Tencent Hunyuan/2026-09
声の生成・声質変換・ノイズ除去・話者分離までを1つのAIモデルと自然言語の指示だけでこなす、Tencent発のオープンソース音声基盤モデル。
AuKは「この声をもっと明るく」「ノイズを消して」といった自然な指示文だけで、声の合成・声質変換・感情の付け替え・ノイズ除去・複数人の声の分離までを1つのAIモデルでこなせる点が新しい。これまでは声を作るAI、ノイズを消すAI、声を分離するAIとツールがバラバラで、それぞれの使い方を覚える必要があったが、AuKは1つの窓口で全部済ませられる。しかも重みが公開されているため、クラウドAPIの従量課金なしに自社のPCやサーバーで動かせる。広告制作では、ナレーションの声色を複数パターン試作したり、現場で録った音声のノイズを消してクリアな仕上がりにしたり、SNS動画用に声だけ差し替えて多言語版を素早く作る、といった使い方が考えられる。声の演出をAIに丸ごと任せられる汎用ツールとして、動画・音声制作の下準備を大幅に短縮できる可能性がある。
AuKは、文章の意味を理解する大規模言語モデルと、音の特徴を圧縮・復元する仕組み(VAE)、実際に音を生成する拡散モデルを組み合わせた構成になっている。指示を理解する「翻訳者」と声の素材を扱う「録音技師」、実際に音を紡ぐ「演奏者」が一体になったような仕組みで、テキスト指示と参照音声を渡すだけで生成・編集・修復を同じパイプラインでこなす。学習には約200万時間の音声データが使われている。 従来のAI音声ツールは、読み上げ・ボイスチェンジャー・ノイズ除去・話者分離がそれぞれ別モデル・別操作だった。AuKは同じモデルに指示文を変えるだけで別の作業をさせられるのが最大の違いで、4ステップで高速に動く軽量版(AuK-Flash)は通常版より4.5倍速く結果を出せる。 MITライセンスで重み・コードとも無料公開されており商用利用も可能。Hugging Faceのデモページ(Space)でブラウザから試せるほか、ComfyUI用の拡張ノードも公開済みで既存の映像制作ワークフローに組み込みやすい。量子化版なら1GB台のVRAMからGPUで動かせる。
コード・重みはMIT。同梱のQwen2.5-Omniエンコーダ部分のみQwen Research License対象。