AI 配音、有声书、播客要变天AuK 开源之后中文音频内容创作工作流大盘点【免费下载链接】AuK项目地址: https://ai.gitcode.com/tencent_hunyuan/AuK2026 年 9 月 9 日腾讯混元在 Hugging Face 与 ModelScope 同步放出了 AuK 的代码与权重——一个 1.5B 参数、以 MIT 协议开源的语音基础模型。它没有选择再做一款更好的 TTS而是把语音生成、内容编辑、声学编辑、副语言编辑、增强与分离五大类任务统一进一套自然语言指令 参考音频的接口里。对中文音频内容创作者而言这意味着一个长期被拆散的工作流——选音色、录干音、补录、降噪、对轨、调音、分离伴奏——第一次有机会被单个本地模型串起来。本文结合仓库源码、技术报告与社区实测逐环节拆解 AuK 对配音、有声书、播客三类创作流程的真实影响、能力边界与合规红线。一个模型装下录音棚 剪辑台 后期机房先看清 AuK 的能力全景。README.md 的 Supported Tasks 表格给出了 16 类任务的完整清单按大类可归为五组语音生成零样本 TTS用参考音频复刻音色、指令 TTS仅凭一段声音描述生成语音无需参考音频内容编辑语音内容编辑替换/插入/删除话术、歌词编辑保留旋律与音色改写歌词声学编辑音高按半音升降、语速按倍率变速、音量按分贝增减副语言编辑情绪、音色、去口音、非语言声呼吸/笑声/咳嗽的删除与插入、耳语转换增强与分离降噪去混响、多说话人分离、音乐/人声分离、按说了什么锁定目标说话人。把这张表映射到创作者熟悉的环节它的越界之处在于过去需要至少四类工具链才能完成的工作——TTS 引擎生成、DAW 里的时间伸缩与变调声学、AI 修音与克隆副语言、降噪/分轨插件增强分离——现在共用同一个输入输出协议。社区已有用户拿它做本地音频工作台一键整合包也有实测文章记录下一句话改口音的直接体验。一张架构图看懂指令进音频出AuK 的技术路线是多模态语义条件 声学潜在空间 流匹配扩散 Transformer的三段式。技术报告arXiv:2609.08936披露的数据规模是约 30.3 亿条指令-音频样本、195 万小时有效监督训练分生成预热、联合预训练、编辑偏好优化人类反馈 DPO、生成强化学习Flow-GRPO四个阶段。架构层面config.yaml 把关键工程参数写得非常直白文本编码器挂载Qwen2.5-Omni-3B负责把指令 音频上下文压缩成语义条件VAE 使用BigVGANFlowVAE24kHz 采样率、64 维潜在空间、50Hz 帧率downsample_rate: 480承担声学条件与波形重建生成主干是Flux2Edit混合流 Transformernum_layers: 10双流 MMDiT 块num_single_layers: 20单流 DiT 块隐藏维 1536、24 头注意力。这套双流语义-声学交互再拼接单流精修的设计让同一个主干既能做纯文本指令生成又能做带参考音频的条件编辑。推理时还有一个值得创作者注意的细节自由形式的请求会先经过 Prompt Enhancer任务路由 指令重写 时长估计再进入采样管线——这意味着把这句话说得再低沉一点把这段换成普通话这类口语化指令会被自动规整成模型擅长的格式。三类创作流逐环节对照 AuK 的替换面以下按配音、有声书、播客分别盘点哪些环节可以被 AuK 直接替换哪些只能部分替代AI 配音短剧、广告、游戏角色音色设定零样本 TTS 只需一段参考音频即可复刻目标音色且不需要参考音频的文本训练采用了跨语句上下文学习构造参考音频免转录指令 TTS 则允许直接写低沉的中年男声、语速稍慢这类描述改稿重录过去改一句台词要重新进棚现在用语音内容编辑指定区间做替换/插入/删除音色、语速、韵律被保留改稿成本从重录降为重打字情绪调整理论上支持八类情绪编辑愤怒/高兴/悲伤/恐惧/惊讶/厌恶/平静/兴奋但这一项恰恰是当前最薄弱的环节详见下文短板分析商用项目应谨慎依赖。有声书长内容、多角色、稳定音色长章节合成零样本 TTS 在 Seed-TTS-Eval 上平均词错率 2.65%低于此前最强的 Qwen3-TTS 的 3.07%中文 hard 文本集上 5.91%对叙事文本的可懂度有基本保障角色区分多角色录制可通过为每个角色各准备一段参考音频、分别调用零样本 TTS 实现混音阶段则可用目标说话人提取从多人录音中按内容锁定单个人声降噪抢救老旧素材、环境嘈杂的补录音可用语音增强去噪/去混响与超分辨率带宽扩展恢复VCTK-SR 超分评测中 AuK 的 WER 降至 3.06%低于 AudioSR 的 4.72%。播客多人对话、剪辑重素材降噪多人远程连线的录音通常伴随回声、底噪、电话音质劣化语音增强的指令相关设计意味着可以只去掉指令点名的劣化只去噪、保留混响而不会像传统增强器那样把所有场景一刀切干净分轨与剪辑采访中两人同时说话时多说话人分离可以按说话顺序或时间戳保留指定发言人剪辑中想删掉某段口误用内容编辑替换即可不必重新剪接对轨耳语与音色变换耳语转换正常语音↔气声被社区戏称为竟然能做 ASMR这类副语言变换对播客的栏目包装、情景演绎有实用价值。基准数据说话能打到哪里短板在哪里技术报告与仓库 README.md 的 Performance 章节给出了一组可核验的数字零样本 TTSSeed-TTS-Eval平均 WER 2.65%、说话人相似度 SIM 0.795两项均优于 Qwen3-TTS、Seed-TTS、VoxCPM2 等对比系统中文 DSD 指令跟随准确率 83.37%InstructTTSEval领先 Qwen3-TTS-VD 约 2.3 个百分点通用语音编辑MMAE-Speech指令跟随成功率 IFR 48.23%、未改动属性保持率 CR 88.11%均显著高于 Step-Audio-EditX43.52/77.27SpeechEditBench 上内容编辑 91.83%、韵律编辑 71.33%增强与分离DNS Challenge 上 dWER 2.66%优于 RE-USE 的 3.31%Libri2Mix 双人分离 WER 9.12%、SIM 0.96。短板同样真实。SpeechEditBench 的情绪编辑成功率仅 9.94%在五类编辑中垫底社区实测也反馈情绪编辑能力薄弱并指出当前存在约 30 秒的音频长度限制。对创作场景的启示很明确内容替换、韵律/声学调整、去噪分离可以放心进生产流程情绪变换仍处于可玩不可靠阶段。部署侧的另一条关键事实是 AuK-Flash通过一致性初始化 任务路由解耦 DMD 蒸馏把推理从 32 步 CFG 采样压缩到 4 步无 CFG端到端加速 4.5 倍。创作者的试音-微调-再试循环在 Flash 上可以以更低的延迟迭代。上手路径权重、整合包与推理框架仓库提供了三条部署路径社区都有对应实践权重直取README.md 给出了 Hugging Face 与 ModelScope 两套下载命令运行前需准备三个目录ckpts/AuK或AuK-Flash、ckpts/Qwen2.5-Omni-3BMLLM 编码器从 Qwen 官方仓库获取以及 VAE 权重注意 checkpoint 中不含text_encoder.*键属预期行为因为编码器与 VAE 在运行时单独加载可视化流水线社区已有 Gradio 一键体验、ComfyUI 语音流水线节点以及本地音频工作台整合包降低了非工程用户的试错成本生产级推理SGLang-Omni 在开源当天即完成 Day 0 适配python -m sglang_omni.cli serve --model-path tencent/AuK即可拉起服务。一个务实的提醒显存敏感。由于必须串联 3B 的 Qwen2.5-Omni 编码器社区反馈其对显存要求较高计划长期使用的创作者建议优先评估 AuK-Flash 在单卡上的表现再决定是否升级到完整模型。合规与商用边界下的机会清单授权层面AuK 以 MIT 协议发布代码与权重LICENSE 明确允许使用、复制、修改、合并、发布、再许可及销售这意味着自建配音服务、商用有声书制作、二次分发模型微调版本在法律条款上均是可行的——这是它区别于很多仅研究用途开源模型的关键。但模型可商用不等于声音可商用。机会清单必须绑定三道红线本人授权零样本 TTS 复刻的是具体自然人的音色。商用项目无论使用客户提供的参考音频还是使用公众人物的公开素材都必须取得声音本人的明确授权且授权范围应写明用于何种内容、何种平台、何种期限声音作为人格权益的保护并不因模型开源而豁免平台规则主流内容平台对 AI 生成音频普遍要求显著标识与备案有声书、播客平台对AI 配音类目有各自的审核与披露机制。技术合规MIT之外还有运营合规这道闸内容责任配音、有声书内容的版权原著授权、脚本权利与 AI 化演绎的权利归属不因用了开源模型而转移。建议把声音授权 内容授权 AI 标识三项核查固化为发布前的标准动作。落在机会侧可操作的场景包括为小型工作室搭建本地多音色配音管线规避按字计费的云端 TTS 成本、为长尾语料方言、老年音色、气声叙述做定制微调、把改稿不重录的编辑能力产品化为音频内容平台的剪辑插件、以及面向播客创作者的降噪 分轨 去口音一体化后处理工具。真正的竞争点不在模型本身而在谁能把这几项能力编排成一条让创作者无感替换的流水线。AuK 的开源把统一指令驱动音频从论文带到了本地可跑的状态16 类任务共用一套接口质量在生成与编辑维度达到第一梯队短板集中在情绪编辑与时长上限。对中文音频创作者来说现在正是把工作流逐环节对照这张能力表、评估替换面的最佳窗口期——毕竟一个能同时干录音、修音、剪辑、分轨的本地模型上一次出现还是在概念里。【免费下载链接】AuK项目地址: https://ai.gitcode.com/tencent_hunyuan/AuK创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考