AuK：用同一个模型生成和修改语音

AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing

通过指令与音频统一生成、编辑和恢复任务；权重已开放，Flash提速为作者同条件测试。

首次公开：2026-09-08 · 收录：2026-09-10

作者

Ma, Ziyang；Niu, Zhikang；Tu, Wenming；Wang, Tianrui；Yan, Ruiqi；Liu, Junxi；Huo, Yanru；Huang, Nickk；Liu, Yang；Xie, Qicong；Xie, Zeyu；Wang, Hui；Li, Haitao；Jiang, Zixuan；Li, Yalin；Fang, Jie；Duan, Yifan；Tian, Zeyue；Li, Guangzheng；Zhu, Haina；Wang, Shuyi；Wang, Jinwen；Cui, Mingyu；Tan, Tian；Auden；Liang, Sen；Yves, Steve；Yang, Shan；Bo, Liefeng；Zheng, Zilong；Yu, Kai；Chng, Eng-Siong；Chen, Xie

论文原文 PDF 导入 Zotero（RIS）

阅读笔记

腾讯混元、上海交大等团队在 9 月 9 日开放 AuK 的代码与权重。它把文字转语音、台词替换、语气调整、降噪和人声分离，统一成“指令加可选音频”的输入方式。对音频制作来说，这意味着录好一段话以后，修改其中一句、调整情绪或去掉背景声，可以沿用同一套工具。

方法上的关键是把生成与编辑一起训练：语言模型负责理解要改什么，音频编码器保存声音信息，生成网络据此输出音频。论文还观察到，一些只在编辑任务中训练过的变化，可以迁移到生成任务。不过，这部分是作者的定性观察，不能当作任意编辑都能成功的证明。

AuK-Flash 将采样减到四步；作者在相同硬件、音频时长和批量下，报告相对完整版约 4.5 倍提速。1.5B 指生成主干的参数规模，实际运行还要加载语义编码器等组件，不能直接按一个 1.5B 小模型估算显存。自由表达的复杂指令也仍依赖提示词预处理。本期核对了发布文件，没有独立试听、测显存或复测速度。

入选理由：同时开放生成与编辑模型、权重、推理和微调入口，机制与日常内容制作有关。重要度 8.5/10。
原始资料：https://arxiv.org/abs/2609.08936
https://github.com/Tencent-Hunyuan/AuK
https://auk-project.github.io/
本期资料：https://www.asteronline.cn/juju-radar/2026-09-10/
AI辅助整理；一手核验不表示独立复现。

笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。