Tencent、1.5B音声生成モデル AuK を公開──数百万時間のデータで学習しマルチタスクに対応
自然言語インターフェースでゼロショット音声合成や編集を統合し、4ステップ蒸留版の AuK-Flash も同時提供する。
リリース: 2026-09-08 · 読了 3 分記事の要約
1. 核心（What）
- Tencentは音声生成・編集のための1.5B基盤モデル AuK のコードとモデル重みを公開した
- 自然言語インターフェース経由で、音声合成、コンテンツ・音響編集、ソース分離など複数タスクを実行できる
- ベースモデルに加え、4ステップ蒸留版の AuK-Flash が用意されている
- 実行時には Qwen/Qwen2.5-Omni-3B や VAE が別途ロードされる設計になっている
2. 影響（Why）
- 推論コストの劇的な抑制: 1.5B規模のモデルと4ステップ蒸留版の組み合わせにより、GPU要件を下げつつ商用利用に耐える音声編集パイプラインを自社サーバー上に構築できる。
- 国内音声プロダクトへの影響: 音声AIを組み込む国内のスタートアップや受託開発企業は、マルチモーダルモデルの選択肢としてローカル実行可能なOSSを評価軸に加えられる。
3. 根拠・詳細（How）
- モデル構造と依存関係: 拡散トランスフォーマーとレイヤー融合重みを内包し、ランタイム時にQwen2.5-Omni-3Bをテキストエンコーダーとして読み込むアーキテクチャを採用している。
- サービングとエコシステム: SGLang OmniチームがDay 0サポートを実装し、専用のCLIコマンドを用いることで効率的な推論サーバーの立ち上げが可能。
4. 展望・課題（Next）
- 運用検証と適用範囲の確認: 実際の商用プロダクトにおけるレイテンシや、日本語音声を対象としたゼロショット性能の詳細なベンチマーク検証が今後の課題となる。