Tencent Hunyuan AuK: ein 1,5B-Modell für Spracherzeugung und -bearbeitung

Sprachmodelle neigen zur Vermehrung. Eines macht Sprachsynthese, ein zweites entrauscht, ein drittes klont eine Stimme, ein viertes trennt einen Sänger vom Playback. Dem Hunyuan-Team von Tencent war das zu viel, und am 9. September 2026 veröffentlichte es AuK: ein Basismodell mit 1,5 Milliarden Parametern, das all diese Aufgaben hinter einer einzigen Anweisungsschnittstelle bündelt. Code und Gewichte stehen unter MIT-Lizenz, was für ein Sprachmodell dieser Größe ungewöhnlich freizügig ist.

Das Versprechen lässt sich in einem Satz sagen. Man gibt einen Audioclip und einen Satz, der beschreibt, was man will. Soll aus „morgen früh Besprechung“ „Besprechung ist Freitagnachmittag“ werden, sagt man es, und das Modell schreibt die Sprache um, ohne neu aufzunehmen. Soll dieselbe Stimme ruhiger klingen, bittet man um ruhigeren Vortrag. Sitzt ein Husten mitten in einer Aufnahme, lässt man ihn entfernen.

Ein Eingabefeld, viele Berufe

Die Aufgabenliste ist lang und bewusst flach gehalten. AuK deckt Zero-Shot-Sprachsynthese ab, bei der neuer Text mit der Stimme eines Referenzclips gesprochen wird. Es deckt anweisungsbasierte Synthese ab, bei der eine Beschreibung der Stimme genügt und kein Referenzaudio nötig ist. Bei der Bearbeitung kann es Wörter in einer bestehenden Aufnahme ersetzen, einfügen oder löschen und Liedtexte in einer Gesangsaufnahme umschreiben, wobei Melodie und Originalstimme möglichst erhalten bleiben.

Darüber liegt die akustische Ebene. Die Tonhöhe lässt sich in Halbtönen heben oder senken. Das Sprechtempo ist anpassbar, wobei die Ausgabelänge mitgeht. Emotion und Timbre lassen sich ändern, ohne die Worte anzutasten, und ein regionaler Akzent lässt sich entfernen, ohne die Identität der sprechenden Person zu verlieren. Auch nonverbale Laute werden abgedeckt: Atemzüge, Lachen und Husten lassen sich hinzufügen oder entfernen, und es wird zwischen normalem Sprechen und Flüstern umgewandelt.

{{INLINE1}}

Das Aufräumen ist der leise Teil

Verbesserung und Trennung runden das Ganze ab. AuK kann eine Aufnahme entrauschen und enthallt machen, in einer Unterhaltung einen Sprecher nach Rede-Reihenfolge herausziehen oder aus einem Mix die Stimme extrahieren. Letzteres erforderte bisher ein eigenes Werkzeug und einen geduldigen Ingenieur. Genau das in dieselbe Oberfläche wie die Spracherzeugung zu legen, ist die eigentliche Behauptung.

Die Trainingszahlen stützen den Anspruch. Laut Team entstand das Modell auf rund 3,03 Milliarden Anweisungs-Audio-Instanzen und etwa 1,95 Millionen Stunden wirksamer Überwachung über Erzeugung, Bearbeitung, Verbesserung und Trennung. Architektonisch liefert ein multimodales Sprachmodell die semantische Konditionierung, ein gemeinsam trainiertes VAE die akustische, und beide speisen einen hybriden Rectified-Flow-Transformer. Vortraining, gemeinsames Training von Erzeugung und Bearbeitung, Präferenzoptimierung für offene Bearbeitung und belohnungsbasiertes Verstärkungslernen laufen vor der Veröffentlichung.

Warum der destillierte Bruder zählt

Es gibt eine schnellere Variante namens AuK-Flash, auf Vier-Schritt-Inferenz destilliert und ohne klassenfreie Führung. Der Bericht nennt unter gleichen Bedingungen einen 4,5-fachen Wall-Clock-Speedup gegenüber dem vollen Modell. Das ist wichtig, weil Sprachbearbeitung zu jenen Tätigkeiten gehört, bei denen der erste nützliche Entwurf nie der letzte ist. Man ändert ein Wort, hört zu, ändert die Emotion, hört wieder zu. Kostet jeder Durchlauf eine Minute, ist der Ablauf unbrauchbar, egal wie gut die Ausgabe ist.

Die Ökosystem-Unterstützung kam schnell, oft ein besseres Zeichen echten Interesses als eine Benchmark-Tabelle. vLLM-Omni und SGLang-Omni fügten Unterstützung am ersten Tag hinzu, MLX-Inferenz auf Apple Silicon ist verfügbar, eine audio.cpp-Integration erlaubt GGUF-Offline-Inferenz, und es gibt offizielle ComfyUI-Knoten. 1,5B sind klein genug für Selbsthosting, und die Community-Werkzeuge machen das konkret statt theoretisch.

Was die Lizenz ändert

Die MIT-Lizenz verdient einen eigenen Absatz. Viele der stärksten Sprachmodelle erschienen unter Bedingungen, die kommerzielle Nutzung einschränken oder ganze Regionen ausnehmen. Freizügige Bedingungen für Code und Gewichte senken die Hürde für kleine Studios, Podcast-Editoren und Lokalisierungsteams, die nie einen Vertrag pro Arbeitsplatz für ein Synchronwerkzeug hätten rechtfertigen können. Sie bedeuten auch, dass das Modell in andere Produkte gelangen kann, ohne eine Rechtsprüfung, die länger dauert als die Integration.

Der Vorbehalt betrifft die Abdeckung. AuK konzentriert sich auf Chinesisch und Englisch, daher sollten Teams anderer Sprachen testen, bevor sie planen. Stimmklonen und Aufnahmebearbeitung werfen zudem Einwilligungsfragen auf, die keine Lizenz klärt. Die vernünftige Gewohnheit ist die, um die das Team bittet: nur Material verwenden, zu dem man berechtigt ist.

Die Synchron-Werkbank

Man stelle sich vor, an wen sich das richtet. Ein Lokalisierungsteam hat ein fertiges Video und braucht es in fünf weiteren Sprachen. Der alte Prozess ist teuer und langsam: Sprecher buchen, jede Zeile aufnehmen, Timing angleichen, eine weitere Runde zahlen, wenn eine Übersetzung ein Wort ändert. Kann ein Modell die Originalleistung übernehmen und die Wörter tauschen, während Stimme und Rhythmus bleiben, schrumpft der Großteil dieser Kette auf eine Bearbeitung.

Podcaster haben eine leichtere Version desselben Problems. Ein Gastgeber verliest einen Satz, nennt eine Zahl falsch oder will dieselbe Folge in ruhigerem Ton für ein anderes Publikum. Neu aufnehmen ist die naheliegende und die falsche Antwort. Die Aufnahme an Ort und Stelle zu bearbeiten, Raumklang und Mikrofoncharakter zu wahren, verspricht das Werkzeug. Ob es das über eine ganze Folge statt eines Demo-Clips liefert, bleibt offen, der Bedarf ist es nicht.

Es gibt auch eine leicht übersehene Gruppe: Entwickler, die Sprachfunktionen bauen. Weil AuK mit 1,5B läuft und die Gewichte offen sind, lässt es sich in eine App einbetten statt pro Aufruf zu mieten. Ein kleines Team kann eine Sprachfunktion ausliefern, die Kosten fixieren und darauf verzichten, Nutzeraudio an Dritte zu senden. Bei datenschutzsensiblen Produkten kann dieser letzte Punkt entscheidend sein.

Wo es schiefgehen kann

Macht das Modell kleine Fehler, ist Audiobearbeitung ein Geschäft ohne Versteck, denn Ton lässt nirgends Deckung. Ein perfekt sitzendes Wort fällt auf, wenn der Atemzug davor fehlt oder der Raumklang eine halbe Sekunde kippt. Sprachbearbeitung steht und fällt mit den Nahtstellen, und Nahtstellen sind genau dort, wo Modelle rutschen. Die Präferenzoptimierung und das Verstärkungslernen des Teams zielten darauf, ein gutes Zeichen, doch erst dauerhafte Nutzung zeigt, ob die Nähte verschwinden.

Dazu kommt die Einwilligungsfrage, die jedes klonfähige Modell begleitet. Dasselbe Werkzeug, das den verlesenen Satz eines Moderators korrigiert, kann ihm Worte in seiner eigenen Stimme in den Mund legen, spurlos. AuKs Lizenz löst das nicht, und keine Lizenz könnte es. Die Verantwortung liegt bei denen, die das Werkzeug bedienen, und Teams, die das gut handhaben, bauen den Einwilligungsprozess vor der Funktion.

Was wirklich mitzunehmen ist

Der interessante Zug ist nicht, dass es ein weiteres Sprachmodell gibt. Es ist, dass Erzeugung und Bearbeitung als ein Problem behandelt wurden. In den meisten echten Arbeiten existiert die Aufnahme bereits und braucht nur ein paar Änderungen. „Sag das“ und „korrigiere jenes Wort“ als zwei Punkte einer Kurve zu behandeln, entspricht dem Denken von Editoren. Die Breite der Aufgaben macht die einheitliche Oberfläche zu mehr als einem Slogan.

Der praktische Rat lautet, zuerst die Bearbeitungsseite am eigenen unordentlichen Audio zu testen und erst dann darauf zu planen. Die Erzeugung ist der Teil, den alle vorführen; die Bearbeitung entscheidet, ob das Modell einen Platz in einem echten Ablauf verdient. Hält es dort, machen kleine Größe, freizügige Lizenz und schnelle destillierte Inferenz AuK zu einer der nutzbarsten offenen Sprachveröffentlichungen des Jahres.