腾讯混元 9 月 9 日开源了语音生成与编辑模型 AuK，代码放在 GitHub 的 Tencent-Hunyuan 组织下，权重同时上了 Hugging Face 和魔搭，技术报告编号 arXiv 2609.08936。
这个模型的定位不是又一个 TTS。它把语音这条链上原本分散在十几个专用模型里的活，收进了同一个入口：用自然语言指令加一段参考音频，说清楚要做什么，模型输出改好的音频。
十几件事，一个入口
官方文档把任务分成六类。生成侧是零样本文本转语音和指令式 TTS；编辑侧分三层——内容层改说出来的词和歌词，声学层改音高、语速、音量，副语言层改情绪、音色、口音和非语言声音，还包括把正常说话转成气声；处理侧是降噪、去混响、音乐分离和目标说话人提取。
过去每一项基本对应一个独立模型。做配音的团队要装一套 TTS，改情绪要另一套音色转换，去背景音再找一套分离模型，三者的音频格式、采样率、依赖版本各不相同，工程上的大头往往花在把它们串起来。AuK 的做法是把指令当成统一接口，模型自己判断该走哪条路径。
编码器部分用的是 Qwen2.5-Omni-3B 作为多模态大模型底座。仓库里除了 Python API，还带了 Gradio 界面和 ComfyUI 节点，两个都是当下开源音视频社区的常用入口。演示视频里的例子是中文和英文。
AuK-Flash 快在哪
AuK-Flash 是从基座模型蒸馏出来的快速版本，NFE 固定为 4、CFG 设为 0。官方描述的蒸馏分两阶段：先用轨迹级一致性初始化把少步学生模型带起来，再切到按任务路由的解耦 DMD 目标，分离任务另用干净预测回归做监督。
对使用者来说，这些细节的意思是：常规扩散类语音模型一次生成要走几十步采样，还要为了质量再跑一遍无条件分支，AuK-Flash 把这两笔开销都省了，代价是从教师模型那里”接近”而非等同的质量。官方给的是 4.5 倍墙钟加速，没有公布对应的客观指标损失。
和这条赛道上的其他开源模型比
今年开源语音这块的密度不低。Mistral 放出过 4B 的语音模型，评测对标 ElevenLabs；阿里的 Qwen3.5-Omni 把文字、音频、视频做进一套并支持语音克隆；混元自己此前已经开源过 Hy4 基座和推理加速框架。
AuK 的差异点不在跑分，而在”编辑”这两个字。上面那几个模型的主线是生成，给定文本产出语音；AuK 的一半功能是拿一段已有音频进来改，改完还要保住原说话人的音色和节奏。这是两类不同的工程问题，后者对一致性的要求更严，也更贴近实际的后期制作流程。
MIT 协议这一点值得单独说。它允许商用、修改和再分发，只要保留署名，比不少国产开源模型附带的自定义许可宽松。对想把语音能力做进产品里的小团队，许可证的条款有时比参数量更能决定选型。
官方尚未公布与其他模型对比的 WER、说话人相似度或 MOS 数字，仓库里列了跨生成、编辑、增强、分离四类任务的性能对照，但具体分数需要自行复现。发布即最优的说法目前来自社区转述，还没有第三方评测跟进。
参考来源：Tencent-Hunyuan/AuK 仓库与技术报告、CocoLoop、Hugging Face 论文页；参数量、许可证与加速比按官方仓库说明核对，评测分数未获独立验证。