AuK 是什么?腾讯混元开源的语音生成与编辑基础模型

中文导读

AuK 是开源项目,站内分类为 AI 语音。简介:腾讯混元开源的语音生成与编辑基础模型。项目说明中列出的主要功能包括:零样本 TTS：用参考音频的音色朗读目标文本；指令 TTS：仅凭声音描述生成语音，无需参考音频；内容编辑：替换、插入或删除语音中的文本，支持歌词编辑。适合语音合成、语音编辑方向的研究人员和开发者，以及希望快速体验语音生成与编辑能力的普通用户。

根据 GitHub 公开数据,该项目的编程语言为 Python,开源协议未注明,创建于 2026-08-19,最近更新于 2026-10-14,目前有 1,520 个 Star。

项目介绍

AuK 是腾讯混元团队开源的一个 1.5B 参数语音基础模型，支持语音生成与编辑。模型在数百万小时音频数据上训练，通过统一的自然语言指令接口，可以完成零样本 TTS、指令 TTS、内容编辑、声学编辑、副语言编辑、语音增强和音源分离等多种任务。

AuK 提供两个版本：AuK 基础模型用于高质量生成，AuK-Flash 是蒸馏模型，支持 4 步快速推理。项目代码和模型权重均已公开，并已获得 vLLM-Omni、SGLang-Omni、audio.cpp 等推理框架的支持，可在 Hugging Face 和 ModelScope 上体验 Demo。

主要功能

• 零样本 TTS：用参考音频的音色朗读目标文本
• 指令 TTS：仅凭声音描述生成语音，无需参考音频
• 内容编辑：替换、插入或删除语音中的文本，支持歌词编辑
• 声学编辑：调整音高、语速和音量
• 副语言编辑：改变情感、音色、去除口音等
• 语音增强与音源分离

适合谁用

适合语音合成、语音编辑方向的研究人员和开发者，以及希望快速体验语音生成与编辑能力的普通用户。

快速上手

1. 通过 uv 或 Conda 安装依赖（详见 README 的 Installation 部分）
2. 从 Hugging Face 或 ModelScope 下载 AuK 或 AuK-Flash 模型权重
3. 使用命令行进行推理，或运行交互式 Gradio demo
4. 也可通过 Python API 调用模型，或使用 ComfyUI 集成

Star 增长趋势

同类项目