概要
AuKは、音声の生成と編集を自然言語の指示で行う、15億パラメータのオープンソース基盤モデルです。指定された公式リポジトリには、高品質な生成を目的としたベースモデルの重みが収録されています。別モデルのAuK-Flashは、4ステップの高速推論向けに蒸留された版です。(huggingface.co)
主な能力と用途
- 参照音声の声を使うゼロショット音声合成、および声の説明に基づく音声合成。
- 発話内容の置換・挿入・削除、歌声のメロディーと声を維持した歌詞編集。
- 音程、速度、音量、感情、声質、アクセントや非言語音の編集。
- ノイズ・残響の低減、話者や歌声の分離、指定話者の抽出。
音声コンテンツ制作、録音の修復、音声編集ワークフローなどに利用できます。(huggingface.co)
制限・提供形態
- モデルのコードと重みは公開され、AuK自体にはMITライセンスが適用されます。自己運用時は実行環境を用意する必要があり、公式手順ではマルチモーダル言語モデルのエンコーダーとVAEを別ファイルとして読み込みます。(huggingface.co)
- 公式モデルカードでは、対応言語の網羅的な一覧や、すべての条件下での品質保証は確認できません。音声生成・編集の結果は用途に応じて検証してください。(huggingface.co)
価格
2026年11月16日確認。Tencent Cloudの中国国内向けと国際向けの公式TokenHub価格表を確認しましたが、AuK固有のAPI料金は見当たらず、入力・出力それぞれの課金額や単位は未確認です。公開重みの自己運用には、別途計算資源などの費用が発生し得ます。(cloud.tencent.com)
公開日と公式資料
- 公開日: 2026年9月9日。公式モデルカードは同日にコードと重みを公開したと案内しています。(huggingface.co)
- 公式モデルカード
- 公式コード・利用手順
- 料金確認先:Tencent Cloud国内価格表、Tencent Cloud国際価格表