← 全部模型

AuK

發布時間 發布主體 Tencent

模型定位

AuK 是開源的語音生成與編輯基礎模型,規模為 15 億參數,透過統一的自然語言指令介面執行多種音訊任務。本條目對應高品質生成的 AuK 基礎版;AuK-Flash 是另行提供的四步推論蒸餾版本。(huggingface.co)

能力與用途

  • 支援零樣本文字轉語音:以參考音訊的聲音朗讀指定文字;也支援僅依聲音描述生成語音。
  • 支援語音內容、音高、語速及副語言特徵編輯,以及語音增強和聲源分離。
  • 可用於配音、語音內容修改、錄音增強及音訊素材處理等場景。(huggingface.co)

限制與部署

  • 官方程式碼與模型權重已公開;模型卡標示 MIT 授權。自架時仍須確認其他依賴模型的授權條款。(huggingface.co)
  • 官方實作另需 Qwen2.5-Omni-3B 編碼器;運行所需記憶體會隨輸入長度、硬體及設定而變。官方測試中,基礎版在指定 NVIDIA A800、bf16 條件下峰值顯示記憶體約為 25 GiB;啟用 CPU offload 可降低顯示記憶體用量。(github.com)
  • 官方 ComfyUI 整合要求來源或參考音訊與生成目標的總長度不超過 30 秒,且不會自動切分長音訊;此限制適用於該整合。(github.com)

價格

截至 2026-11-16,查閱騰訊雲國內及國際官方定價文件,未核實到 AuK 專屬 API 報價,也未核實其輸入與輸出的計費方式或單價。開源權重的自架運算成本,以及可選用的外部服務費用,須另行考量,不能視為 AuK API 單價。(cloud.tencent.com)

發布日期與官方來源