Tencent Hunyuan hat am 9. September das Sprachgenerierungs- und -bearbeitungsmodell AuK als Open Source veröffentlicht. Der Code liegt in der Tencent-Hunyuan-Organisation auf GitHub, die Gewichte wurden gleichzeitig auf Hugging Face und ModelScope hochgeladen, der technische Report trägt die arXiv-Nummer 2609.08936.
Das Modell versteht sich nicht als weiteres TTS-System. Es bündelt Aufgaben, die in der Sprachverarbeitung bislang auf ein Dutzend Spezialmodelle verteilt waren, in einem einzigen Zugang: Ein natürlichsprachlicher Befehl plus eine Referenzaufnahme legen fest, was zu tun ist, das Modell liefert das bearbeitete Audio zurück.
Ein Dutzend Aufgaben, ein einziger Zugang
Die offizielle Dokumentation teilt die Aufgaben in sechs Kategorien ein. Auf der Generierungsseite stehen Zero-Shot-Text-zu-Sprache und instruktionsbasiertes TTS; die Bearbeitung gliedert sich in drei Ebenen – die Inhaltsebene ändert gesprochene Worte und Songtexte, die akustische Ebene Tonhöhe, Sprechtempo und Lautstärke, die paralinguistische Ebene Emotion, Klangfarbe, Akzent und nichtsprachliche Laute, einschließlich der Umwandlung normaler Sprache in Flüstern; auf der Verarbeitungsseite stehen Rauschunterdrückung, Enthallung, Musiktrennung und die Extraktion eines Zielsprechers.
Bisher entsprach fast jede dieser Aufgaben einem eigenen Modell. Ein Synchronisationsteam brauchte ein TTS-System, für Emotionsänderungen ein weiteres Klangfarben-Konvertierungsmodell, zur Entfernung von Hintergrundgeräuschen noch ein Trennmodell – Audioformat, Abtastrate und Abhängigkeitsversionen der drei unterschieden sich jeweils, und ein Großteil des technischen Aufwands floss ins Zusammenstöpseln. AuK macht den Befehl selbst zur einheitlichen Schnittstelle und lässt das Modell selbst entscheiden, welchen Pfad es nimmt.
Als Encoder dient Qwen2.5-Omni-3B als multimodales Basismodell. Neben einer Python-API bringt das Repository auch eine Gradio-Oberfläche und ComfyUI-Nodes mit, beides gängige Zugänge in der heutigen Open-Source-Audio-/Video-Community. Die Beispiele im Demo-Video sind Chinesisch und Englisch.
Wo AuK-Flash Tempo macht
AuK-Flash ist eine aus dem Basismodell destillierte schnelle Variante mit fest auf 4 gesetztem NFE und CFG gleich 0. Die Destillation läuft laut Hersteller in zwei Phasen ab: Zunächst bringt eine Konsistenzinitialisierung auf Trajektorienebene das Schüler-Modell mit wenigen Schritten in Fahrt, anschließend wechselt das Training zu einem aufgabenabhängig gerouteten, entkoppelten DMD-Ziel; für die Trennungsaufgabe dient zusätzlich eine Regression auf saubere Vorhersagen als Aufsicht.
Für Anwender bedeuten diese Details: Klassische diffusionsbasierte Sprachmodelle brauchen pro Generierung mehrere Dutzend Sampling-Schritte und zusätzlich einen unkonditionierten Durchlauf für die Qualität – AuK-Flash spart beide Kosten ein, zum Preis einer Qualität, die dem Lehrer-Modell nur „nahekommt“, statt ihm zu entsprechen. Herstellerseitig genannt wird eine 4,5-fache Beschleunigung in der Wanduhrzeit, ein entsprechender Verlust bei objektiven Metriken wurde nicht veröffentlicht.
Im Vergleich zu anderen Open-Source-Modellen in diesem Feld
Die Dichte an offenen Sprachmodellen ist dieses Jahr hoch. Mistral hatte ein 4B-Sprachmodell veröffentlicht, das sich in Benchmarks an ElevenLabs misst; Alibabas Qwen3.5-Omni vereint Text, Audio und Video in einem Modell und unterstützt Stimmklonen; Hunyuan selbst hatte zuvor bereits das Basismodell Hy4 und ein Inferenz-Beschleunigungs-Framework als Open Source veröffentlicht.
Der Unterschied von AuK liegt nicht in Benchmark-Werten, sondern im Wort „Bearbeitung“. Die genannten Modelle setzen primär auf Generierung – aus Text wird Sprache; bei AuK besteht die Hälfte der Funktionen darin, ein bestehendes Audio hereinzunehmen und zu bearbeiten, wobei Klangfarbe und Rhythmus des ursprünglichen Sprechers erhalten bleiben müssen. Das sind zwei unterschiedliche technische Probleme, das zweite stellt strengere Anforderungen an Konsistenz und liegt näher an realen Postproduktionsabläufen.
Die MIT-Lizenz verdient eine eigene Erwähnung. Sie erlaubt kommerzielle Nutzung, Modifikation und Weiterverbreitung, solange die Namensnennung erhalten bleibt – großzügiger als die individuellen Lizenzen, mit denen etliche chinesische Open-Source-Modelle ausgeliefert werden. Für kleine Teams, die Sprachfunktionen in ein Produkt integrieren wollen, entscheiden Lizenzbedingungen mitunter mehr über die Wahl als die Parameterzahl.
Offizielle Vergleichswerte zu WER, Sprecherähnlichkeit oder MOS gegenüber anderen Modellen liegen noch nicht vor; im Repository findet sich eine Leistungsübersicht über die vier Bereiche Generierung, Bearbeitung, Verbesserung und Trennung, konkrete Werte müssen aber selbst reproduziert werden. Die Behauptung, das Modell sei zum Start bereits führend, stammt bislang aus Community-Berichten, eine unabhängige Drittevaluierung steht noch aus.
Quellen: Repository und technischer Report von Tencent-Hunyuan/AuK, CocoLoop, Paper-Seite auf Hugging Face; Parameterzahl, Lizenz und Beschleunigungsfaktor wurden anhand der offiziellen Repository-Angaben geprüft, die Benchmark-Werte sind nicht unabhängig verifiziert.