Baidu
端到端语音语言大模型(Flex)
百度面向灵活交互和任务型场景的端到端语音语言大模型。2026年9月16日官方公告宣布开启公测;官方API文档仍将接口标注为公测阶段。(cloud.baidu.com) 支持实时自然语音交互、可打断对话,以及服务端自动语音活动检测(VAD)和客户端手动提交音频。(cloud.baidu.com) 支持Function Call连接外部工具和业务系统、联网搜索,以及70余种预置音色。(cloud.ba…
了解模型简体中文
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
百度面向灵活交互和任务型场景的端到端语音语言大模型。2026年9月16日官方公告宣布开启公测;官方API文档仍将接口标注为公测阶段。(cloud.baidu.com) 支持实时自然语音交互、可打断对话,以及服务端自动语音活动检测(VAD)和客户端手动提交音频。(cloud.baidu.com) 支持Function Call连接外部工具和业务系统、联网搜索,以及70余种预置音色。(cloud.ba…
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) 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…
AuK 是腾讯开源的语音生成与编辑基础模型,官方称模型规模为 1.5B 参数。此条目对应面向高质量生成的 AuK 基础模型,而非采用四步推理的蒸馏版本 AuK-Flash。代码与权重于 2026 年 9 月 9 日公开,采用 MIT 许可证。(huggingface.co) 模型通过统一的自然语言指令接口执行语音任务,可用于配音、音频内容修改和音频修复等场景: 语音生成:基于参考音频的零样本文本转…