AuK-Flash och AuK: Tencent släppte tyst en öppen talmodell som genererar, redigerar och separerar ljud

Tencent släppte den här veckan två av de mest betydelsefulla öppna talmodellerna under 2026 och berättade det för nästan ingen. Omkring den 7 september offentliggjorde Tencent-organisationen på Hugging Face AuK — "en 1.5B-grundmodell för talgenerering och -redigering", enligt modellkortets egna ord — och AuK-Flash, den destillerade fyrstegsvarianten av samma modell, båda under MIT-licens. Det finns inget blogginlägg från Tencent, ingen annonsering i sociala medier och inget pressmeddelande kopplat till något av kodförråden; tillsammans har de två laddats ner ett par dussin gånger, kodförrådet som korten länkar till är inte nåbart, och det finns inget oberoende riktmärke någonstans på den indexerade webben. Den här texten redogör för vad som faktiskt kan utläsas från de två kodförråden, konfigurationsfilerna och Tencents egen projektsida — och vad som fortfarande är overifierat.

Påståendet är värt att ta på allvar även utan oberoende siffror, eftersom omfattningen är ovanlig. AuK är inte ytterligare en röstkloningsmodell. Genom ett enda naturligt språkbaserat instruktionsgränssnitt lovar den zero-shot- och instruktionsbaserad text-till-tal, redigering som når in i vad som sägs, hur det sägs och de icke-verbala ljuden runtomkring, plus talförbättring, talseparation och musikseparering. Fältet har historiskt byggt en separat specialiserad modell för var och en av dessa uppgifter. Tencents satsning, i en enda generativ ryggrad, är att en enda modell kan göra allt detta — och att AuK-Flash kan göra det tillräckligt snabbt för nära-realtidsanvändning.

Två kontrollpunkter, en release.

Tidsstämplarna i Hugging Face API:t berättar en historia om ett arkiv som låg privat innan det släpptes. Basarkivet tencent/AuK skapades den 18 augusti 2026 och tencent/AuK-Flash den 21 augusti; båda ändrades senast den 8 september, och modellkortet har en nyhetspost daterad den 7 september — "[2026/09/07] AuK är nu öppen källkod. Kod och modellvikter finns offentligt tillgängliga." Den naturliga tolkningen är att Tencent byggde arkiven i mitten till slutet av augusti, gjorde dem offentliga runt den 7 september och uppdaterade kortet igen den 8 september. Ingenting om modellen finns någonstans på den indexerade webben, och nedladdningsräknarna ligger på tiotal — så "tyst lansering" är inte ett retoriskt val, det är den bokstavliga situationen.

De två kontrollpunkterna är samma arkitektur vid olika skeden i dess liv. AuK är läraren: en basmodell inriktad på högkvalitativ generering. AuK-Flash är eleven: destillerad för snabb inferens i fyra steg, vilket gör den till det mer intressanta driftsättningsmålet och anledningen till att den står i rubriken här. På Tencents projektsida presenteras modellfamiljen som cirka 1,5 miljarder parametrar, tränad på vad modellkortet endast beskriver som ”miljoner timmar av varierad ljuddata” och som projektsidan preciserar till cirka 1,95 miljoner timmar effektiv övervakning, fördelad över cirka 3,03 miljarder instruktions–ljudinstanser. Projektsidan bär även märken från Shanghai Jiao Tong University och Tencent Hunyuan, vilket placerar AuK inom Tencent Hunyuans forskningslinje för öppna modeller snarare än i en kommersiell produktfamilj. Träning är inte det enda som skedde efter förträningen: Tencent beskriver ett postträningssteg som blandar preferensoptimering från mänsklig feedback för öppen redigering med belöningsbaserad förstärkningsinlärning för talgenerering.

Varianttabellen i kortet är otvetydig om vilken som är vilken: AuK är {{1}}"grundmodellen för generering av hög kvalitet,"{{/1}} AuK-Flash är {{2}}"den destillerade modellen för snabb inferens i fyra steg."{{/2}} Båda kan laddas ner från Hugging Face och ModelScope under Tencent-Hunyuan-namnrymden, och båda har MIT-licens — {{3}}bland de mest permissiva licenserna som en utgåva med öppna vikter kan ha,{{/3}} {{4}}vilket spelar roll för den som vill bygga en produkt ovanpå.{{/4}}

Vad en instruktionsdriven modell faktiskt gör

AuK:s gränssnitt är en enda promptruta: du ger modellen en instruktion på naturligt språk och, där en uppgift kräver det, en ljudreferens, och den returnerar ljud. Grupperade enligt kortets egen taxonomi är de fem uppgiftsfamiljerna:

• Talgenerering — zero-shot TTS som klonar en röst från ett referensklipp, och "instruct TTS" som syntetiserar tal från enbart en röstbeskrivning ("en varm kvinnlig röst, något långsammare"), utan referensljud alls.

• Innehållsredigering — att skriva om det som sägs: ersätta, infoga eller ta bort ord i en befintlig inspelning, samt textredigering som skriver om orden i ett sångklipp samtidigt som melodin och sångarens röst behålls.

• Akustisk redigering — tonhöjd i halvtoner, talhastighet och volym i decibel, var och en justerbar på ett befintligt klipp medan identitet och innehåll bevaras.

• Paralingvistisk redigering — emotion, klangfärg (utifrån en beskrivning), avaccentuering, tillägg eller borttagning av icke-verbala ljud som andetag, skratt och hostningar, samt konvertering mellan normalt tal och viskning.

• Förbättring och separation – talförbättring (brusreducering och avreverberering), talseparation efter talordning, musikseparation som lyfter ut sångrösten ur en mix, och extraktion av måltalare som identifieras utifrån vad talaren säger.

Den listan är den verkliga särskiljaren. De flesta kapabla öppna talsystemen 2026 är starka på en eller två av dessa — röstkloning och TTS är det trånga hörnet — och svaga eller helt frånvarande på resten. AuK:s satsning är bredd: samma vikter, samma instruktionsformat, över generering, redigering och separering, vilket är en omfattning som normalt bara levereras som en samling finjusterade specialmodeller.

Hur det är byggt

Att läsa databaserna och projektsidan tillsammans ger en sammanhållen bild av arkitekturen. AuK är inte en autoregressiv ljudspråkmodell av det slag som läser text och avger token. Det är ett flow-matching-diffusionssystem i bildmodellers stil, med tre delar:

• En stor multimodal språkmodell — Qwen/Qwen2.5-Omni-3B, nedladdad separat — läser instruktionen och eventuellt referensljud och producerar den semantiska konditioneringen.

En audio-VAE som gemensamt tränats på tal, allmänt ljud och musik kodar och avkodar vid 24 kHz genom 50 Hz akustiska latenter; repots konfiguration identifierar den som en BigVGANFlowVAE med en latent dimension på 64 och en 480-faldig nedsampling, och tillhandahåller den som en separat vae.safetensors-fil.

• Den generativa kärnan är en hybrid Transformer med rectified flow: dual-stream-MMDiT-block som håller text- och ljudkonditionering åtskilda, följda av enhetliga single-stream-DiT-block som blandar dem, tränade med ett flow-matching-mål. Den publicerade konfigurationen visar en modell med bredd 1 536, 24 huvuden, 10 dual-stream-lager och 20 single-stream-lager.

AuK-Flash är samma transformer efter destillering. Tencent beskriver en tvåstegsprocess — konsistensinitialisering på trajektorienivå, följt av ett "task-routing decoupled" DMD-mål — avslutad med clean-prediction-regressionsövervakning. Resultatet, enligt projektsidan, är genereringskvalitet nära lärarens i fyra samplingssteg, utan klassificeringsfri vägledning vid inferens, och med ungefär 4,5× snabbare väggklocktid än hela modellen under matchade förhållanden. Dessa är leverantörspåståenden, inte oberoende reproducerade, men de är det konkreta skälet till att AuK-Flash är den variant en byggare skulle sträcka sig efter.

Vad Tencent påstår, och vad en läsare kan kontrollera.

{{1}}Projektsidan gör starka kvalitativa påståenden — AuK är "ledande" inom generering och redigering och "konkurrenskraftig" på restaureringsuppgifter på signalnivå, som förbättring och separation — och listar benchmarksviterna bakom dessa påståenden: Seed-TTS-Eval och InstructTTSEval för generering, MMAE-Speech, SpeechEditBench och Ming-Freeform-Audio-Edit för redigering, DNSMOS och UTMOS för perceptuell kvalitet, samt DNS Challenge, CHiME-4 och Libri2Mix för förbättring och separation.{{/1}} {{2}}Inga numeriska poäng publiceras på sidan, det finns ingen artikel bakom den och ingen tredje part har reproducerat något av det.{{/2}} {{3}}Vartenda ett av dessa påståenden är leverantörsrapporterat och bör läsas så tills en oberoende körning finns.{{/3}}

Två andra påståenden behöver flaggas eftersom de inte överlevde en direkt kontroll den 9 september 2026. För det första säger kortet att koden är offentligt tillgänglig och länkar till github.com/Tencent-Hunyuan/AuK för installation, Gradio, ComfyUI och finjusteringsinstruktioner – men detta repository returnerar HTTP 404 när detta skrivs, och det finns inte bland Tencent-Hunyuan-organisationens offentliga repositories. Koden kanske helt enkelt fortfarande håller på att rullas ut; oavsett vilket är ”code is available” för närvarande kortets påstående, inte något en läsare kan agera på. För det andra pekar kortet på demo Spaces på Hugging Face och ModelScope: ModelScope-studion svarar, men Hugging Face Space krävde auktorisering vid kontrollen, så demosarna är i bästa fall delvis offentliga.

Vad finns här, vad saknas

Att göra en avstämning den 9 september 2026 skiljer en verklig release från en komplett sådan.

• Nu — två nedladdningsbara viktset under MIT-licens: tencent/AuK för basmodellen och tencent/AuK-Flash för den destillerade fyrastegsvarianten, vardera cirka 6,1 GB för diffusionstransformatorn plus en medföljande VAE, speglade på Hugging Face och ModelScope.

• Nutid — ett ovanligt brett spektrum av uppgifter under ett enda instruktionsgränssnitt: generering, innehållsredigering, akustisk och paralingvistisk redigering, förbättring och separation, allt i en enda modellfamilj.

• Presentera — en konkret ”snabb” berättelse: AuK-Flash destilleras till fyra steg utan någon klassificerarfri vägledning, med en av leverantören hävdad 4,5× väggklockstidsacceleration.

• Saknas — ett tillkännagivande. Inget Tencent-blogginlägg, inlägg i sociala medier, pressmeddelande eller Hunyuan-kanalinlägg pekar ännu på något av arkiven.

• Saknas — en artikel eller teknisk rapport. Citatblocket på projektsidan är en platshållare utan författare och utan arXiv-identifierare, och det finns inga publicerade siffror bakom benchmark-påståendena.

• Saknas — tillgänglig kod. GitHub-repositoriet och Cookbook som kortet länkar till returnerar 404 vid den senaste kontrollen, så idag är den enda körbara artefakten vikterna plus det som communityn bygger runt dem.

• Saknas — serving och oberoende utvärdering. Ingen inferensleverantör är värd för AuK, inget värdbaserat API finns, och med nedladdningar i dussintal har ingen publicerat en reproduktion ännu.

Kör AuK-Flash idag, eller väntar?

Om du vill köra AuK-Flash själv är nedladdningsvägen tydlig även om koden inte är det: hämta tencent/AuK-Flash och tencent/AuK (basen är valfri om du inte vill ha lärarmodellen), och hämta även Qwen/Qwen2.5-Omni-3B, eftersom checkpointen bara innehåller diffusions-transformatorns och lagerfusionens vikter — multimodal-kodaren och VAE:n laddas från separata filer vid körning, och modellkortet noterar att saknade text_encoder-nycklar under inläsning är förväntade. Hårdvaran är den verkliga begränsningen. Det här är en ~1,5B-diffusionstransformator vars checkpoint ensam är ~6,1 GB, som körs tillsammans med en ~3B multimodal kodare och en VAE, så en GPU med 24 GB är en rimlig utgångspunkt snarare än en laptopmodell; konfigurationens minnesnoteringar, som nämner att gradient checkpointing sänker träningstopparna från ungefär 91 GB till 75 GB, handlar om träning och ska inte läsas som krav för inferens. På mjukvarusidan är standardinställningen flash-attention-backend, men inferens-CLI:n kan falla tillbaka till en vanlig torch-attention-backend, vilket tar bort flash-attn-byggsteget vid en första körning.

Om det är värt att göra i dag beror på vad du bygger. Det ärliga sakläget är att detta är en modell att hålla koll på och testa i en sandlåda, inte en att koppla in i en produktionspipeline ännu — utan paper, utan tillgänglig kod och utan oberoende utvärdering vilar kapabilitetsanspråken helt på Tencents ord. För ett team som i dag vill ha talgenerering, talredigering eller talseparering via ett API är en modell som faktiskt serveras det pragmatiska valet, vilket är precis den roll OrcaRouter spelar bland de modeller som faktiskt har endpoints: ett API för 200+ modeller där leverantörernas listpriser förs vidare utan påslag — så en leverantörs pris är ditt pris från första dagen — och automatisk failover, så att en obeprövad nykomling kan testas på en del av den verkliga trafiken utan att satsa hela pipelinen på den. Inget av detta gäller AuK eller AuK-Flash ännu, eftersom ingenting serverar dem. Så snart en leverantör hostar AuK blir routerekonomin det billiga sättet att utvärdera den; tills dess är valet att själv hosta vikterna eller att vänta.

Vanliga frågor

Finns AuK eller AuK-Flash tillgängligt via ett API?

Nej. Båda är endast viktutgåvor. Ingen inferensleverantör är värd för dem och ingen värdbaserad API finns, så det finns inget att anropa idag — det enda sättet att använda dem är att ladda ner vikterna och köra dem själv.

Vad är skillnaden mellan AuK och AuK-Flash?

Samma modellfamilj i två steg. AuK är basmodellen, avsedd för högkvalitativ generering; AuK-Flash är dess destillerade variant, anpassad för snabb fyrstegsinferens utan klassificerarfri styrning, som enligt Tencent går ungefär 4,5× snabbare än basmodellen under matchade förhållanden. Den hastighetssiffran är leverantörsrapporterad och har inte mätts oberoende.

Kan AuK-Flash användas kommersiellt?

Vikterna släpps under MIT-licensen, som tillåter kommersiell användning med bevarad licensnotis – den minst restriktiva av de vanliga open-weights-licenserna. Det separata kodförråd som kortet länkar till är inte nåbart från och med den 9 september 2026, så det praktiska svaret för kodåteranvändning är fortfarande öppet tills det dyker upp.

Vad du ska titta på

Kodförrådet — github.com/Tencent-Hunyuan/AuK är den enskilt mest värdefulla saknade artefakten. När den väl dyker upp förvandlar Cookbookens instruktionsmallar den ovanstående uppgiftslistan från marknadsföring till något körbart.

• En oberoende körning — den första tredjepartsreproduktionen kommer att avgöra om de "ledande" generations- och redigeringsanspråken överlever kontakt med verkligt ljud, och om fyrstegs AuK-Flash verkligen närmar sig basmodellen.

• En artikel — projektsidans citering är en platshållare, vilket vanligtvis innebär att en arXiv-inlämning är på väg; träningsreceptet, benchmarksiffrorna och destillationsdetaljen finns där.

• En serving-lista — den första inferensleverantören som hostar AuK förvandlar den från en katalog av vikter till en anropsbar modell med ett pris, vilket är när den blir testbar via en router snarare än som ett självhosteriprojekt.

AuK och AuK-Flash är verkliga men ofärdiga, på det sätt som de mest intressanta öppna releaserna brukar vara: vikterna är ärliga, och berättelsen om dem har ännu inte skrivits. Bokmärk tencent/AuK-Flash, behandla varje kapacitetspåstående som leverantörsrapporterat tills en artikel eller ett oberoende benchmark landar, och se om de närmaste dagarna medför koden som skulle förvandla detta från ett lovande artefakt till ett byggbart.