模型定位
Universal Audio Tokenizer 是腾讯微信 AI 发布的紧凑型单码本音频分词器,旨在结合语言对齐与通用音频感知,为音频大语言模型提供统一的音频输入和输出表示。它不是独立的聊天模型或完整的文本转语音服务。(github.com)
能力与用途
- 将语音、声音和音乐等音频编码为离散 token,并可从 token 重建波形;官方提供预训练权重、推理示例和训练代码。(huggingface.co)
- 可作为下游音频大语言模型的组件,用于音频理解、语音重建和可控文本转语音等任务;这些下游任务需要与相应模型或系统集成。(github.com)
- 采用语义—声学原语(SAP)监督和语义—声学平衡(SAE)机制。官方模型卡列出的帧率为 25 Hz、码本大小为 8,192,码率为 325 bit/s。(huggingface.co)
限制与使用条件
- 作者指出,受低码率设计和文本监督方式影响,复杂非语音音频的波形重建质量仍逊于专门优化高保真重建的高码率声学编解码器。当前训练和评测主要覆盖英语和中文,其他语言的表现需要另行验证。(arxiv.org)
- 官方提供本地部署所需的代码和权重;使用者需自行配置运行环境并承担计算资源成本。项目采用其专用许可条款,使用和再分发前应查阅许可证。(github.com)
发布日期
官方公告称,该项目于 2026 年 6 月 1 日在 GitHub 和 Hugging Face 首次发布。(github.com)
价格
查询日期:2026 年 11 月 16 日。检索腾讯云国内站和国际站后,未核实到本模型的官方 API 定价,包括人民币或美元的输入、输出计费价格和计费单位。官方提供可下载权重,但这不代表自行部署的计算资源没有成本。