TY  - UNPB
TI  - AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing
UR  - https://arxiv.org/abs/2609.08936
DO  - 10.48550/arXiv.2609.08936
DA  - 2026-09-08
AU  - Ma, Ziyang
AU  - Niu, Zhikang
AU  - Tu, Wenming
AU  - Wang, Tianrui
AU  - Yan, Ruiqi
AU  - Liu, Junxi
AU  - Huo, Yanru
AU  - Huang, Nickk
AU  - Liu, Yang
AU  - Xie, Qicong
AU  - Xie, Zeyu
AU  - Wang, Hui
AU  - Li, Haitao
AU  - Jiang, Zixuan
AU  - Li, Yalin
AU  - Fang, Jie
AU  - Duan, Yifan
AU  - Tian, Zeyue
AU  - Li, Guangzheng
AU  - Zhu, Haina
AU  - Wang, Shuyi
AU  - Wang, Jinwen
AU  - Cui, Mingyu
AU  - Tan, Tian
AU  - Auden
AU  - Liang, Sen
AU  - Yves, Steve
AU  - Yang, Shan
AU  - Bo, Liefeng
AU  - Zheng, Zilong
AU  - Yu, Kai
AU  - Chng, Eng-Siong
AU  - Chen, Xie
KW  - 语音生成
KW  - 音频编辑
KW  - 待阅读
N1  - 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。
ER  -