AuK-Flash và AuK: Tencent âm thầm phát hành một mô hình giọng nói mã nguồn mở có thể tạo, chỉnh sửa và tách âm thanh

Tuần này, Tencent đã phát hành hai trong số những mô hình giọng nói mã nguồn mở quan trọng nhất của năm 2026 nhưng gần như không báo cho ai biết. Vào khoảng ngày 7 tháng 9, tổ chức Tencent trên Hugging Face đã công khai AuK — {{1}}"một mô hình nền tảng 1.5B để tạo và biên tập giọng nói,"{{/1}} theo mô tả trong model card của chính nó — và AuK-Flash, biến thể bốn bước được chưng cất từ chính mô hình đó, cả hai đều được phát hành theo giấy phép MIT. Không có bài đăng blog nào của Tencent, không có thông báo mạng xã hội và không có thông cáo báo chí nào đi kèm hai kho lưu trữ này; tổng cộng cả hai mô hình chỉ có vài chục lượt tải xuống, {{2}}kho mã nguồn mà các model card liên kết tới không thể truy cập được{{/2}}, và không có chuẩn đánh giá độc lập nào tồn tại ở bất kỳ đâu trên web đã được lập chỉ mục. Bài viết này trình bày {{3}}những gì thực sự có thể biết được từ hai kho lưu trữ, các tệp cấu hình và trang dự án của chính Tencent{{/3}} — và {{4}}những gì vẫn chưa được kiểm chứng{{/4}}.

{{1}}Lời tuyên bố này đáng được xem xét nghiêm túc ngay cả khi chưa có số liệu độc lập, vì phạm vi bao phủ của nó rất khác thường.{{/1}} {{2}}AuK không phải là một mô hình nhân bản giọng nói thông thường khác.{{/2}} {{3}}Thông qua một giao diện chỉ dẫn bằng ngôn ngữ tự nhiên duy nhất, nó hứa hẹn khả năng chuyển văn bản thành giọng nói dạng zero-shot và dựa trên chỉ dẫn, khả năng chỉnh sửa tác động đến cả nội dung được nói, cách nói và những âm thanh phi ngôn ngữ xung quanh, cùng với khả năng tăng cường giọng nói, tách giọng nói và tách nhạc.{{/3}} {{4}}Trước đây, lĩnh vực này xây dựng một mô hình chuyên biệt cho từng nhiệm vụ trong số đó.{{/4}} {{5}}Tencent đặt cược vào một bộ khung tạo sinh duy nhất rằng một mô hình duy nhất có thể làm được tất cả — và AuK-Flash có thể làm điều đó đủ nhanh để sử dụng gần như theo thời gian thực.{{/5}}

Hai điểm kiểm tra, một bản phát hành

Dấu thời gian của Hugging Face API kể lại câu chuyện về một kho lưu trữ đã ở chế độ riêng tư trước khi được phát hành. Kho lưu trữ gốc tencent/AuK được tạo vào ngày 18 tháng 8 năm 2026, còn tencent/AuK-Flash vào ngày 21 tháng 8; cả hai được sửa đổi lần cuối vào ngày 8 tháng 9, và thẻ mô hình có một mục tin tức đề ngày 7 tháng 9 — "[2026/09/07] AuK is now open-source. Code and model weights are publicly available." Cách hiểu tự nhiên là Tencent đã xây dựng các kho lưu trữ trong khoảng giữa đến cuối tháng 8, chuyển chúng sang công khai vào khoảng ngày 7 tháng 9, rồi chỉnh sửa thẻ một lần nữa vào ngày 8 tháng 9. Không có bất kỳ thông tin nào về mô hình xuất hiện trên web được lập chỉ mục, và bộ đếm lượt tải về chỉ dừng ở con số hàng chục — vì vậy "phát hành âm thầm" không phải là một lựa chọn tu từ, mà chính là hiện trạng theo nghĩa đen.

Hai checkpoint này có cùng một kiến trúc nhưng ở những thời điểm khác nhau trong vòng đời của kiến trúc đó. AuK là mô hình giáo viên: một mô hình nền hướng tới việc tạo sinh chất lượng cao. AuK-Flash là mô hình học sinh: được chưng cất để suy luận nhanh chỉ trong bốn bước — điều khiến nó trở thành mục tiêu triển khai thú vị hơn và cũng là lý do nó dẫn đầu tiêu đề ở đây. Trên trang dự án của Tencent, dòng mô hình này được giới thiệu là có khoảng 1,5 tỷ tham số, được huấn luyện trên dữ liệu mà thẻ mô hình chỉ mô tả là "hàng triệu giờ dữ liệu âm thanh đa dạng", còn trang dự án thì xác định cụ thể là khoảng 1,95 triệu giờ giám sát hiệu quả trên khoảng 3,03 tỷ mẫu hướng dẫn–âm thanh. Trang dự án cũng mang dấu ấn của Đại học Giao thông Thượng Hải và Tencent Hunyuan, đặt AuK vào dòng nghiên cứu mô hình mở của Tencent Hunyuan thay vì vào một dòng sản phẩm thương mại. Huấn luyện không phải là điều duy nhất diễn ra sau tiền huấn luyện: Tencent mô tả một giai đoạn hậu huấn luyện kết hợp tối ưu hóa sở thích từ phản hồi của con người cho các tác vụ chỉnh sửa mở với học tăng cường dựa trên phần thưởng cho quá trình tạo giọng nói.

Bảng biến thể trong thẻ mô tả hoàn toàn rõ ràng về việc cái nào là cái nào: AuK là "mô hình cơ sở để tạo sinh chất lượng cao," AuK-Flash là "mô hình chưng cất để suy luận nhanh 4 bước." Cả hai đều có thể tải xuống từ Hugging Face và ModelScope dưới namespace Tencent-Hunyuan, và cả hai đều mang giấy phép MIT — một trong những giấy phép cho phép thoải mái nhất mà một bản phát hành trọng số mở có thể có, điều này quan trọng với bất kỳ ai muốn xây dựng sản phẩm dựa trên chúng.

Điều mà một mô hình điều khiển theo chỉ dẫn thực sự làm

Giao diện của AuK là một khung nhập lệnh duy nhất: bạn cung cấp cho mô hình một chỉ dẫn bằng ngôn ngữ tự nhiên và, khi tác vụ cần, một bản tham chiếu âm thanh, và nó sẽ trả về âm thanh. Được phân nhóm theo bảng phân loại riêng của thẻ, năm nhóm tác vụ là:

• {{1}}Tạo giọng nói{{/1}} — {{2}}TTS zero-shot có khả năng nhân bản giọng nói từ một đoạn ghi âm tham chiếu, và "TTS theo chỉ dẫn" (instruct TTS) có khả năng tổng hợp giọng nói chỉ dựa trên mô tả về giọng nói (ví dụ: "một giọng nữ ấm áp, hơi chậm hơn") mà không cần bất kỳ đoạn âm thanh tham chiếu nào.{{/2}}

• Chỉnh sửa nội dung — viết lại những gì được nói: thay thế, chèn hoặc xóa từ trong bản ghi âm hiện có, và chỉnh sửa lời bài hát để viết lại lời của một đoạn clip hát trong khi vẫn giữ nguyên giai điệu và giọng ca sĩ.

• Chỉnh sửa âm thanh — cao độ theo nửa cung, tốc độ nói và âm lượng theo decibel, từng thông số đều có thể điều chỉnh trên clip có sẵn trong khi vẫn giữ nguyên danh tính và nội dung.

• Chỉnh sửa đặc điểm cận ngôn ngữ — cảm xúc, âm sắc (theo mô tả), loại bỏ sự nhấn giọng, thêm hoặc bớt các âm thanh không lời như tiếng thở, tiếng cười và tiếng ho, cùng với việc chuyển đổi giữa giọng nói bình thường và giọng thì thầm.

• {{1}}Tăng cường và tách{{/1}} — tăng cường tiếng nói (khử nhiễu và khử vang), tách tiếng nói theo thứ tự nói, tách nhạc để lấy giọng hát ra khỏi bản phối, và trích xuất giọng người nói mục tiêu dựa trên nội dung người đó nói.

Danh sách đó chính là yếu tố khác biệt thực sự. Hầu hết các hệ thống giọng nói mã nguồn mở mạnh nhất năm 2026 chỉ giỏi một hoặc hai trong số các khả năng này — nhân bản giọng nói và TTS là mảng đông đúc nhất — còn các phần còn lại thì yếu hoặc vắng bóng. Cách đặt cược của AuK là vào bề rộng: cùng một bộ trọng số, cùng một định dạng chỉ dẫn, áp dụng xuyên suốt cho tạo sinh, chỉnh sửa và tách âm thanh — một phạm vi mà thông thường chỉ xuất hiện dưới dạng một bộ sưu tập các mô hình chuyên biệt được tinh chỉnh.

Cách nó được xây dựng

Đọc các kho lưu trữ và trang dự án cùng nhau cho thấy một bức tranh kiến trúc nhất quán. AuK không phải là một mô hình ngôn ngữ âm thanh tự hồi quy loại đọc văn bản và phát ra token. Nó là một hệ thống khuếch tán flow-matching theo khuôn mẫu mô hình hình ảnh, gồm ba phần:

• Một mô hình ngôn ngữ lớn đa phương thức — Qwen/Qwen2.5-Omni-3B, được tải xuống riêng biệt — đọc hướng dẫn và bất kỳ âm thanh tham chiếu nào rồi tạo ra điều kiện hóa ngữ nghĩa.

• Một VAE âm thanh được huấn luyện chung trên giọng nói, âm thanh tổng hợp và âm nhạc, mã hóa và giải mã ở tần số 24 kHz thông qua các latent âm thanh 50 Hz; cấu hình của kho lưu trữ nhận diện nó là BigVGANFlowVAE với chiều latent 64 và giảm mẫu 480 lần, đồng thời cung cấp nó dưới dạng một tệp vae.safetensors riêng biệt.

• Lõi tạo sinh là một Transformer lai rectified-flow: các khối MMDiT song luồng giữ riêng biệt phần điều kiện hóa văn bản và âm thanh, tiếp theo là các khối DiT đơn luồng hợp nhất để trộn chúng, được huấn luyện theo mục tiêu flow-matching. Cấu hình phát hành cho thấy mô hình có độ rộng 1.536 với 24 đầu, 10 lớp song luồng và 20 lớp đơn luồng.

AuK-Flash chính là cùng một transformer đó sau khi được chưng cất. Tencent mô tả quy trình hai giai đoạn — khởi tạo nhất quán ở mức quỹ đạo, sau đó là mục tiêu DMD “tách rời định tuyến tác vụ” — và hoàn tất bằng giám sát hồi quy dự đoán sạch. Theo trang dự án, kết quả là chất lượng tạo sinh gần bằng mô hình giáo viên chỉ với bốn bước lấy mẫu, không cần classifier-free guidance khi suy luận, đồng thời nhanh hơn khoảng 4,5 lần về thời gian thực so với mô hình đầy đủ trong điều kiện tương đương. Đó là những tuyên bố của nhà cung cấp, chưa được tái lập, nhưng chúng là lý do cụ thể khiến AuK-Flash trở thành biến thể mà một nhà phát triển sẽ lựa chọn.

Điều Tencent tuyên bố, và điều người đọc có thể kiểm chứng

Trang dự án đưa ra những tuyên bố định tính mạnh — AuK "dẫn đầu" về tạo sinh và chỉnh sửa, và "cạnh tranh" ở các tác vụ khôi phục cấp tín hiệu như tăng cường và tách nguồn — đồng thời liệt kê các bộ benchmark đứng sau các tuyên bố này: Seed-TTS-Eval và InstructTTSEval cho tạo sinh, MMAE-Speech, SpeechEditBench và Ming-Freeform-Audio-Edit cho chỉnh sửa, DNSMOS và UTMOS cho chất lượng cảm nhận, cùng DNS Challenge, CHiME-4 và Libri2Mix cho tăng cường và tách nguồn. Trang không công bố điểm số định lượng nào, không có bài báo khoa học nào đứng sau, và chưa có bên thứ ba nào tái lập bất kỳ kết quả nào trong số đó. Mọi tuyên bố trong danh sách này đều do nhà cung cấp tự báo cáo và cần được hiểu theo đúng nghĩa đó cho đến khi có một đợt đánh giá độc lập.

Hai tuyên bố khác cần được nêu rõ vì chúng không đứng vững khi kiểm tra trực tiếp vào ngày 9 tháng 9 năm 2026. Thứ nhất, thẻ mô tả cho biết mã nguồn được công khai và liên kết đến github.com/Tencent-Hunyuan/AuK để hướng dẫn cài đặt, Gradio, ComfyUI và tinh chỉnh — nhưng kho lưu trữ đó trả về HTTP 404 tại thời điểm viết bài này, và nó không nằm trong số các kho lưu trữ công khai của tổ chức Tencent-Hunyuan. Mã nguồn có thể chỉ đơn giản là vẫn đang được phát hành dần; dù thế nào đi nữa, "mã nguồn có sẵn" hiện vẫn chỉ là tuyên bố trên thẻ, chứ không phải thứ mà người đọc có thể dựa vào để hành động. Thứ hai, thẻ mô tả trỏ đến các bản demo Spaces trên Hugging Face và ModelScope: studio ModelScope phản hồi, nhưng Space trên Hugging Face khi kiểm tra lại bị chặn bởi tường xác thực, nên các bản demo đó nhiều nhất cũng chỉ công khai một phần.

Có gì ở đây, còn thiếu gì

Việc kiểm điểm vào ngày 9 tháng 9 năm 2026 phân biệt một bản phát hành thực sự với một bản phát hành hoàn chỉnh.

• Hiện tại — hai bộ trọng số có thể tải xuống theo giấy phép MIT: tencent/AuK cho mô hình cơ sở và tencent/AuK-Flash cho biến thể bốn bước đã chưng cất, mỗi bộ nặng khoảng 6,1 GB, gồm diffusion transformer và VAE đi kèm, được đăng tải trên Hugging Face và ModelScope.

Cung cấp — một bề mặt tác vụ rộng bất thường dưới một giao diện chỉ dẫn duy nhất: tạo sinh, chỉnh sửa nội dung, âm học và phi ngôn ngữ, tăng cường và tách âm, tất cả trong cùng một dòng mô hình.

• Trình bày — một câu chuyện “nhanh” cụ thể: AuK-Flash được chưng cất xuống chỉ còn bốn bước mà không cần đến hướng dẫn không phân loại, với mức tăng tốc 4,5× theo thời gian chạy thực tế do nhà cung cấp tuyên bố.

• Còn thiếu — một thông báo. Chưa có bài đăng blog Tencent, bài đăng mạng xã hội, thông cáo báo chí hay bài đăng kênh Hunyuan nào trỏ tới một trong hai kho lưu trữ.

• Thiếu — một bài báo hoặc báo cáo kỹ thuật. Khối trích dẫn trên trang dự án là một trình giữ chỗ không có tác giả và không có mã định danh arXiv, và không có số liệu công bố nào đằng sau các tuyên bố điểm chuẩn.

• Thiếu — mã nguồn có thể truy cập. Kho lưu trữ GitHub và Cookbook mà các liên kết trên thẻ trỏ đến đều trả về 404 tại thời điểm kiểm tra trạng thái, vì vậy hiện tại tạo phẩm duy nhất có thể chạy được là các trọng số cùng với bất cứ thứ gì cộng đồng tập hợp xung quanh chúng.

• Thiếu — phục vụ và đánh giá độc lập. Không có nhà cung cấp suy luận nào lưu trữ AuK, không có API được lưu trữ nào tồn tại, và với số lượt tải chỉ hàng chục, chưa ai công bố bản tái lập.

Hôm nay chạy AuK-Flash, hay chờ?

Nếu bạn muốn tự chạy AuK-Flash, đường dẫn tải xuống được nêu rõ ràng mặc dù mã nguồn thì không: hãy kéo tencent/AuK-Flash và tencent/AuK (bản base là tùy chọn trừ khi bạn cần model teacher), đồng thời kéo cả Qwen/Qwen2.5-Omni-3B, vì checkpoint chỉ chứa các trọng số diffusion-transformer và layer-fusion — bộ mã hóa đa phương thức và VAE được tải từ các tệp riêng biệt lúc chạy, và thẻ mô hình ghi chú rằng việc thiếu các khóa text_encoder khi tải là điều bình thường. Phần cứng mới chính là ràng buộc thực sự. Đây là một diffusion transformer khoảng 1,5 tỷ tham số, riêng checkpoint đã nặng khoảng 6,1 GB, chạy cùng bộ mã hóa đa phương thức khoảng 3 tỷ tham số và một VAE, vì vậy GPU 24 GB là điểm khởi đầu hợp lý thay vì coi đây là mô hình chạy trên laptop; các ghi chú bộ nhớ trong config, vốn đề cập đến việc gradient checkpointing giúp giảm đỉnh huấn luyện từ khoảng 91 GB xuống 75 GB, là nói về huấn luyện chứ không nên hiểu thành yêu cầu suy luận. Về phần mềm, config mặc định dùng backend flash-attention, nhưng CLI suy luận có thể dự phòng sang backend attention torch thuần túy, giúp bỏ qua bước biên dịch flash-attn cho lần chạy đầu tiên.

Việc đó có đáng làm hôm nay hay không còn tùy thuộc vào thứ bạn đang xây dựng. Nói thẳng ra thì đây là một mô hình đáng để theo dõi và thử nghiệm trong sandbox, chứ chưa phải là mô hình để đưa vào pipeline sản xuất — khi không có bài báo nghiên cứu, không có mã nguồn nào có thể truy cập và không có đánh giá độc lập, toàn bộ tuyên bố về năng lực chỉ dựa hoàn toàn vào lời của Tencent. Với một nhóm cần tính năng tạo giọng nói, chỉnh sửa hoặc tách âm thanh qua API ngay lúc này, một mô hình thực sự có dịch vụ phục vụ mới là lựa chọn thực dụng, và đó chính xác là vai trò OrcaRouter đảm nhiệm giữa các mô hình có endpoint: một API cho hơn 200 mô hình, giá niêm yết của nhà cung cấp được giữ nguyên mà không cộng thêm bất kỳ khoản phụ phí nào, nên giá của nhà cung cấp chính là giá của bạn ngay từ ngày đầu tiên, cùng với cơ chế chuyển đổi dự phòng tự động để một sản phẩm mới chưa qua kiểm chứng có thể được dùng thử trên một phần lưu lượng truy cập thật mà không phải đặt cược cả pipeline vào nó. Không điều nào trong số đó áp dụng được cho AuK hay AuK-Flash vào lúc này, vì chưa có dịch vụ nào phục vụ chúng. Ngay khi một nhà cung cấp lưu trữ AuK, kinh tế router sẽ trở thành cách rẻ để đánh giá nó; còn cho đến lúc đó, lựa chọn chỉ là tự lưu trữ các trọng số hoặc chờ đợi.

Các câu hỏi thường gặp

AuK hoặc AuK-Flash có khả dụng qua API không?

Không. Cả hai đều là bản phát hành chỉ có trọng số (weights-only). Không có nhà cung cấp suy luận nào lưu trữ chúng và cũng không có API lưu trữ nào tồn tại, vì vậy hiện tại không có gì để gọi — cách duy nhất để sử dụng chúng là tải trọng số về và tự chạy.

Sự khác biệt giữa AuK và AuK-Flash là gì?

Cùng một dòng mô hình ở hai giai đoạn. AuK là mô hình cơ sở, hướng đến tạo sinh chất lượng cao; AuK-Flash là biến thể chưng cất của nó, được tinh chỉnh để suy luận nhanh qua bốn bước mà không cần hướng dẫn phi phân loại (classifier-free guidance). Tencent cho biết bản này chạy nhanh hơn khoảng 4,5 lần so với mô hình cơ sở trong điều kiện tương đương. Con số tăng tốc này do nhà cung cấp báo cáo và chưa được đo lường độc lập.

AuK-Flash có thể được sử dụng cho mục đích thương mại không?

Trọng số được phát hành dưới giấy phép MIT, giấy phép cho phép sử dụng thương mại với điều kiện giữ nguyên thông báo giấy phép — đây là giấy phép mở cho trọng số phổ biến ít hạn chế nhất. Kho mã nguồn riêng mà model card liên kết đến hiện không thể truy cập được tính đến ngày 9 tháng 9 năm 2026, vì vậy câu trả lời thực tế cho việc tái sử dụng mã nguồn vẫn còn bỏ ngỏ cho đến khi nó xuất hiện.

Xem gì

• Kho mã nguồn — github.com/Tencent-Hunyuan/AuK là hiện vật còn thiếu có giá trị cao nhất. Khi nó xuất hiện, các bản mẫu hướng dẫn của Cookbook sẽ biến danh sách nhiệm vụ ở trên từ quảng cáo thành thứ có thể chạy được.

Một thử nghiệm độc lập — bản tái hiện đầu tiên từ bên thứ ba sẽ xác định liệu những tuyên bố "hàng đầu" về khả năng tạo và chỉnh sửa âm thanh có đứng vững khi đối mặt với âm thanh thực tế hay không, và liệu AuK-Flash bốn bước có thực sự tiệm cận với mô hình cơ sở hay không.

• Một bài báo — phần trích dẫn trên trang dự án chỉ là chỗ giữ chỗ, điều này thường có nghĩa là một bài đăng arXiv sắp được gửi; công thức huấn luyện, số liệu benchmark và chi tiết distillation đều nằm trong đó.

• Một danh sách phục vụ — nhà cung cấp suy luận đầu tiên lưu trữ AuK biến nó từ một thư mục trọng số thành một mô hình có thể gọi với mức giá, và đây là lúc nó có thể được dùng thử qua bộ định tuyến thay vì là một dự án tự lưu trữ.

AuK và AuK-Flash là có thật nhưng chưa hoàn thiện theo cách mà các bản phát hành mã nguồn mở thú vị nhất thường có: các bộ trọng số là thật, và câu chuyện xung quanh chúng vẫn chưa được viết nên. Hãy đánh dấu tencent/AuK-Flash, coi mọi tuyên bố về khả năng chỉ là lời nhà cung cấp cho đến khi có bài nghiên cứu hoặc điểm chuẩn độc lập được công bố, và theo dõi xem vài ngày tới có mang đến mã nguồn biến thứ này từ một sản phẩm đầy hứa hẹn thành một thứ có thể xây dựng được hay không.