腾讯混元开源 AuK 语音模型:1.5B 统一指令完成生成与编辑
pmttyji · reddit · 2026-09-12
腾讯混元团队在 Hugging Face 开源 AuK 系列语音模型及论文(arXiv 2609.08936)。AuK 是 1.5B 语音生成与编辑基础模型,基于数百万小时多样化音频训练,所有任务通过统一自然语言指令接口完成:
- 生成:零样本 TTS(参考音频克隆)、无参考音频的指令式 TTS;
- 内容编辑:改写语音内容、保留旋律改歌词;
- 声学编辑:音调(半音)、语速、音量调整;
- 副语言编辑:情绪、音色、去口音、增删呼吸/笑声/咳嗽等非语言声、耳语转换;
- 增强与分离:降噪、语音增强、声源分离。
两个版本:AuK 基础模型与 AuK-Flash(蒸馏版,4 步快速推理),权重均可在 HF 与 ModelScope 下载,附 Cookbook 提供指令模板与 CLI/Python 示例。
所属事件:腾讯混元开源 AuK 语音基础模型五合一(4 条相关)→
「多模态」频道最新
- 图像理解模型 Jev 1.14 上线 Runware,输入每百万 token 仅 $0.042 — aziz4ai · 2026-10-31
- 用 MiniMax H3 搭出整页漫画生成工作流，作者开源全部节点 — gatortux · 2026-10-31
- Runway Agent 升级：能开文件跑代码，从生成走向干活 — runwayml · 2026-10-31
- UCSD 开源 FastH3:4 步蒸馏 MiniMax H3,Blackwell 上提速 14 倍 — victormustar · 2026-10-31
- AI 生成剧集《Árpád》更新第六集，动物实拍感以假乱真 — PannoniumFilms · 2026-10-31
- Deconstruct AI 把参考图拆解为 MJ/SDXL/ComfyUI 提示词 — robert-988 · 2026-10-31