模型定位
AuK-Flash 是腾讯 AuK 语音生成与编辑基础模型的蒸馏版本,面向快速推理。AuK 系列模型约为 15 亿参数;Flash 使用固定 4 步推理,不使用无分类器引导。官方技术报告称,在相同硬件、输出时长和批量条件下,相比 32 步的 AuK 基础模型,实测推理耗时加速约 4.5 倍;实际表现取决于部署条件。(github.com)
能力与用途
模型通过自然语言指令及按任务需要提供的音频,支持零样本文本转语音、按声音描述生成语音、语音和歌词内容编辑、音高与语速调整、情绪及音色编辑、语音增强和声源分离。可用于配音、语音素材编辑、音频修复及研究。(github.com)
限制与部署
- Flash 以速度为目标;官方报告指出,完整模型通常在语言准确性和编辑忠实度方面更强。输出仍需针对具体任务检查。(arxiv.org)
- 自行部署需要模型权重及单独下载的 Qwen2.5-Omni-3B 编码器,并承担计算、存储和运维成本。官方在单张 NVIDIA A800、bf16 条件下测得 Flash 约 24.77 GiB 峰值显存;启用 CPU 卸载后约 16.75 GiB。实际用量随输入和环境变化。(github.com)
- 模型与代码按 MIT 许可证发布;使用参考声音时应取得必要授权。(huggingface.co)
发布日期
2026-09-09。当前官方模型卡及项目公告均以该日期标注开源发布。(huggingface.co)
价格
截至 2026-11-16,检索腾讯云国内及国际官方定价文档,未核实到专门针对 AuK-Flash 的人民币或美元 API 报价,输入与输出计费方式及金额均未核实。开放权重可自行部署,但不代表算力或其他服务免费。(cloud.tencent.com)