AuK / AuK-Flash

Tencent / 腾讯混元 · 2026-09-09 · 类别未确认

AuK

腾讯混元开放权重的语音生成与编辑基础模型，用统一的自然语言指令接口覆盖零样本 TTS、指令 TTS、内容与声学编辑、韵律编辑、语音增强和源分离等任务，训练规模约 30.3 亿条指令-音频样本、195 万小时有效监督。官方技术报告在 Seed-TTS-Eval 上给出 WER 平均 2.65、SIM 平均 0.795，在通用语音编辑 MMAE 上给出 IFR 48.23 / CR 88.11 / EMR 12.44。

输入模态: 音频 / 文本
上下文: 官方资料未说明
参数: 1.5B
价格（每百万 tokens）: 无此口径报价；不等于免费

本变体的评测证据

seed-tts-eval 2.65 模型 auk · 版本 WER avg · 指标 WER（en/zh/zh-hard 平均，越低越好） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Generation Ability · Seed-TTS-Eval · table: 技术报告 Generation Ability 表（HTML 真表） · row: AuK · WER avg · quote_snippet: AuK | WER | 1.02 | 1.02 | 5.91 | 2.65

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: seed-tts-eval（字节跳动 Seed-TTS-Eval 语音合成评测集，官方报告在此给出 WER 与 SIM 两组指标；en / zh / zh-hard 三档平均）。同表对照（WER avg，越低越好）：Qwen3-TTS 3.07、Seed-TTS 3.65、VoxCPM2 3.65、AuK-Flash 2.85。

打开官方来源

seed-tts-eval 0.795 模型 auk · 版本 SIM avg · 指标 SIM（en/zh/zh-hard 平均，越高越好） · 单位 index 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Generation Ability · Seed-TTS-Eval · table: 技术报告 Generation Ability 表（HTML 真表） · row: AuK · SIM avg · quote_snippet: AuK | SIM | 0.788 | 0.814 | 0.782 | 0.795

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: seed-tts-eval（同表另一指标，音色相似度 SIM 平均分，越高越好）。同表对照（SIM avg）：Qwen3-TTS 0.745、Seed-TTS 0.778、VoxCPM2 0.767、AuK-Flash 0.790。

打开官方来源

instruct-tts-eval 83.37 模型 auk · 版本 DSD-ZH · 指标 ACC（指令 TTS 准确率） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: InstructTTSEval · table: 技术报告 InstructTTSEval 表（HTML 真表） · row: AuK · DSD-ZH · quote_snippet: AuK | ACC | 83.37 | 81.60

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: instruct-tts-eval（指令式 TTS 评测集，含 DSD-ZH 与 DSD-EN 两个子集，指标为指令遵循准确率）。同表对照（DSD-ZH）：Qwen3-TTS-VD 81.10、Mimo-Audio 74.30、MOSS-VoiceGenerator 80.00、AuK-Flash 78.80。

打开官方来源

instruct-tts-eval 81.60 模型 auk · 版本 DSD-EN · 指标 ACC（指令 TTS 准确率） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: InstructTTSEval · table: 技术报告 InstructTTSEval 表（HTML 真表） · row: AuK · DSD-EN · quote_snippet: AuK | ACC | 83.37 | 81.60

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: instruct-tts-eval（指令式 TTS 评测集的英文子集）。同表对照（DSD-EN）：Qwen3-TTS-VD 82.40、AuK-Flash 82.40、Mimo-Audio 77.60、MOSS-VoiceGenerator 82.00。

打开官方来源

mmae 48.23 模型 auk · 版本 IFR · 指标 IFR（指令遵循率） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: General Speech Editing · MMAE(Speech) · table: 技术报告 General Speech Editing 表（HTML 真表） · row: AuK · IFR · quote_snippet: AuK | IFR | CR | EMR | 48.23 | 88.11 | 12.44

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: mmae（通用语音编辑评测集 MMAE，官方报告给出 IFR / CR / EMR 三项指标）。同表对照（IFR，越高越好）：AuK-Flash 46.62、Step-Audio-EditX 43.52、Audio-Omni 43.14、Ming-UniAudio 34.13。

打开官方来源

mmae 88.11 模型 auk · 版本 CR · 指标 CR（内容保持率） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: General Speech Editing · MMAE(Speech) · table: 技术报告 General Speech Editing 表（HTML 真表） · row: AuK · CR · quote_snippet: AuK | IFR | CR | EMR | 48.23 | 88.11 | 12.44

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: mmae（同表第二项指标，内容保持率 CR，越高越好）。同表对照（CR）：AuK-Flash 86.41、Step-Audio-EditX 77.27、Ming-UniAudio 76.01、Audio-Omni 68.29。

打开官方来源

mmae 12.44 模型 auk · 版本 EMR · 指标 EMR（编辑修改率） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: General Speech Editing · MMAE(Speech) · table: 技术报告 General Speech Editing 表（HTML 真表） · row: AuK · EMR · quote_snippet: AuK | IFR | CR | EMR | 48.23 | 88.11 | 12.44

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: mmae（同表第三项指标，编辑修改率 EMR，越高越好）。同表对照（EMR）：AuK-Flash 13.85、Ming-UniAudio 7.04、Step-Audio-EditX 4.69、SmartDJ（带 planner）0.99。

打开官方来源

dns-challenge 3.35 模型 auk · 版本 DNSMOS-OVRL · 指标 DNSMOS-OVRL（语音增强整体 MOS 估计） · 单位 index 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Speech Enhancement and Separation · DNS Challenge · table: 技术报告 DNS Challenge 表（HTML 真表） · row: AuK · DNSMOS-OVRL · quote_snippet: AuK | DNSMOS-OVRL | UTMOS | dWER | SIM | 3.35 | 3.86 | 2.66 | 0.99

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: dns-challenge（DNS Challenge 语音增强评测集，官方报告给出 DNSMOS-OVRL / UTMOS / dWER / SIM 四项指标）。同表对照（DNSMOS-OVRL，越高越好）：AuK-Flash 3.38、AnyEnhance 3.41、RE-USE 3.38、SAM-Audio-Large 3.29。

打开官方来源

dns-challenge 3.86 模型 auk · 版本 UTMOS · 指标 UTMOS（说话人相似度 MOS 估计） · 单位 index 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Speech Enhancement and Separation · DNS Challenge · table: 技术报告 DNS Challenge 表（HTML 真表） · row: AuK · UTMOS · quote_snippet: AuK | DNSMOS-OVRL | UTMOS | dWER | SIM | 3.35 | 3.86 | 2.66 | 0.99

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: dns-challenge（同表第二项指标，UTMOS 越高越好）。同表对照（UTMOS）：AuK-Flash 4.05、SAM-Audio-Large 3.78、AnyEnhance 3.76、RE-USE 3.69。

打开官方来源

dns-challenge 2.66 模型 auk · 版本 dWER · 指标 dWER（增强后字词错误率，越低越好） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Speech Enhancement and Separation · DNS Challenge · table: 技术报告 DNS Challenge 表（HTML 真表） · row: AuK · dWER · quote_snippet: AuK | DNSMOS-OVRL | UTMOS | dWER | SIM | 3.35 | 3.86 | 2.66 | 0.99

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: dns-challenge（同表第三项指标，增强后字词错误率，越低越好）。同表对照（dWER）：AuK-Flash 2.93、RE-USE 3.31、AnyEnhance 7.71、SAM-Audio-Large 9.67。

打开官方来源

dns-challenge 0.99 模型 auk · 版本 SIM · 指标 SIM（说话人相似度） · 单位 index 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Speech Enhancement and Separation · DNS Challenge · table: 技术报告 DNS Challenge 表（HTML 真表） · row: AuK · SIM · quote_snippet: AuK | DNSMOS-OVRL | UTMOS | dWER | SIM | 3.35 | 3.86 | 2.66 | 0.99

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: dns-challenge（同表第四项指标，说话人相似度 SIM，越高越好）。同表对照（SIM）：AuK-Flash 0.99、AnyEnhance 0.98、RE-USE 0.98、SAM-Audio-Large 0.96。

打开官方来源

AuK-Flash

AuK 的蒸馏加速版本，通过任务路由蒸馏把 32 步 Euler 采样压到 4 步，官方报告其墙钟速度为基础模型的 4.5 倍，质量略低于基础模型（Seed-TTS-Eval WER 平均 2.85 对 2.65，SIM 平均 0.790 对 0.795）。

输入模态: 音频 / 文本
上下文: 官方资料未说明
参数: 1.5B（蒸馏自 AuK 基础模型）
价格（每百万 tokens）: 无此口径报价；不等于免费

本变体的评测证据

seed-tts-eval 2.85 模型 auk-flash · 版本 WER avg · 指标 WER（en/zh/zh-hard 平均，越低越好） · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Generation Ability · Seed-TTS-Eval · table: 技术报告 Generation Ability 表（HTML 真表） · row: AuK-Flash · WER avg · quote_snippet: AuK-Flash | WER | 1.03 | 1.10 | 6.43 | 2.85

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: seed-tts-eval（字节跳动 Seed-TTS-Eval 语音合成评测集）。同表对照（WER avg，越低越好）：AuK 2.65、Qwen3-TTS 3.07、Seed-TTS 3.65、VoxCPM2 3.65。

打开官方来源

seed-tts-eval 0.790 模型 auk-flash · 版本 SIM avg · 指标 SIM（en/zh/zh-hard 平均，越高越好） · 单位 index 来源等级 A · vendor_reported · 核对日期 2026-10-22 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Generation Ability · Seed-TTS-Eval · table: 技术报告 Generation Ability 表（HTML 真表） · row: AuK-Flash · SIM avg · quote_snippet: AuK-Flash | SIM | 0.772 | 0.814 | 0.784 | 0.790

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "官方技术报告未披露该表的评委模型、采样次数与音频预处理细则",
  "judge": null
}

new-benchmark: seed-tts-eval（音色相似度 SIM 平均分，越高越好）。同表对照（SIM avg）：AuK 0.795、Qwen3-TTS 0.745、Seed-TTS 0.778、VoxCPM2 0.767。

打开官方来源