Tencent Hunyuan merilis model generasi dan penyuntingan suara bernama AuK sebagai open source pada 9 September. Kodenya berada di bawah organisasi Tencent-Hunyuan di GitHub, sementara bobotnya diunggah ke Hugging Face dan ModelScope (魔搭) sekaligus. Laporan tekniknya terdaftar sebagai arXiv 2609.08936.
Model ini tidak diposisikan sekadar sebagai TTS lain. Ia merangkum pekerjaan yang selama ini tersebar di belasan model khusus ke dalam satu pintu masuk: berikan instruksi bahasa alami plus klip audio referensi yang menjelaskan apa yang diinginkan, dan model akan mengeluarkan audio yang sudah diedit.
Belasan Tugas, Satu Pintu Masuk
Dokumentasi resmi membagi tugas menjadi enam kategori. Di sisi generasi ada text-to-speech zero-shot dan TTS berbasis instruksi. Sisi penyuntingan dibagi tiga lapisan — lapisan konten mengubah kata atau lirik yang diucapkan, lapisan akustik menyesuaikan nada, kecepatan, dan volume, sedangkan lapisan paralinguistik mengubah emosi, warna suara, aksen, dan suara non-verbal, termasuk mengubah bicara normal menjadi suara berdesah. Sisi pemrosesan mencakup penghilangan noise, dereverberasi, pemisahan musik, dan ekstraksi pembicara target.
Sebelumnya, hampir setiap tugas itu memerlukan modelnya sendiri-sendiri. Tim dubbing harus memasang satu paket TTS, mencari model konversi warna suara terpisah untuk mengubah emosi, lalu model pemisahan lain lagi untuk menghilangkan suara latar — dan ketiganya punya format audio, sample rate, serta versi dependensi yang berbeda-beda, sehingga sebagian besar usaha rekayasa habis untuk menyambungkan semuanya. Pendekatan AuK menjadikan instruksi sebagai antarmuka terpadu, dan modellah yang menentukan jalur mana yang harus ditempuh.
Bagian encoder-nya memakai Qwen2.5-Omni-3B sebagai basis model multimodal. Selain Python API, repository-nya juga menyertakan antarmuka Gradio dan node ComfyUI, keduanya pintu masuk yang umum dipakai komunitas audio-video open source saat ini. Contoh pada video demonya menggunakan bahasa Mandarin dan Inggris.
Dari Mana Kecepatan AuK-Flash Berasal
AuK-Flash adalah versi cepat hasil distilasi dari model dasar, dengan NFE ditetapkan di angka 4 dan CFG diset ke 0. Menurut Tencent, distilasi ini berlangsung dua tahap: pertama inisialisasi konsistensi tingkat lintasan untuk menghidupkan model murid dengan langkah minim, lalu beralih ke tujuan DMD terurai yang dirutekan per tugas, sementara tugas pemisahan diawasi secara terpisah lewat regresi prediksi bersih.
Bagi pengguna, artinya begini: model suara berbasis difusi biasa butuh puluhan langkah sampling untuk sekali menghasilkan audio, plus satu jalur tanpa syarat tambahan demi menjaga kualitas. AuK-Flash memangkas kedua biaya itu, dengan konsekuensi kualitasnya "mendekati", bukan "menyamai", model gurunya. Angka yang diberikan Tencent adalah percepatan wall-clock 4,5 kali, tanpa merilis angka penurunan pada metrik objektif yang sepadan.
Dibandingkan Model Suara Open Source Lain di Jalur Ini
Tahun ini rilis model suara open source cukup padat. Mistral pernah merilis model suara 4 miliar parameter yang dibandingkan dengan ElevenLabs; Qwen3.5-Omni dari Alibaba menggabungkan teks, audio, dan video dalam satu sistem sekaligus mendukung kloning suara; Hunyuan sendiri sebelumnya sudah meng-open-source-kan model dasar Hy4 dan kerangka percepatan inferensi.
Perbedaan AuK bukan pada skor benchmark, melainkan pada kata "penyuntingan". Model-model di atas pada dasarnya berfokus pada generasi — diberi teks, menghasilkan suara. Sementara itu, separuh fungsi AuK justru mengambil audio yang sudah ada untuk diubah, dan setelah diubah tetap harus mempertahankan warna suara serta ritme pembicara aslinya. Ini masalah rekayasa yang berbeda dari generasi, tuntutan konsistensinya lebih ketat, dan lebih dekat dengan alur kerja pascaproduksi yang sesungguhnya.
Lisensi MIT layak disebut tersendiri. Lisensi ini mengizinkan penggunaan komersial, modifikasi, dan distribusi ulang selama atribusi tetap dicantumkan — lebih longgar dibanding lisensi kustom yang menyertai tidak sedikit model open source buatan Tiongkok. Bagi tim kecil yang ingin memasukkan kemampuan suara ke dalam produknya, ketentuan lisensi kadang lebih menentukan pilihan dibanding jumlah parameter.
Tencent belum merilis angka perbandingan WER, kemiripan pembicara, atau MOS terhadap model lain. Repository-nya mencantumkan perbandingan performa di empat kategori tugas — generasi, penyuntingan, peningkatan kualitas, dan pemisahan — tetapi skor spesifiknya masih perlu direproduksi sendiri. Klaim bahwa model ini terbaik saat dirilis untuk saat ini masih sebatas kabar dari komunitas, dan belum ada evaluasi pihak ketiga yang menindaklanjutinya.
Sumber: repository dan laporan teknis Tencent-Hunyuan/AuK, CocoLoop, halaman paper Hugging Face; jumlah parameter, lisensi, dan rasio percepatan telah diperiksa sesuai keterangan repository resmi, skor evaluasi belum diverifikasi secara independen.