模型定位
AuK 是開源的語音生成與編輯基礎模型,規模為 15 億參數,透過統一的自然語言指令介面執行多種音訊任務。本條目對應高品質生成的 AuK 基礎版;AuK-Flash 是另行提供的四步推論蒸餾版本。(huggingface.co)
能力與用途
- 支援零樣本文字轉語音:以參考音訊的聲音朗讀指定文字;也支援僅依聲音描述生成語音。
- 支援語音內容、音高、語速及副語言特徵編輯,以及語音增強和聲源分離。
- 可用於配音、語音內容修改、錄音增強及音訊素材處理等場景。(huggingface.co)
限制與部署
- 官方程式碼與模型權重已公開;模型卡標示 MIT 授權。自架時仍須確認其他依賴模型的授權條款。(huggingface.co)
- 官方實作另需 Qwen2.5-Omni-3B 編碼器;運行所需記憶體會隨輸入長度、硬體及設定而變。官方測試中,基礎版在指定 NVIDIA A800、bf16 條件下峰值顯示記憶體約為 25 GiB;啟用 CPU offload 可降低顯示記憶體用量。(github.com)
- 官方 ComfyUI 整合要求來源或參考音訊與生成目標的總長度不超過 30 秒,且不會自動切分長音訊;此限制適用於該整合。(github.com)
價格
截至 2026-11-16,查閱騰訊雲國內及國際官方定價文件,未核實到 AuK 專屬 API 報價,也未核實其輸入與輸出的計費方式或單價。開源權重的自架運算成本,以及可選用的外部服務費用,須另行考量,不能視為 AuK API 單價。(cloud.tencent.com)
發布日期與官方來源
- **發布日期:**2026-09-09,官方宣布開源程式碼與模型權重。(huggingface.co)
- 官方模型卡
- 官方程式碼與部署說明
- 騰訊雲國內模型價格
- 騰訊雲國際模型價格