概要
AuK-Flashは、音声生成・編集向け基盤モデルAuKの蒸留版です。自然言語の指示と、必要に応じた音声を入力し、音声を生成・編集します。AuKは15億パラメータのモデルとして紹介されています。(huggingface.co)
能力と用途
- 参照音声の声を用いたゼロショット音声合成、声の特徴を文章で指定する音声合成。
- 発話内容や歌詞の編集、ピッチ・速度・音量の調整、感情・声質・アクセントやささやき声の編集。
- 音声のノイズ除去・残響除去、話者や歌声の分離・抽出。(huggingface.co)
推論と制限
- 4ステップ、classifier-free guidanceなしで推論します。公式技術報告では、同一条件下で32ステップの教師モデルに対し実測時間が4.5倍高速と報告しています。実際の速度は実行環境や条件によって異なります。(arxiv.org)
- 任意の自由形式の指示を常に正確に理解できるわけではありません。技術報告では、タスク判定や指示の書き換えを行うPrompt Enhancerへの依存が残ると説明しています。(arxiv.org)
- ローカル実行にはモデル重みのほか、Qwen2.5-Omni-3Bエンコーダーなどの関連ファイルと計算環境が必要です。モデルカードの言語タグは中国語・英語です。重みとコードは公開され、モデルカードに記載されたライセンスはMITです。(huggingface.co)
公開日
2026年9月9日。公式モデルカードと公式リポジトリは、この日をAuKのコード・重みの公開日として記載しています。(huggingface.co)
価格
2026年11月16日確認。中国国内向けのTencent Cloud料金表と国際向け料金表を確認しましたが、AuK-Flash固有の公式API料金は確認できませんでした。入力・出力それぞれの課金額や単位も未確認です。重みの公開は、ホスティングや自前実行の計算費用が無料であることを意味しません。(cloud.tencent.com)