腾讯混元开源 AuK 语音基础模型，一句话统一语音生成与编辑

腾讯混元团队于 9 月 9 日至 10 日发布并开源 1.5B 参数的语音基础模型 AuK，用「自然语言指令 + 音频上下文」的统一接口把语音生成与语音编辑合并到同一框架中，权重完全开源、可复现，技术报告已上传 Hugging Face。团队将其定位为「音频界的 Nano Banana」——像图像编辑一样用一句话指令完成语音处理。模型已公开发布可用，是语音领域向统一基础模型演进的又一实例。

已确认

• AuK 由腾讯混元团队发布，1.5B 参数，权重完全开源，技术报告上传至 Hugging Face，可复现。
• 技术路线：多模态语言模型骨架，结合联合 VAE 与混合整流流（rectified-flow）Transformer。
• 能力覆盖五大任务族：语音生成（含零样本 TTS 与声音克隆、指令控制生成）、内容编辑（对语音中的词替换、插入、删除）、增强与分离、副语言编辑（改变情绪、音调、语速、音量，去口音、注入愤怒情绪，正常语音与耳语互转）、声学编辑（修背景噪音、替换环境声且保留说话人音色），并支持 Whisper 转写转换。
• 蒸馏版本 AuK-Flash 运行速度提升 4.5 倍。

为什么重要

• AuK 用单一模型替代原本需要多个独立工具协作的整栈语音处理流程，@realmrfakename 与 @solyarisoftware 均强调其「一个模型替代整栈语音工具」的定位，降低语音系统的复杂度与集成成本。
• 自然语言指令作为统一操作入口，使非专业用户也能完成精细的语音内容与风格编辑，推动语音处理从专用工具向通用基础模型范式演进。
• 权重与技术报告完全开源，社区可复现、可二次开发，对开源语音生态有直接推动作用。

2026-09-09 ~ 2026-09-10 · 6 条相关

• 【源头】腾讯混元开源语音模型 AuK:自然语言指令统一语音生成与编辑 — Tencent-Hunyuan · 2026-09-09
• 腾讯发布统一语音模型 AuK：TTS 与指令编辑一网打尽，Flash 快 4.5 倍 — _akhaliq · 2026-09-10
• 【源头】AuK开源基础模型：用自然语言指令统一语音生成与编辑 — _akhaliq · 2026-09-10
• 腾讯开源 1.5B 音频模型 AuK:一个模型替代整栈语音工具 — solyarisoftware · 2026-09-10
• 【源头】腾讯开源音频基础模型 AuK：一句话指令统一语音生成与编辑 — TencentHunyuan · 2026-09-10

另有 1 条近重复转述:realmrfakename