腾讯开源「音频版Nano Banana」：改词换声全包，语音编辑大幅刷榜

动察 Beating AI 快讯，腾讯混元开源 15 亿参数语音生成与编辑模型 AuK，官方直接称它为「音频版 Nano Banana」。声音克隆、改词、换情绪、去口音、调语速和音高、降噪、多人及音乐分离，都塞进了同一个模型，用自然语言就能控制。 AuK 可以直接改已有录音。说错几个字，只改那几个字就行，不用整段重录；内容不变，也能换情绪、音色或口音。改歌词、去掉笑声和咳嗽声、把正常说话改成耳语也都支持。声音克隆也不用先给参考录音配文字稿，只要一段声音和新的文本就能生成。 官方测试中，AuK 在语音生成和通用语音编辑多项评测领先。SpeechEditBench 得分 49.73，第二名 Ming-UniAudio 为 28.70。快速版 AuK-Flash 经过蒸馏后只需 4 步推理，速度约快 4.5 倍。不过论文也承认，AuK 目前还不能稳定理解所有随意输入的自然语言指令，仍要靠 Prompt Enhancer 先判断任务、整理参数和改写指令。代码和模型权重已经公开，采用 MIT 许可证。

「查看原文」