AuK

AuK

腾讯的 1.5B 语音模型，可以根据文本生成语音、编辑录音，还能做音频增强和声源分离，全部通过自然语言指令完成。

由 tencent 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：AuK 是腾讯的 1.5B 参数语音模型，用数百万小时的多样音频训练而成。一个模型就覆盖语音生成、语音编辑、语音增强和声源分离，你用自然语言写的指令来控制它。

这个仓库放的是基础模型的官方权重。另一个变体 AuK-Flash 是蒸馏版本，为 4 步快速推理而做。

适合谁：想用一个开源模型完成多种语音任务、而不是每件事都配一个单独工具的开发者、音频研究人员和内容创作者。声音克隆是它的任务之一，所以只能使用你有权使用的声音。

行业 | 谁在用 | 怎么用 | 例子
媒体 | 视频和播客制作者 | 不用重新录音就能修正或改写口播台词 | 替换录好的一句话里的某个词
软件 | 应用开发者 | 给产品加入生成的声音 | 根据文字描述创建一个声音
音乐 | 音频编辑 | 改写演唱录音里的歌词 | 改掉歌词，保留旋律和声音
研究 | 语音研究人员 | 用一个模型研究多种音频任务 | 用同一套权重测试生成和分离

只需要基础文字朗读的人可以略过它，因为 AuK 是为更广泛的编辑任务而做的。

用在哪里：

• Python 和命令行，使用项目 Cookbook 里的示例
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件
• Hugging Face 和 ModelScope 的演示空间，下载前可以先试一试

使用场景 | 谁用 | 得到什么
零样本声音生成 | 开发者 | 用参考录音的声音说出你的文字
根据描述生成声音 | 制作者 | 根据文字声音描述生成、无需参考音频的语音
录音编辑 | 音频编辑 | 改了词、音高、速度、音量或情绪的录音

如何设置：你需要 Python 和足够放权重的磁盘空间。

• Python 和 pip，用于 Hugging Face 下载工具
• 放模型文件的磁盘空间
• 项目的 Cookbook，模型卡说里面有指令模板以及命令行和 Python 示例

1. 安装 huggingface_hub 包。
2. 用 hf 命令下载模型文件。
3. 打开 Cookbook，挑一个你想做的任务。
4. 用你自己的文本或音频运行它的示例。

pip install -U huggingface_hub
hf download tencent/AuK

如何使用：每个任务都走同一个界面。你用自然语言写一条指令，任务需要时再加上参考或源录音。模型卡自己的运行命令在这里被截断了，具体格式请用 Cookbook 里的模板。

工具 | 作用
零样本 TTS | 用参考录音的声音说出你的文字
指令式 TTS | 根据声音描述生成语音，无需参考音频
语音内容编辑 | 在录音里替换、插入或删除词语
歌词编辑 | 改写演唱录音里的歌词，保留旋律和声音
音高编辑 | 以半音为单位升高或降低音高
语速编辑 | 改变说话速度，输出长度随之变化
音量编辑 | 以分贝为单位让录音更响或更轻
情绪编辑 | 改变情绪，保留内容和声音
音色编辑 | 把音色改成符合某个描述，保留内容

示例：你给它一段录音，用平实的话让它把说话人所说的某个词换掉。它返回一段新录音，那个词已经改掉。

新手与专家：把它看作可以对话的音频编辑器。你说出想对一段人声录音做什么，它就去做。第一次尝试可以用 Cookbook 里的零样本语音任务，配一段你自己拥有的短录音。

从底层看，一个 1.5B 模型通过同一个指令界面处理生成、编辑、增强和分离，省得你把几个单独的模型拼在一起。两个变体之间的取舍是质量与速度，因为 AuK-Flash 为 4 步推理做了蒸馏。

用平实的话写一条指令
需要时加上参考或源音频
AuK 生成或编辑音频
你拿到新的录音

注意事项：这个页面讲的是基础模型。快速变体是另一个仓库。

• 规模：按模型卡所说是 1.5B 参数
• 变体：AuK-Flash 用于 4 步快速推理，Hugging Face 显示别人做的 1 个量化版本和 3 个微调版本
• License: MIT
• Cost to run: 没有提到 API 密钥或付费服务
• Data it reaches: 你交给它的文本和音频，以及你从 Hugging Face 下载的模型文件
• Not for: 模型卡除许可证外没有列出其他限制，但克隆声音需要说话人的许可

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 最近 30 天下载：1,455
• 点赞：396
• 许可证：mit
• Quantized versions: 1
• Fine-tunes: 3
• 标签：audio, speech, text-to-speech, zero-shot-tts, voice-cloning, speech-generation, speech-editing, speech-enhancement, source-separation, speech-separation, instruction-guided, diffusion

链接

• 模型：https://huggingface.co/tencent/AuK
• 文件：https://huggingface.co/tencent/AuK/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download tencent/AuK

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。