AuK-Flash 與 AuK：騰訊低調發布了一個開放語音模型，可生成、編輯及分離音訊

本週，騰訊發布了2026年最具影響力的兩個開源語音模型，卻幾乎沒有告訴任何人。大約在9月7日前後，Hugging Face上的騰訊組織公開了AuK——用其模型卡自己的話說，是「一個用於語音生成與編輯的1.5B基礎模型」——以及AuK-Flash，即同一模型的蒸餾四步變體，兩者均採用MIT授權。兩個儲存庫均未附帶騰訊部落格文章、社群媒體公告或新聞稿；兩者合計僅被下載數十次，模型卡所連結的程式碼儲存庫無法存取，而且在已被索引的網路上任何地方都不存在獨立的基準測試。本文梳理了從這兩個儲存庫、設定檔和騰訊自家專案頁面中實際可知的資訊——以及仍然未經證實的部分。

即使沒有獨立的數據佐證，這項主張仍值得認真看待，因為其涵蓋範圍非同尋常。AuK並非另一個語音克隆模型。透過單一自然語言指令介面，它承諾實現零樣本與基於指令的文字轉語音、能觸及說話內容、說話方式及周圍非語言聲音的編輯功能，此外還包括語音增強、語音分離與音樂分離。該領域歷來是為每一項任務分別打造不同的專業模型。騰訊的賭注在於，以單一生成式主幹模型，就能完成所有這些任務——而且AuK-Flash的速度足以應付接近即時的應用。

兩個檢查點，一次發布

Hugging Face API 的時間戳記訴說了一個儲存庫在發布之前一直保持私有的故事。基礎的 tencent/AuK 儲存庫建立於 2026 年 8 月 18 日，tencent/AuK-Flash 則於 8 月 21 日建立；兩者都於 9 月 8 日做最後修改，而模型卡上帶有一則日期為 9 月 7 日的新聞條目——「[2026/09/07] AuK 現已開源，程式碼與模型權重皆可公開取得。」最自然的解讀是：騰訊在 8 月中下旬建立這些儲存庫，約在 9 月 7 日把它們設為公開，並在 9 月 8 日再次修改了模型卡。在被搜尋引擎索引的網路上，完全找不到任何關於此模型的資訊，下載計數器也只有數十次——所以「低調發布」並非修辭上的選擇，而是如實描述的實際情況。

這兩個檢查點是同一架構在其生命週期中不同階段的產物。AuK 是教師模型：一個以高品質生成為目標的基礎模型。AuK-Flash 是學生模型：經過蒸餾以實現快速四步推論，這使它成為更具吸引力的部署目標，也是它在這裡佔據標題位置的原因。在騰訊的專案頁面上，該模型系列被描述為約 15 億參數，訓練資料在模型卡中僅被列為「數百萬小時的多樣化音訊資料」，而專案頁面則具體說明為約 195 萬小時的有效監督，對應約 30.3 億個指令-音訊實例。專案頁面上還帶有上海交通大學和騰訊混元的標誌，這使 AuK 歸屬於騰訊混元的開放模型研究系列，而非商業產品系列。訓練並非預訓練之後唯一發生的事：騰訊描述了一個後訓練階段，該階段將用於開放式編輯的人類回饋偏好最佳化，與用於語音生成的基於獎勵的強化學習結合在一起。

卡片中的變體表格對於哪個是哪個毫不含糊：AuK 是「用於高品質生成的基础模型」，AuK-Flash 是「用於快速 4 步推理的蒸餾模型」。兩者均可從 Hugging Face 和 ModelScope 的 Tencent-Hunyuan 命名空間下載，且都採用 MIT 授權——這是開放權重發布所能擁有的最寬鬆授權之一，對於任何想在該基礎上建構產品的人來說都至關重要。

一個指令驅動模型實際上在做什麼

AuK 的介面是一個單一提示框：你向模型輸入一段自然語言指令，並在任務需要時附上一個音訊參考，它就會回傳音訊。依據卡片自身的分類法，這五個任務系列為：

• 語音生成 — 零樣本 TTS 可從參考片段克隆聲音，以及「指令式 TTS」僅憑聲音描述即可合成語音（例如「溫暖的女聲，語速稍慢」），完全不需要任何參考音訊。

• 內容編輯 — 改寫錄音中所述內容：在現有錄音中替換、插入或刪除字詞；以及歌詞編輯，在保留旋律與歌手聲音的同時，改寫歌唱片段的歌詞。

• 聲學編輯 — 音高（以半音為單位）、語速與音量（以分貝為單位）皆可在現有片段上個別調整，同時保留身份與內容。

• 副語言編輯 — 情感、音色（依描述調整）、去除口音、添加或移除非語言聲音（如呼吸、笑聲和咳嗽聲），以及在正常說話和耳語之間進行轉換。

• 增強與分離 — 語音增強（降噪與去混響）、按說話順序進行語音分離、從混音中分離出歌聲的音樂分離，以及透過說話者所說內容來識別的目標說話者提取。

那份清單才是真正的差異化所在。2026年最具能力的開放語音系統，大多只在一兩項上表現出色——語音克隆和TTS是競爭最擁擠的角落——其餘方面則表現薄弱甚至付之闕如。AuK押注的是廣度：以相同的權重、相同的指令格式，貫通生成、編輯與分離，而這種格局通常只會以一系列微調專業模型的形式推出。

它是如何建造的

將儲存庫與專案頁面一起閱讀，可以得到一致的架構全貌。AuK 不是那種讀取文字並輸出 token 的自迴歸音訊語言模型。它是一種以影像模型為藍本的流匹配擴散系統，由三個部分組成：

• 一個多模態大型語言模型（Qwen/Qwen2.5-Omni-3B，需單獨下載）會讀取指令與任何參考音訊，並產生語義條件。

• 一個在語音、一般音訊與音樂上共同訓練的音訊 VAE，透過 50 Hz 聲學潛變量以 24 kHz 進行編碼與解碼；該儲存庫的設定將其識別為 BigVGANFlowVAE，潛在維度為 64，具 480 倍降採樣，並以獨立的 vae.safetensors 檔案形式提供。

生成核心是混合式修正流 Transformer：雙流 MMDiT 區塊讓文字與音訊條件保持分離，接續的統一單流 DiT 區塊則將兩者混合，並以流匹配目標進行訓練。已發布的配置顯示，模型寬度為 1,536，具 24 個注意力頭、10 個雙流層與 20 個單流層。

AuK-Flash 是同一 transformer 蒸餾後的版本。騰訊描述了兩階段流程——先進行軌跡層級的一致性初始化，再套用「任務路由解耦」的 DMD 目標——最後以乾淨預測迴歸監督收尾。根據專案頁面所述，其成果是在四個採樣步驟中達到接近教師模型的生成品質，推論時無需 classifier-free guidance，在匹配條件下比完整模型快約 4.5 倍的實際運行時間（wall-clock）。這些是廠商宣稱、未經複現的數據，但它們正是 AuK-Flash 成為開發者會優先選擇此變體的具體原因。

騰訊聲稱的內容，以及讀者能查證的部分

專案頁面做出了強烈的定性宣稱——即 AuK 在生成與編輯方面「領先」，並在增強與分離等訊號層級修復任務上「具競爭力」——並列出了支撐這些宣稱的基準套件：生成方面使用 Seed-TTS-Eval 與 InstructTTSEval，編輯方面使用 MMAE-Speech、SpeechEditBench 與 Ming-Freeform-Audio-Edit，感知品質方面使用 DNSMOS 與 UTMOS，增強與分離方面則使用 DNS Challenge、CHiME-4 與 Libri2Mix。頁面上沒有公布任何量化分數，背後沒有論文支持，也沒有任何第三方復現過其中任何結果。這些宣稱全部出自廠商自行回報，在出現獨立評測之前，都應以此角度解讀。

還有兩項聲明需要特別標註，因為它們在2026年9月9日的直接查核中未能成立。首先，該卡片宣稱程式碼已公開，並附上 github.com/Tencent-Hunyuan/AuK 連結，提供安裝、Gradio、ComfyUI 與微調（fine-tuning）說明——但截至本文撰寫時，該儲存庫回傳 HTTP 404，且它並不在 Tencent-Hunyuan 組織的公開儲存庫清單中。程式碼可能只是仍在逐步釋出中；無論如何，「程式碼已可用」目前僅是卡片的宣稱，並非讀者實際能據以操作的事項。其次，該卡片指向 Hugging Face 與 ModelScope 上的示範 Space：ModelScope 的 studio 有回應，但 Hugging Face 的 Space 在查核時出現授權驗證阻擋頁面，因此這些示範充其量只是部分公開。

這裡有什麼，缺少什麼

在2026年9月9日進行盤點，才能區分真正的發布與完整的發布。

• 目前提供——兩個可在 MIT 授權下下載的權重集：tencent/AuK 為基礎模型，tencent/AuK-Flash 為蒸餾四步變體，每個約 6.1 GB，包含擴散轉換器與隨附的 VAE，並鏡像於 Hugging Face 與 ModelScope。

• 目前 — 在單一指令介面下涵蓋異常寬廣的任務範圍：生成、內容及聲學與副語言編輯、增強與分離，全部整合於單一模型家族中。

• 呈現——一個具體的「快速」案例：AuK-Flash 蒸餾至四個步驟，無需無分類器引導，廠商宣稱可實現 4.5× 的實際運行時間加速。

• 缺失——一則公告。目前尚無任何 Tencent 部落格文章、社群貼文、新聞稿或 Hunyuan 頻道貼文指向任一儲存庫。

• 缺少 — 論文或技術報告。專案頁面上的引用區塊只是佔位符，沒有作者，也沒有 arXiv 標識符，且基準測試宣稱的背後沒有任何已發表的數據。

• 缺少——可存取代碼。截至狀態檢查時，GitHub 儲存庫與 Cookbook 卡片連結皆回傳 404，因此目前唯一可執行的成果是權重，以及社群圍繞這些權重自行組裝的一切。

• 缺失 — 服務與獨立評估。沒有任何推論供應商託管 AuK，也不存在託管的 API，且下載次數僅數十次，尚無人發布複現結果。

今天執行 AuK-Flash，還是等待

如果你想要自行執行 AuK-Flash，下載路徑是明確的，即使程式碼並非如此：拉取 tencent/AuK-Flash 和 tencent/AuK（除非你需要教師模型，否則基礎模型是非必要的），同時也要拉取 Qwen/Qwen2.5-Omni-3B，因為檢查點只包含擴散Transformer與層融合權重——多模態編碼器和VAE在執行時會從獨立檔案載入，模型卡並指出載入期間缺少 text_encoder 鍵是預期情況。硬體才是真正的限制。這是一個約1.5B的擴散Transformer，其檢查點單獨約6.1 GB，必須與約3B的多模態編碼器和VAE一起執行，因此合理的起點是24 GB GPU，而非筆電等級的模型；設定檔中的記憶體說明提到梯度檢查點能將訓練峰值從約91 GB降至75 GB，但這些是針對訓練，不應被解讀為推論需求。在軟體方面，設定預設使用 flash-attention 後端，但推論CLI可以退回使用純 torch attention 後端，如此可省去首次執行時的 flash-attn 建置步驟。

今天是否值得做這件事，取決於你在建置什麼。老實說，目前的情況是：這是一個值得關注、也值得在沙盒中測試的模型，但還不適合直接接進生產管線——沒有論文、沒有可取得的程式碼、也沒有獨立評測，能力宣稱完全憑 Tencent 的一面之詞。對於今天想在 API 背後取得語音生成、編輯或分離功能的團隊而言，選擇一個真正有在提供服務的模型才是務實的做法；這正是 OrcaRouter 在那些確實有端點的模型之間所扮演的角色：一個 API 就能存取 200 多個模型，供應商列表價格原封不動地轉傳、零加價，所以供應商的價格從第一天起就是你的價格；再加上自動容錯轉移，未經驗證的新手模型可以在部分真實流量上試用，而不必把整個管線賭在它身上。然而這些目前都不適用於 AuK 或 AuK-Flash，因為沒有任何服務在提供它們。一旦有供應商託管 AuK，路由器的成本效益就會成為評估它的便宜方式；在那之前，選擇只有自行託管權重，或者繼續等待。

常見問題

AuK 或 AuK-Flash 是否可以通過 API 使用？

不。兩者都只是權重發佈。沒有推論供應商託管它們，也沒有託管 API，所以現今沒有什麼可以呼叫——唯一的使用方式是下載權重並自行運行。

AuK和AuK-Flash之間有什麼區別？

同一個模型家族有兩個階段。AuK 是基礎模型，旨在實現高品質生成；AuK-Flash 是其蒸餾變體，針對快速四步推論進行調整，且不使用無分類器引導——騰訊表示，在匹配條件下其運行速度約比基礎模型快 4.5 倍。該加速數據由廠商提供，尚未經獨立測量。

AuK-Flash 可以商業使用嗎？

這些權重是在 MIT 授權下發布的，該授權允許商業使用，但需保留授權聲明——這是常見的開放權重授權中限制最少的一種。卡片所連結的那個獨立程式碼儲存庫，截至 2026 年 9 月 9 日仍無法存取，因此在該儲存庫出現之前，程式碼重用的實際答案仍然懸而未決。

看什麼

• 程式碼儲存庫 — github.com/Tencent-Hunyuan/AuK 是唯一價值最高、且至今尚缺的工件。一旦它出現，Cookbook 的指令範本便會把上述任務清單從行銷話術轉化為真正可執行的內容。

• 一次獨立評測——首個第三方重現將判定「領先」的生成與編輯宣稱是否經得起真實音訊的考驗，以及四步 AuK-Flash 是否真的接近基礎模型。

• 一篇論文——專案頁面上的引用還是個佔位符，這通常代表 arXiv 論文即將發布；訓練配方、基準數字和蒸餾細節都會寫在那裡。

• 服務上架——第一個託管 AuK 的推論提供者會把它從權重目錄變成具有價格的可呼叫模型；此時它即可透過路由器來試用，而非作為一項自行託管專案。

AuK 和 AuK-Flash 是真實的，但尚未完成——正如大多數最有趣的开源釋出通常那樣：權重是真誠的，而圍繞它們的故事尚未寫就。請將 tencent/AuK-Flash 加入書籤，在論文或獨立基準測試出爐之前，將每一項能力宣稱都視為廠商自述，並觀察接下來幾天是否會出現能將這個有前景的成果轉變為可建置項目的程式碼。