腾讯混元开源语音模型 AuK：一句话改口音、去噪、分离人声，小白也能玩

发生了什么

9 月 9 日，腾讯混元联合上海交通大学、上海创智学院等开源了语音生成与编辑基础模型 AuK（参数 1.5B，MIT 协议，代码和权重同步放出）。

它不是一个普通 TTS（文字转语音），而是把语音这条链上原本分散在十几个专用模型里的活，收进同一个入口：你用自然语言指令加一段参考音频，说清楚要做什么，模型就输出改好的音频。官方把任务分成几类：

• 生成：零样本配音（给一段参考声音就能模仿）、指令式 TTS（只写“低沉男声、语速慢”就能合成，不用参考音）。
• 内容编辑：替换、插入、删除录音里的字词，甚至保留旋律改歌词。
• 声学/副语言编辑：改音高、语速、音量，改情绪、音色、去掉口音，加或删笑声/咳嗽。
• 处理：降噪、去混响、人声分离、目标说话人提取。

蒸馏版 AuK-Flash 固定 4 步采样、不开 CFG，推理速度约为完整版的 4.5 倍。

对我有什么用

过去做配音要装一套 TTS、改情绪要另一套音色转换、去背景音再找一套分离模型，三者格式还各不相同，工程大头花在“把它们串起来”。AuK 把指令当成统一接口，模型自己判断走哪条路——就像图片编辑从“换一堆滤镜软件”变成“用一句话改图”。而且 MIT 协议意味着可以放心拿来做商业产品，对配音、无障碍、播客后期、音频制作很实用。

我可以怎么做

• 做自媒体的朋友：录好的口播有杂音、说错词、想换个情绪？以后可能一句话就能改，不用重录。
• 想做配音/有声书：给一段参考音就能生成同款声音，或只写描述就合成新声音。
• 处理会议/采访录音：用它做说话人分离、去混响，提取某个人说的话。
• 开发者可在 GitHub（Tencent-Hunyuan/AuK）拿到代码、权重、Gradio 界面和 ComfyUI 节点直接玩。

温馨提醒

• 它是能力强、可自由下载的语音克隆模型，请只用于自己有权处理的音频；拿别人声音生成内容需获得授权，避免侵权。
• 目前模型卡/论文未强调生成音频的水印或来源标识，用于正式内容时建议保留“AI 生成”标注，防止被误当作真实录音。
• 性能数据主要来自作者方评测，独立复现对比尚少，实际效果建议先试官方 Demo 再决定。