Tencent Hunyuan AuK：1.5B のモデルが音声の生成と編集を同時に担う

音声モデルには増殖する癖がある。一つは読み上げ、一つはノイズ除去、三つ目は声のクローン、四つ目は歌手を伴奏から分離する。Tencent の Hunyuan チームはそれが煩わしいと考え、2026 年 9 月 9 日に AuK を公開した。これらの作業をすべて一つの指示インターフェースに収めた 1.5B の基盤モデルだ。コードも重みも MIT ライセンスで、この規模の音声モデルとしては異例に寛容だ。

主張は一文で言える。音声クリップと、何をしたいかを書いた一文を渡す。たとえば「明日の午前は会議」を「会議は金曜の午後」に変えたいなら、そう言えば、録り直さずにモデルがその音声を書き換える。同じ声をより落ち着かせたいなら、落ち着いた語りを頼む。テイクの途中に咳が挟まっていれば、咳を消すように言う。

一つの指示欄、多くの仕事

タスクの一覧は長く、意図的に平坦に作られている。AuK は参照音声の声で新しい文章を読むゼロショット読み上げをカバーし、参照音声なしで声の説明だけで生成する指示ベースの読み上げもカバーする。編集側では、既存の録音の語を置換・挿入・削除でき、歌の録音の歌詞も書き換えつつ、旋律と元の声を保とうとする。

その上に音響の層がある。ピッチは半音単位で上下でき、話す速さも調整でき、出力の長さはそれに応じて変わる。感情と音色は言葉をそのままに変えられ、地域なまりは話者の同一性を保ったまま消せる。非言語音も扱え、息づかい、笑い、咳を加えたり消したりでき、通常の話し声とささやきの間を行き来できる。

{{INLINE1}}

静かな本命はクリーンアップ

強調と分離が全体を締めくくる。AuK は録音のノイズと残響を減らし、会話の順番で一人の話者を抜き出し、ミックスからボーカルを取り出せる。最後の機能は以前なら別のツールと忍耐強いエンジニアが要った。それを音声生成と同じインターフェースに入れることこそ、ここでの本当の主張だ。

学習の数字がその野心を裏づける。チームによれば、約 30.3 億件の指示と音声のインスタンス、約 195 万時間の有効な監督で作られ、生成・編集・強調・分離を覆う。アーキテクチャでは、マルチモーダル言語モデルが意味条件を、共同で学習した VAE が音響条件を供給し、両者が整流フローのハイブリッド Transformer を動かす。事前学習、生成と編集の共同学習、開かれた編集のための選好最適化、生成のための報酬強化学習まで、公開前に終えている。

蒸留版が別枠で語られる理由

AUk-Flash という高速版があり、4 ステップ推論に蒸留され、分類器なしのガイダンスを使わない。技術報告では同等条件下で完全モデルの 4.5 倍の実時間高速化とされる。この点が重要なのは、音声編集が「初稿が最終稿になることのない」作業だからだ。語を一つ変えて聴く。感情を変えてまた聴く。一回ごとに 1 分かかるなら、出力がどれほど良くても作業は回らない。

エコシステムの支援は素早く届いた。これはベンチマーク表よりも本当の関心を示すことが多い。vLLM-Omni と SGLang-Omni は初日のサポートを加え、Apple Silicon では MLX 推論が使え、audio.cpp 連携で GGUF のオフライン推論が可能になり、公式の ComfyUI ノードもある。1.5B は自己ホストできる小ささで、周辺のコミュニティツールがそれを理屈ではなく現実にしている。

ライセンスが変えるもの

MIT ライセンスは一段落の価値がある。最も強い音声成果の多くは、商用を制限する、あるいは地域で線を引く条件の下で公開されてきた。コードも重みも寛容であることは、小規模スタジオ、ポッドキャスト編集者、ローカライズチームの敷居を下げる。彼らは席ごとの契約など到底正当化できなかった。また、統合そのものより長い法務審査なしに、モデルが他の製品に入れることも意味する。

注意すべきは範囲だ。AuK の対応は中国語と英語が中心なので、他言語のチームは計画の前に試すべきだ。声のクローンと録音編集には、どんなライセンスでも解決できない同意の問題が伴う。賢い習慣はチームが求めるものと同じだ。使う権利のある素材だけを使うこと。

吹き替えの作業台

誰に向けているかを考えよう。ローカライズチームには完成した映像があり、それをあと 5 言語にする必要がある。従来の工程は高く遅い。声優を手配し、一行ずつ録り、タイミングを合わせ、翻訳が一語変わればまた一巡分を払う。モデルが元の演技を受け取り、語を差し替えつつ声と間合いを保てれば、この工程の大半は一つの編集に縮む。

ポッドキャスターには同じ問題の軽い版がある。一文を読み間違える、数字を言い間違える、あるいは同じ回を別の聴衆向けにもっと落ち着いた調子で届けたい。録り直しは明白な答えであり、間違った答えだ。元のテイクの上でその場編集し、部屋の響きとマイクの質感を保つのが、この道具の約束だ。一節のデモではなく一話まるごとで応えられるかは未解決だが、必要性自体に疑いはない。

見落とされがちな利用者もいる。音声機能を作る開発者だ。AuK は 1.5B で動き重みも開いているため、呼び出し課金ではなくアプリに埋め込める。小さなチームでも音声機能を出し、コストを固定でき、利用者の音声を第三者に送らずに済む。プライバシーに敏感な製品では、最後の点が決め手になりうる。

どこで崩れうるか

小さな誤りがあると、音声編集は隠れ場所のない作業になる。完璧に収まった語でも、その前の息づかいが消えていたり、部屋の響きが半秒ずれたりすれば浮き上がる。音声編集の明暗は継ぎ目にあり、継ぎ目こそモデルが滑りやすい場所だ。チーム自身の選好最適化と強化学習の段階はそこを狙っている。良い兆しだが、継ぎ目が消えるかは継続使用でしか分からない。

クローン可能なモデルに必ずついてくる同意の問題もある。司会者の言い間違いを直す道具は、同じ声で本人の口に言葉を入れ、痕跡を残さないこともできる。AuK のライセンスはそれを解決しないし、どんなライセンスもできない。責任は道具を操作する側に戻る。うまく扱うチームは、機能より先に同意の工程を作る。

持ち帰るべきこと

ここでの面白い動きは、また一つ音声モデルが生まれたことではなく、生成と編集を同じ問題として扱ったことだ。実際の仕事の多くでは録音はすでにあり、数か所を直せばいい。「これを言え」と「あの語を直せ」を一つの曲線上の二点として扱うのは、編集者の考え方に合う。タスクの広さが、統一インターフェースを単なるスローガン以上のものにする。

実務的な助言は、まず編集側を自分の乱れた音声で試し、それから計画に組み込むことだ。生成は誰もがデモする部分で、編集がこのモデルの居場所を決める部分だ。そこで耐えられれば、小ささ、寛容なライセンス、高速な蒸留推論が合わさり、AuK は今年の使いやすいオープン音声リリースの一つになる。