля звёзд до нескольких сотен за день.

Сайт проекта по-прежнему остаётся местом, где размещены схема архитектуры и академический кобрендинг, и это всё ещё самый простой способ увидеть форму модели: мультимодальная языковая модель для семантического обусловливания, VAE с частотой 50 Гц для акустики и гибридный трансформер, обучаемый по методу согласования потоков. Его раздел с бенчмарками, который при первом взгляде перечислял оценочный инструментарий без показателей, теперь отсылает к статье.

Технический отчёт публикуется, и цифры — собственные данные Tencent.

В этом суть обновления. В статье сообщается о результатах на семи оценочных наборах — том же списке, который сайт проекта приводил без цифр, — и по большинству осей генерации и редактирования контента AuK лидирует среди открытых моделей. Воспринимайте это как вендорскую таблицу бенчмарков, потому что так оно и есть: tencent провёл каждое сравнение, выбрал каждый бейзлайн и пока не опубликовал код для воспроизведения харнеса.

Zero-shot TTS на Seed-TTS-Eval: у AuK средний WER 2.65 при сходстве диктора 0.795, у Qwen3-TTS — 3.07 и 0.745, у Seed-TTS — 3.65 и 0.778, у VoxCPM2 — 3.65 и 0.767. AuK-Flash достигает 2.85 и 0.790. Лучшие отдельные подвыборки: 1.02 WER на английском тестовом наборе и 5.91 на сложном китайском наборе.

• Управляемый инструкциями TTS на InstructTTSEval: AuK набирает 83.37 на китайском и 81.60 на английском при следовании описаниям, тогда как Qwen3-TTS-VD показывает 81.10 и 82.40, а MOSS-VoiceGenerator — 80.00 и 82.00. AuK-Flash показывает 78.80 на китайском, но повторяет лучший английский результат в этой области — 82.40.

• Редактирование контента в SpeechEditBench: точность 91,83 против 76,46 у Ming-UniAudio, и 71,33 по просодии против 26,50 — два самых больших разрыва во всём отчёте.

• Инструкционно-управляемое редактирование в Ming-Freeform-Audio-Edit, полная конфигурация: ошибка слов снижается с 10,46 до 3,09 на китайском и с 14,28 до 3,96 на английском по сравнению с Ming-UniAudio, при этом точность редактирования возрастает с 79,62 до 91,47 и с 70,98 до 85,25. При акустическом редактировании то же сравнение показывает изменение ошибки слов с 5,01 до 2,02 для китайского и с 10,75 до 3,48 для английского.

Паралингвистическое редактирование на MMAE-Speech: показатель следования инструкциям 48.23 и переписывания контента 88.11 против Step-Audio-EditX с 43.52 и 77.27, и Ming-UniAudio с 34.13 и 76.01. AuK-Flash показывает лучший recall модели редактирования в таблице — 13.85.

• Восстановление, где модель конкурентоспособна, а не доминирует: DNS Challenge — десинхронизированная ошибка на словах 2.66 с схожестью диктора 0.99 против 3.31 у RE-USE; CHiME-4 — ошибка на словах 7.98 против 10.71 у RE-USE; Libri2Mix — ошибка на словах 9.12 против 9.34 у MossFormer2-SS; и VCTKSR — ошибка на словах 3.06 с схожестью 0.97.

• Сам VAE, оценённый отдельно: AuK-VAE достигает 4.143 PESQ на речи, 3.833 на обычном аудио и 3.884 на музыке, тогда как MiniMax-H3-AudioVAE — 3.633, 2.835 и 2.801 — чистый выигрыш, который значит больше, чем кажется, потому что потери в акустическом латентном пространстве ограничивают все задачи, построенные на его основе.

Закономерность, прослеживающаяся в этих пунктах, интереснее, чем громкие победы в заголовках. AuK далеко впереди во всём, что означает «изменить содержание сказанного или его звучание, сохранив всё остальное», — редактирование контента, просодия, акустические правки, реконструкция. Гораздо ближе к остальным он в редактировании эмоций и паралингвистики: его точность распознавания эмоций в SpeechEditBench — 9,94 — почти неотличима от 3,43 у Ming-UniAudio на бенчмарке, где обе модели слабы, а общий акустический балл 37,07 находится в том же диапазоне, что и у базовых моделей. Так что «одна модель для любой речевой задачи» — это формулировка Tencent; на самом деле отчёт показывает модель, которая отлично справляется с несколькими задачами, а на остальных просто присутствует.

Два чекпоинта: AuK и AuK-Flash

Tencent выпустила два варианта под одной и той же лицензией MIT. AuK — это базовая модель полного качества, и в отчёте её параметры сэмплирования зафиксированы на 32 вычислениях функции с масштабом классификатор-свободного управления 2.0. AuK-Flash — дистиллированная версия: консистентная инициализация и маршрутизируемая по задачам цель Decoupled DMD, формирующая результат за четыре фиксированных шага при полностью отключённом управлении; в статье это описывается как ускорение в 4,5 раза по настенному времени относительно полной модели в сопоставимых условиях. Собственные цифры статьи показывают, что Flash почти не уступает по большинству задач генерации — средняя ошибка по словам 2,85 и сходство 0,790 на Seed-TTS-Eval — именно поэтому заявление о скорости стоит проверять, а не отвергать: диффузия за четыре шага с качеством, близким к учителю, — это то, что сделало бы редактор речи на 1,5B параметров интерактивным на одной GPU. Тем не менее «сопоставимые условия» — это формулировка Tencent, описывающая бенчмарк Tencent, а показатель 4,5×, измеренный авторами, — ровно тот тип заявления, которому нужна третья сторона, прежде чем оно повлияет на какое-либо решение о закупке.

Что можно запустить сегодня

Практическая область применения здесь шире, чем при обычном тихом выпуске весов, потому что вместе с ним вышел и код. Установка ориентирована на Python 3.10 через uv или Conda, а в README предлагаются дополнительные сценарии установки, подключающие Gradio, ноды ComfyUI или стек тонкой настройки. Утилита командной строки auk-infer охватывает все задачи с единой формой сообщения: --instruction требуется всегда, а --audio опционален в зависимости от задачи. Сервер Gradio (auk-gradio) открывает доступ к моделям через селектор, а также есть пользовательские ноды ComfyUI с переиспользуемым воркфлоу, хотя в документации интеграции указано ограничение в 30 секунд на последовательность «источник + цель». Python API повторяет CLI, а легковесный пайплайн тонкой настройки обучается на JSONL с парами «инструкция-аудио», используя тот же формат сообщений, что и при инференсе. В README также описан Prompt Enhancer, который превращает свободные запросы в готовые к запуску команды auk-infer; он ожидает чат-эндпоинт, совместимый с OpenAI, и в качестве запасного варианта использует локальную модель SenseVoiceSmall для распознавания речи, когда не заданы облачные учётные данные ASR. Одно ограничение на текущий момент описано прямо: Qwen3-Omni пока не поддерживается в качестве пути энкодера, поэтому по-прежнему нужно скачивать чекпойнт Qwen2.5-Omni-3B.

Чего в документации по-прежнему нет — так это нижней границы по оборудованию. Для инференса не опубликовано ни одной цифры по объёму VRAM. В конфигурационных файлах есть примечание о градиентном чекпоинтинге: пик ~91 ГБ снижается до ~75 ГБ, но это описывает использование памяти при обучении, а не реалистичную цифру для однократного инференса. А эталонная команда, которая загружает AuK и AuK-Flash вместе, распределяет их по двум GPU — хотя в документации отмечается, что обе могут уместиться на одном. Учитывайте и сам загружаемый объём: примерно 6,8 ГБ на вариант плюс энкодер Qwen2.5-Omni-3B, а затем измеряйте память на своём GPU.

Что не подтверждено

Точность в отношении неизвестного по-прежнему остаётся сутью освещения модели на столь раннем этапе, и отчёт удалил ровно один пункт из этого списка, сохранив остальные без изменений:

• Не существует ни одного независимого запуска, который мы могли бы найти. Нет ни сторонних образцов голоса, ни воспроизведения бенчмарков, ни впечатлений в ветках обсуждений. Первый открытый issue в репозитории создан и остаётся без ответа, а количество загрузок на карточке модели всё ещё исчисляется десятками, так что разрыв между опубликованной таблицей и воспроизведённой — сейчас и есть вся история.

• Оценка проведена самостоятельно и узка в одном конкретном отношении. Каждый бейзлайн в отчёте — это другая модель с открытыми весами: Qwen3-TTS, Seed-TTS, VoxCPM2, Ming-UniAudio, Step-Audio-EditX, MOSS-VoiceGenerator, RE-USE, MossFormer2-SS. Ни одной из закрытых облачных речевых платформ, с которыми покупатель реально сопоставлял бы AuK, в отчёте нет, так что «лидирует на рынке» здесь означает «лидирует среди открытых моделей, отобранных Tencent».

• Название «AuK» по-прежнему нигде не расшифровывается: ни в статье, ни на карточках, ни в коде, — и оно сильно пересекается в поиске с морской птицей, American University of Kuwait и посторонними репозиториями.

Команда теперь, по крайней мере, видна — статья насчитывает 33 автора под руководством Цзыяна Ма, представляющих организацию Tencent Hunyuan, Шанхайский университет Цзяотун, Шанхайский инновационный институт и Наньянский технологический университет, — но кто именно в Tencent отвечает за модель на ежедневной основе и является ли она частью линейки Hunyuan или отдельным академическим сотрудничеством, остаётся невыясненным.

• Охват языков всё ещё задокументирован лишь частично: карточка AuK-Flash указывает китайский и английский, а примеры кода смешивают оба языка, но у базовой модели нет формального списка языков. Лицензирование имеет ту же особенность — сам AuK распространяется под MIT, а отдельно загружаемый кодировщик Qwen имеет собственные условия, так что «модель MIT» и «MIT для всего, что нужно для её запуска» — это не одно и то же.

Почему важна единая речевая модель с открытыми весами

Если сопоставить список задач AuK с тем, что разработчик на самом деле делает сегодня, то ставка становится яснее, чем до появления цифр. Выполнение всех этих задач существующими инструментами означает либо соединение в цепочку нескольких специализированных моделей — один открытый чекпоинт для клонирования, другой — для улучшения, отдельный разделитель, а также ручное или модельно-ассистируемое редактирование контента, — либо аренду нескольких закрытых облачных API, каждый из которых тарифицируется за задачу и за минуту аудио, и ни один из них не редактируется так, как описано в AuK. Один открытый чекпоинт с публичными весами, который рассматривает всё это как единую задачу генерации, обусловленной текстом, — это принципиально иной объект, и отчёт теперь подтверждает более точную версию этого утверждения, чем маркетинговые материалы: часть, связанная с редактированием, реальна, а не амбициозна. За последний год клонирование голоса стало товаром, но редактирование контента и просодии по инструкциям — это та область, где закрытые облачные платформы по-прежнему зарабатывают свою маржу, и результат 91.83 против 76.46 в редактировании контента — первое свидетельство того, что открытая модель способна занять эту нишу.

Честная оговорка: это диффузионная модель с прикрученной для кондиционирования языковой моделью на 3B параметров, и она наследует издержки такой архитектуры. Качество по задачам неравномерно — отлично там, где задача сводится к «сохранить всё, кроме правки», слабее на эмоциях — и нет ни хостируемого эндпоинта, ни решения для пакетной обработки, ни опубликованных задержек, кроме внутреннего сравнения Flash-варианта. Для компонентов голосового конвейера вокруг неё — LLM, которая решает, что следует сказать, и OpenAI-совместимой конечной точки чата Prompt Enhancer — маршрутизирующий API естественно подходит, и OrcaRouter предоставляет доступ к 200+ моделям по прейскуранту провайдера без наценки, так что для половины стека нужен один ключ и не требуется второго контракта. Аудиополовина же — это по-прежнему GPU под вашим контролем и чекпоинт, который никто за пределами Tencent не проверял.

Кто должен смотреть сейчас, а кто — подождать?

Для исследователей речи, разработчиков инструментов и всех, чья работа — оценка новых голосовых моделей, аргументы в пользу того, чтобы скачать AuK на этой неделе, весомее, чем в день запуска, и по-прежнему сопровождаются той же оговоркой. Теперь у вас есть документированная архитектура, рецепт, который выглядит воспроизводимым, и полная таблица целевых показателей, которые предстоит побить, — а это как раз то, что делает непроверенное утверждение достойным того, чтобы его оспорить. Плата за ранний старт остаётся прежней: выходные на настройку и GPU. Для тех, кто выбирает голосовой стек для продакшена, отчёт меняет расклад, но не закрывает вопрос: теперь есть цифры, с которыми можно спорить, однако это цифры вендора, они не включают закрытые платформы, с которыми вы на самом деле стали бы сравнивать, и по-прежнему нет ни API, ни минимальных требований к VRAM, ни послужного списка. Следите, в таком порядке: за независимым воспроизведением строк Seed-TTS-Eval и SpeechEditBench; за опубликованными сэмплами или доступным демо Space; и за тем, как какой-нибудь инференс-провайдер или хостинговая API подхватит AuK, — и в этот момент наша сквозная цена станет ценой из прайс-листа провайдера, день в день, потому что именно это и означает наценка 0%. Интересный вопрос больше не в том, выпустила ли Tencent очередную TTS-модель, — а в том, способна ли одна открытая модель действительно покрывать сразу все пять этих семейств задач, и теперь, когда Tencent опубликовала собственный ответ, осталось лишь, чтобы кто-то другой его проверил.