腾讯开源 AuK 语音模型，支持改词换声与声音克隆

腾讯混元开源 15 亿参数语音生成与编辑模型 AuK，并将其称为「音频版 Nano Banana」。该模型把声音克隆、改词、情绪切换、去口音、语速和音高调整、降噪，以及多人和音乐分离整合进同一个模型，还支持通过自然语言控制。

据 BlockBeats 引述动察 Beating AI 快讯，AuK 可以直接编辑已有录音。录音中如果只说错几个字，只需要修改对应片段，无需整段重录。在内容不变的情况下，模型也可以调整情绪、音色或口音，还支持改歌词、去掉笑声和咳嗽声，以及把正常说话改成耳语。

在声音克隆方面，AuK 不需要先为参考录音准备文字稿。只要提供一段声音和新的文本，就可以生成对应语音。

官方测试显示，AuK 在语音生成和通用语音编辑的多项评测中领先。其中，SpeechEditBench 得分为 49.73，第二名 Ming-UniAudio 为 28.70。

腾讯还公布了快速版 AuK-Flash。该版本经过蒸馏后只需 4 步推理，速度约快 4.5 倍。

不过，论文也提到，AuK 目前还不能稳定理解所有随意输入的自然语言指令，仍需依赖 Prompt Enhancer 先判断任务、整理参数并改写指令。

目前，AuK 的代码和模型权重已经公开，采用 MIT 许可证。