<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>腾讯 on 藏云阁技术资源社区-博客</title>
    <link>https://cncfstack.com/b/tags/%E8%85%BE%E8%AE%AF/</link>
    <description>Recent content in 腾讯 on 藏云阁技术资源社区-博客</description>
    <generator>Hugo</generator>
    <language>en</language>
    <lastBuildDate>Mon, 02 Nov 2026 02:35:05 +0800</lastBuildDate>
    <atom:link href="https://cncfstack.com/b/tags/%E8%85%BE%E8%AE%AF/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Auk TTS 文本转语音模型入门</title>
      <link>https://cncfstack.com/b/docs/9998-tts-auk/</link>
      <pubDate>Mon, 02 Nov 2026 02:35:05 +0800</pubDate>
      <guid>https://cncfstack.com/b/docs/9998-tts-auk/</guid>
      <description>&lt;p&gt;&lt;a href=&#34;https://auk-project.github.io&#34;&gt;AuK&lt;/a&gt; 是腾讯混元开源的一个拥有15亿（1.5B）参数的语音生成与编辑基础模型。该模型基于数百万小时的多样化音频数据进行训练，通过统一的自然语言指令接口，支持零样本和指令驱动的TTS、内容与声学编辑、副语言特征编辑、语音增强以及声源分离等功能。&lt;/p&gt;&#xA;&lt;p&gt;在研究 Auk 的同时，也在研究哔哩哔哩开源的 IndexTTS， 他们产品定位是不同的：&lt;/p&gt;&#xA;&lt;ul&gt;&#xA;&lt;li&gt;IndexTTS 是专精于“合成得更像、更可控”的 TTS 模型，必须输入参考语音，然后把文本变成高质量语音。&lt;/li&gt;&#xA;&lt;li&gt;AuK 是一个以自然语言指令驱动、覆盖从生成到后期编辑全链路的“语音基础模型”，用一句话指令对语音做几乎任何事（对于语音的增删改查）。&lt;/li&gt;&#xA;&lt;/ul&gt;&#xA;&lt;p&gt;AuK 核心能力/特点：&lt;/p&gt;&#xA;&lt;ol&gt;&#xA;&lt;li&gt;语音生成。支持零样本 TTS 和指令 TTS。&#xA;&lt;ul&gt;&#xA;&lt;li&gt;&lt;strong&gt;零样本 TTS&lt;/strong&gt; ：用参考音频的音色朗读目标文本。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;指令 TTS&lt;/strong&gt; ：无需参考音频，仅根据声音描述生成语音。&lt;/li&gt;&#xA;&lt;/ul&gt;&#xA;&lt;/li&gt;&#xA;&lt;li&gt;语音编辑。支持对于一段语音进行编辑修改&#xA;&lt;ul&gt;&#xA;&lt;li&gt;&lt;strong&gt;内容编辑:&lt;/strong&gt; 重写所说的内容：替换 / 插入 / 删除。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;歌词编辑:&lt;/strong&gt; 在演唱录音中重写歌词，同时保留旋律和音色。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;音高编辑:&lt;/strong&gt; 按半音升高/降低音高；输出等长。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;语速编辑:&lt;/strong&gt; 调整语速；输出长度随速度因子缩放&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;音量编辑:&lt;/strong&gt; 按分贝升高/降低音量；输出等长。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;情感编辑：&lt;/strong&gt; 改变情感，同时保留内容和音色；输出等长。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;音色编辑：&lt;/strong&gt; 保持所说内容不变，将音色改为描述的声音。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;去口音：&lt;/strong&gt;  去除地区口音，同时保留说话人音色和内容；输出等长。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;非言语编辑&lt;/strong&gt;：删除或添加呼吸声、笑声、咳嗽声等非言语声音。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;耳语转换：&lt;/strong&gt; 在正常语音 ↔ 耳语之间转换，同时保留说话人和内容；输出等长。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;语音增强：&lt;/strong&gt; 降噪 / 去混响 / 完整增强 / 音质修复。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;语音分离：&lt;/strong&gt; 按说话顺序保留一位说话人，去除其他说话人。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;音乐分离：&lt;/strong&gt; 从混音中提取歌声，或保留所有人声。&lt;/li&gt;&#xA;&lt;li&gt;&lt;strong&gt;目标说话人提取：&lt;/strong&gt; 根据所说内容定位并保留目标说话人，去除其他说话人。&lt;/li&gt;&#xA;&lt;/ul&gt;&#xA;&lt;/li&gt;&#xA;&lt;/ol&gt;&#xA;&lt;p&gt;AuK有两个版本：&lt;/p&gt;&#xA;&lt;ul&gt;&#xA;&lt;li&gt;AuK：用于高质量生成的基础模型&lt;/li&gt;&#xA;&lt;li&gt;AuK-Flash：经过蒸馏，支持4 步推理，在相同条件下实际运行速度比基础版快 4.5 倍，更适合对实时性有要求的部署场景。&lt;/li&gt;&#xA;&lt;/ul&gt;&#xA;&lt;h2 id=&#34;auk-环境安装&#34;&gt;Auk 环境安装&lt;a class=&#34;td-heading-self-link&#34; href=&#34;#auk-%e7%8e%af%e5%a2%83%e5%ae%89%e8%a3%85&#34; aria-label=&#34;Heading self-link&#34;&gt;&lt;/a&gt;&lt;/h2&gt;&#xA;&lt;p&gt;Auk 的安装方式取决于你的硬件平台和使用场景，官方主要面向 NVIDIA GPU (CUDA) 环境。 非 GPU 或 Mac 环境运行效率会比较低， 但也可以通过 CPU 来运行。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
