Tencent Hunyuanは9月9日、音声生成・編集モデル「AuK」をオープンソース化した。コードはGitHubのTencent-Hunyuan組織で公開され、重みはHugging FaceとModelScope(魔搭)の両方に上がっている。技術レポートの番号はarXiv 2609.08936。
このモデルは単なるTTSの追加版という位置づけではない。これまで十数種類の専用モデルに分散していた音声処理の作業を、一つの入口に集約した。自然言語の指示と参照音声を与えれば、モデルが望む処理を判断して音声を出力する。
十数の作業を、一つの入口で
公式ドキュメントはタスクを6分類している。生成側はゼロショットのテキスト読み上げと指示駆動型TTS。編集側は3層に分かれ、内容層は話す言葉や歌詞そのものを変更し、音響層は音高・話速・音量を調整し、パラ言語層は感情・声色・アクセント・非言語音を変更するほか、通常の発話を息づかいの多い声に変えることもできる。処理側はノイズ除去、残響除去、音楽分離、目的話者抽出を担う。
これまでは各作業がほぼ独立したモデルに対応していた。吹き替えチームはTTS一式を用意し、感情を変えるには別の声色変換モデルを、背景音を取り除くにはさらに別の分離モデルを探す必要があった。それぞれ音声フォーマットやサンプリングレート、依存ライブラリのバージョンが異なるため、開発の大半はそれらをつなぎ合わせる作業に費やされていた。AuKは指示そのものを統一インターフェースとし、どの処理経路を通るかをモデル自身が判断する。
エンコーダー部分はQwen2.5-Omni-3Bをマルチモーダル基盤として使っている。リポジトリにはPython APIのほか、GradioのUIとComfyUIノードも同梱されており、いずれも現在のオープンソース音声・映像コミュニティでよく使われる入口だ。デモ動画の例は中国語と英語。
AuK-Flashはどこで速さを稼いでいるか
AuK-Flashはベースモデルから蒸留した高速版で、NFEは4に固定、CFGは0に設定されている。公式によると蒸留は2段階で、まず軌跡レベルの一貫性初期化で少ステップの生徒モデルを立ち上げ、その後タスクごとにルーティングする分離型DMD目標に切り替える。分離タスクについてはクリーン予測回帰による教師あり学習を別途行っているという。
利用者にとっての意味はこうだ。一般的な拡散型の音声モデルは1回の生成に数十ステップのサンプリングが必要で、品質を保つために無条件分岐をもう一度走らせる必要もある。AuK-Flashはこの両方のコストを省く代わりに、教師モデルと「ほぼ同等」であって「完全に同等」ではない品質になる。公式が示すのは実測4.5倍の高速化で、それに対応する客観指標の低下は公表されていない。
このジャンルの他のオープンソースモデルと比べると
今年はオープンソース音声モデルの発表が相次いでいる。MistralはElevenLabsを比較対象にした40億パラメータの音声モデルを公開し、アリババのQwen3.5-Omniはテキスト・音声・映像を一つにまとめ、音声クローンにも対応する。Hunyuan自身もすでにベースモデルHy4と推論高速化フレームワークをオープンソース化している。
AuKの違いはベンチマークのスコアではなく「編集」という機能そのものにある。上記のモデルは基本的に生成が主軸で、テキストを与えて音声を出す。それに対しAuKは機能の半分が、既存の音声を取り込んで書き換える処理であり、しかも元の話者の声色とリズムを保つ必要がある。これは生成とは異なる工学的課題で、一貫性への要求が厳しく、実際のポストプロダクション作業により近い。
MITライセンスである点も特筆に値する。表示義務を守れば商用利用、改変、再配布が認められ、独自ライセンスを付ける国産オープンソースモデルの少なくない例より緩やかだ。音声機能を製品に組み込みたい小規模チームにとって、ライセンス条項がパラメータ数以上に選定を左右することがある。
公式は他モデルとのWER、話者類似度、MOSなどの比較数値をまだ公表していない。リポジトリには生成・編集・強化・分離の4カテゴリーにわたる性能比較が掲載されているが、具体的なスコアは自分で再現する必要がある。「発表時点で最高」という評価は今のところコミュニティの伝聞にとどまり、第三者による検証はまだ行われていない。
参考資料：Tencent-Hunyuan/AuKリポジトリと技術レポート、CocoLoop、Hugging Face論文ページ。パラメータ数・ライセンス・高速化倍率は公式リポジトリの記載に基づき確認、評価スコアは第三者による検証を経ていない。