AI改声音像P图一样简单腾讯这个1.5B小模型一个人干了整条音频流水线你有没有过这种经历录了一段口播结果里面有个字说错了只能从头再来一遍拍了条视频背景里空调嗡嗡响降噪软件一开人声也变得像隔着棉被说话或者想把一句歌词改掉可旋律、音色、呼吸的节奏全都得跟着重来。过去这些活儿得请配音、找后期、开三四个软件来回倒腾。而现在这些事正在被一个只有 1.5B 参数的开源模型打包解决。它叫 AuK腾讯混元联合上海交大开源。最近它正式被 SGLang-Omni 收录支持“第一天就适配”一句话总结从“能跑起来”变成了“能扛住真实业务量”。这件事比模型本身更值得说道说道。一、它到底是个啥可以理解为“声音版的修图软件”先别管什么扩散、什么多模态编码器那些词听着就让人想划走。你就把它想成 Photoshop只不过修的不是照片而是声音。你把一段音频丢进去再跟它说一句人话——“把这句话里的‘但是’改成‘不过’”“把背景噪音去掉”“把这段四川口音改成标准普通话”“把情绪改成开心一点”——它就照着做输出一段新的音频。最妙的是它不只会“重做”还会“保留”。保留你原来的音色、原来的语速、原来那句呼吸的位置甚至是唱歌时的那口气口。改完之后听起来还是同一个人在说话。官方把这个能力拆成了 16 项任务从零样本配音、指令配音到内容替换、歌词改写、音调升降、语速调整、情绪和音色修改、方言去口音、耳语转换再到降噪、人声分离、伴奏分离、指定说话人提取……一个模型把过去要装一堆工具才能干的事摆进了同一个输入框。二、它凭什么叫“基础模型”因为它的学习量有点离谱AuK 训练时用了大约 30.3 亿条“指令 音频”的组合折合有效监督时长约 195 万小时。195 万小时是什么概念如果一个人不眠不休地听要听两百多年。这也是它敢自称“基础模型”的底气它不是为某一个任务定制的专用小工具而是先大量地“听懂”声音这件事本身再学怎么按指令去改。所以你会看到一些挺反直觉的效果。比如你让它“只保留第二个开口说话的人”它真能从几个人同时讲话的录音里把那个人单独拎出来。你让它“只保留说某句话的那个人”它也能靠这句话的内容定位到人。这在采访整理、会议记录、街头随机采访里简直是救命功能。再比如唱歌。给它一段清唱你说把某句歌词换掉旋律不变、声音不变它就能给你换掉。做短视频翻唱、二创的朋友应该懂这意味着什么。三、真正让它“飞起来”的是那个 Flash 版本好东西通常有个毛病慢。AuK 原版生成一段语音要走三十多步采样才能把音频一点点“擦”出来。质量是够了但排队等的时候人会开始怀疑人生。于是团队做了个加速版 AuK-Flash。用的办法叫蒸馏——你可以理解成老师傅把几十年的手感浓缩成几句口诀教给徒弟。结果就是只要 4 步而且不需要额外的引导计算速度提升约 4.5 倍音质却基本追平原版。这个差别在“偶尔生成一条”时感受不明显但在“一次要出一百条配音”的时候就是能不能按时下班的区别。四、进 SGLang-Omni到底意味着什么这才是这次新闻的核心。一个开源模型“能跑”和“能上线”中间隔着一整个太平洋。自己在家跑是玩具能稳定接住几百上千个并发请求才是生产工具。SGLang-Omni 就是干这个的它是一套专为语音、多模态模型设计的高性能服务框架最擅长的就是把“思考”“发声”“解码”这些工序拆开各用各的节奏跑谁也不拖累谁。AuK 进来之后变化很直观第一启动变成了“一行命令”的事。不用自己拼装推理代码指定模型名就能起一个服务。第二接口变成了业界通行的样子。它对外提供的是大家熟悉的音频生成接口你现有的系统改个地址就能接上不用重写一套。第三硬件不再是独木桥。除了英伟达显卡它还跑通了英特尔显卡、昇腾 NPU 等平台甚至在单张 H100 上也有另一套主流推理框架的现成方案。对很多买不到卡、或者手里只有特定硬件的团队来说这等于门被推开了一条缝。第四工具链开始自己长出来。有人做了 ComfyUI 的可视化节点拖拖拽拽就能搭一条语音流水线有人做了 GGUF 量化版本让普通电脑也能离线跑还有推理平台直接把它集成进去做成开箱可用的服务。这就是标题里说的“悄悄长成生态”——不是官方一家在推而是社区自己开始接枝、开花。顺带一提它还被选为 ICASSP 2027 音频编辑挑战赛单模型赛道的官方基线。学术圈愿意拿它当标尺说明它不只是个好用的玩具。五、普通人怎么玩门槛比想象中低但也没那么低先说最省事的路官方在魔搭和 Hugging Face 上都放了在线体验页打开网页上传一段音频输入一句指令就能听到结果。不用装环境不用显卡适合先尝个鲜。想在自己电脑上跑就得看硬件了。实测在原版精度下峰值显存大约在 25GB 上下。这个数字对普通笔记本来说确实不友好。好消息是它支持把一部分模型放到内存里显存能省下大约 8GB降到 17GB 左右。再配合量化版本门槛还能继续往下压。苹果芯片的 Mac 也有了专门的支持分支。不过得说几句实话免得你兴冲冲装完发现翻车一是时长限制。目前单次生成默认卡在 30 秒左右做短句配音、短视频片段够用想整段有声书还得切着来。二是它并非全能。有测评提到情绪编辑这类“玄学任务”的成功率还不高你说“改成悲伤一点”它有时候只是把语速放慢了情绪并没真的到位。三是它更像“半成品工具”。它把最难的那部分能力开放出来了但批量化、素材管理、多轨合成这些活儿还得你自己或社区的工具来补。所以它最适合谁自媒体创作者用来改口误、去杂音、批量出不同版本配音后期和剪辑师用来做快速预演做 AI 应用的小团队用来当语音能力的底座以及那群喜欢折腾的科技爱好者拿它做点别人还没想到的事——网上已经有人拿它做 ASMR 了。六、写在最后回头看这几年AI 语音的竞争早就不在“像不像人”了而是转向“听不听得懂人话”。AuK 走的路子很明确不给你一堆参数和滑块就给你一个输入框你说什么它做什么。这个交互方式看起来朴素但它把专业音频编辑的门槛从“会不会用软件”拉低到了“会不会说话”。再叠上 SGLang-Omni 这样的高性能底座、ComfyUI 这样的可视化外壳、量化版本这样的轻量方案一个开源模型正在变成一套可以自由拼装的乐高。当然它现在还不完美30 秒的枷锁、情绪控制的短板都明晃晃摆在那儿。但开源的好处就在这儿今天不行的地方明天可能就有人补上了。最后想问问你如果有一个“说句话就能改声音”的工具你最想拿它干的第一件事是什么是修掉那段说了八遍都没说顺的口播还是给自己做一个专属的数字分身评论区聊聊说不定你的脑洞就是下一个爆款玩法。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
