← 全部模型

Universal Audio Tokenizer

發布時間 發布主體 Tencent

模型定位

Universal Audio Tokenizer 是騰訊 WeChat AI 發布的音訊 tokenizer,以單一碼本將音訊轉換為離散 token,旨在兼顧語言語意對齊與一般音訊感知,供音訊大型語言模型整合使用。官方於 2026-06-01 首次在 GitHub 與 Hugging Face 發布。(github.com)

能力與用途

  • 將輸入音訊編碼為離散 token,並從 token 重建波形;官方提供推論範例和預訓練權重。
  • 使用語意—聲學原語監督及語意—聲學平衡機制,結合語言內容、聲音屬性與聲學細節。
  • 可作為音訊大型語言模型的輸入/輸出介面,用於語音重建、音訊理解及文字轉語音等下游系統。官方報告的文字轉語音與音訊理解結果是在與 Qwen2.5 等模型整合後取得,並非表示 tokenizer 單獨即可完成所有任務。
  • 官方報告的設定為 25 Hz、325 bit/s;其公布的基準測試結果屬於特定評估條件,實際表現可能不同。(github.com)

限制與授權

  • 此模型是音訊表示與重建元件,不應視為可獨立完成一般對話或所有語音任務的完整服務;下游應用需要另外整合模型及系統。
  • 官方提供程式碼與權重,但使用須遵守專屬授權條款及第三方元件各自的授權。授權文件表明模型不 intended for use within the European Union;散布時須保留規定的版權與許可聲明,且軟體按現狀提供、不附保證。(huggingface.co)

價格

截至 2026-11-16,查閱騰訊雲中國大陸及國際站官方價格資料,未核實此模型專屬的人民幣或美元 API 報價,也未核實輸入與輸出各自的計費方式。官方提供下載與自行部署方式,但這不代表運算、儲存或其他服務成本為零。以下價格資料頁並非此模型的專屬報價:(cloud.tencent.com)

官方來源