Tencent เปิดซอร์ส AuK โมเดลเสียง 1.5B ใต้ MIT จริง ทำได้ 15 งานผ่านคำสั่งภาษาธรรมชาติ — แต่ตัวเข้ารหัสที่บังคับให้โหลดคู่กันเป็นไลเซนส์ห้ามใช้เชิงพาณิชย์

วันที่ 9 กันยายน 2026 ทีม Tencent Hunyuan เปิดซอร์ส AuK โมเดลพื้นฐานสำหรับการสร้างและแก้ไขเสียงพูด ขนาด 1.5B พารามิเตอร์ พร้อมโค้ดและน้ำหนักบน Hugging Face และ GitHub ใต้ไลเซนส์ MIT เอกสารเทคนิคขึ้น arXiv (2609.08936) เมื่อ 8 ก.ย. โดยมีผู้เขียน 33 คน นำโดย Ziyang Ma และมีชื่อ Kai Yu กับ Eng-Siong Chng ร่วมอยู่ด้วย

จุดที่ทำให้ AuK ต่างจากโมเดล TTS ทั่วไปไม่ใช่คะแนน แต่คือขอบเขต — มันไม่ได้ทำแค่อ่านข้อความเป็นเสียง แต่รวม 15 งานด้านเสียงไว้ใต้อินเทอร์เฟซเดียวคือสั่งด้วยประโยคภาษาอังกฤษธรรมดา ตั้งแต่โคลนเสียง แก้คำพูดในไฟล์ที่อัดไปแล้ว เปลี่ยนอารมณ์ ถอดสำเนียง ลบเสียงหายใจ ไปจนถึงลดเสียงรบกวนและแยกเสียงนักร้องออกจากดนตรี งานพวกนี้ปกติต้องใช้โมเดลคนละตัวและไปป์ไลน์คนละชุด

แต่มีสองเรื่องที่พาดหัว “MIT” ไม่ได้ติดไปด้วย และทั้งสองเรื่องอยู่ในไฟล์ที่ทีมปล่อยมาเอง

MIT จริง แต่รันไม่ได้ถ้าไม่โหลดของที่ไม่ใช่ MIT มาด้วย

ไฟล์ LICENSE ในรีโปเป็น MIT ของแท้ ไม่ใช่ “Modified MIT” ที่แล็บจีนหลายรายชอบใช้ ข้อความระบุชัดว่าครอบคลุม “training code, inference code, parameters, and weights” ทั้งหมด — ไม่มีเพดานรายได้ ไม่มีข้อห้ามแข่งขัน ไม่มีคำว่า source-available นี่คือไลเซนส์ที่เปิดจริงที่สุดแบบหนึ่งเท่าที่โมเดลเสียงระดับนี้เคยได้

ปัญหาอยู่ที่ config.yaml ซึ่งระบุ text_encoder_path: ckpts/Qwen2.5-Omni-3B และ README ก็เขียนขั้นตอนดาวน์โหลดไว้ตรง ๆ ว่าต้องดึงสามอย่าง คือ AuK, AuK-Flash (ทางเลือก) และ Qwen2.5-Omni-3B พร้อมหมายเหตุว่า “The MLLM encoder and VAE are loaded from separate files at runtime, so missing text_encoder.* keys during checkpoint loading are expected” แปลว่าตัวเข้ารหัสความหมายไม่ได้อยู่ในเช็กพอยต์ AuK เลย มันต้องมาจากรีโปของ Alibaba

และไฟล์ LICENSE ของ Qwen2.5-Omni-3B คือ Qwen RESEARCH LICENSE AGREEMENT ซึ่งข้อ 2(a) เขียนด้วยตัวพิมพ์ใหญ่ว่าอนุญาตให้ใช้ “FOR NON-COMMERCIAL PURPOSES ONLY” และนิยาม Non-Commercial ไว้ในข้อ 1(i) ว่า “for research or evaluation purposes only” ส่วนข้อ 2(b) บอกว่าถ้าจะใช้เชิงพาณิชย์ต้องไปขอไลเซนส์แยก การ์ดโมเดลบน HF ก็ระบุ license_name: qwen-research ตรงกัน

ผลในทางปฏิบัติคือ ถ้าคุณเป็นบริษัทและอยากเอา AuK ไปใส่ในผลิตภัณฑ์ ไลเซนส์ MIT ของ AuK ไม่ได้ช่วยอะไรเลยตราบใดที่ท่อยังผ่าน Qwen2.5-Omni-3B — คุณต้องไปขอไลเซนส์จาก Alibaba หรือหาทางเปลี่ยนตัวเข้ารหัสเอง ซึ่งไม่ใช่การสลับไฟล์เฉย ๆ เพราะโมเดลถูกเทรนมาให้รับเวกเตอร์ความหมายจากตัวนี้โดยเฉพาะ (text_hidden_dim: 2048) ทีม AuK ไม่ได้ปิดบังเรื่องนี้ แต่ก็ไม่ได้พูดถึงมันในหน้าแรกเช่นกัน

1.5B ที่ดาวน์โหลด 6.76 GB และต้องมีอีก 3B วางข้าง ๆ

ตัวเลข “1.5B” ในการ์ดตรงกับความจริง แต่ต้องคำนวณถึงจะเห็น ไฟล์ auk_base.safetensors มีขนาด 6,122,209,092 ไบต์ หารสี่ได้ 1.53B พอดี — แปลว่า น้ำหนักถูกปล่อยเป็น FP32 ไม่ใช่ BF16 อย่างที่โมเดลยุคนี้ทำกัน ใครคิดว่าโมเดล 1.5B น่าจะโหลดราว 3 GB จะเจอตัวเลขสองเท่า บวก vae.safetensors อีก 637 MB รวมเป็น 6.76 GB ต่อรีโป และ AuK-Flash เป็นอีก 6.76 GB แยกต่างหาก (ขนาดไฟล์เท่ากันเป๊ะ ต่างกันแค่ค่าที่อยู่ข้างใน)

เมื่อบวก Qwen2.5-Omni-3B ที่บังคับต้องมี ฟุตพรินต์จริงของ “โมเดลเสียง 1.5B” ตัวนี้จึงอยู่ที่ระดับสิบกว่ากิกะไบต์ ไม่ใช่ตัวเลขที่ชื่อรุ่นชวนให้คิด

ฝั่งสถาปัตยกรรม config.yaml เปิดไว้ครบ: แบ็กโบนชื่อ Flux2Edit ใช้ conditional flow matching (CFMEdit) มิติ 1,536 หัว 24 ff_mult 2 โครงสร้างเป็น dual-stream MMDiT 10 เลเยอร์ ตามด้วย single-stream DiT 20 เลเยอร์ ซึ่งเป็นแพตเทิร์นที่ยืมมาจากโมเดลสร้างภาพตระกูล Flux ตรง ๆ ส่วน VAE เป็น BigVGANFlowVAE แบบ causal มิติแฝง 64 อัตราลดตัวอย่าง 480 และเอาต์พุตที่ 24 kHz — เลขสุดท้ายนี้สำคัญสำหรับคนทำงานเสียงจริง เพราะงานโปรดักชันจำนวนมากยังต้องการ 44.1 หรือ 48 kHz

ข้อมูลเทรนที่บทความระบุคือราว 3.03 พันล้านคู่คำสั่ง–เสียง และ 1.95 ล้านชั่วโมง ของ supervision ที่ใช้ได้จริง ครอบคลุมห้าตระกูลงาน โพสต์เทรนใช้สองทางคู่กันคือ human-feedback preference optimization สำหรับงานแก้ไขแบบปลายเปิด และ RL แบบมีรางวัลสำหรับงานสร้างเสียง ส่วน AuK-Flash กลั่นด้วย consistency initialization บวก task-routed Decoupled DMD จนรันได้ใน 4 สเต็ปโดยไม่ต้องใช้ classifier-free guidance และบทความอ้างว่าเร็วกว่าตัวเต็ม 4.5 เท่า โดยระบุเงื่อนไขเองว่า “under matched conditions”

กราฟที่ทีมปล่อยเอง มีช่องที่ตัวเองไม่ชนะ

ภาพ performance.png ในการ์ดแบ่งเป็นสามกลุ่ม และกลุ่มที่สามคือกลุ่มที่ควรอ่านให้ละเอียดที่สุด

การสร้างเสียง — Seed-TTS-Eval วัด WER (ยิ่งต่ำยิ่งดี) AuK ได้ 2.65 AuK-Flash 2.85 ตามด้วย Qwen3-TTS 3.07 แล้ว Seed-TTS กับ VoxCPM2 เท่ากันที่ 3.65 ด้าน SIM (ความเหมือนเสียงต้นแบบ ยิ่งสูงยิ่งดี) AuK 0.795 AuK-Flash 0.790 Seed-TTS 0.778 VoxCPM2 0.767 Qwen3-TTS-VD 0.745 ส่วน InstructTTSEval (DSD) AuK ได้ 82.49 นำ Qwen3-TTS-VD ที่ 81.75 — แต่ตรงนี้ AuK-Flash ตกไปอยู่ที่ 80.60 คือต่ำกว่าทั้ง Qwen3-TTS-VD และ MOSS-VoiceGenerator (81.00) แปลว่าตัวที่เร็วกว่า 4.5 เท่าเสียความสามารถในการทำตามคำสั่งไปพอสมควร

การแก้ไขเสียง — ช่องนี้ห่างขาด MMAE-Speech (EMR) AuK 13.85 เทียบ Ming-UniAudio 7.04 และ Step-Audio-EditX 4.69 คือเกือบสองถึงสามเท่า SpeechEditBench AuK 49.73 เทียบ Ming-UniAudio 28.70 และ Step-Audio-EditX 19.70 ส่วน Ming-Freeform-Audio-Edit AuK 88.54 เทียบ Ming-UniAudio 76.99 นี่คือที่ที่ AuK ชนะจริงและชนะแบบไม่ต้องตีความ

การลดสัญญาณรบกวนและแยกเสียง — และนี่คือช่องที่บทคัดย่อของทีมเองใช้คำว่า “remaining competitive” ไม่ใช่ “leading” กราฟยืนยันคำนั้น บน DNS Challenge เมตริกแรก AuK ได้ 3.35 ขณะที่ RE-USE ของ NVIDIA ได้ 3.38 คือสูงกว่า และบน CHiME-4 AuK ได้ 3.28 ส่วน RE-USE ได้ 3.33 ก็สูงกว่าอีกเช่นกัน มีอีกจุดที่แปลกและน่าสังเกตคือ AuK-Flash ทำคะแนนดีกว่า AuK ตัวเต็มในทั้งสามชุดของกลุ่มนี้ (3.38/4.05 เทียบ 3.35/3.86 บน DNS, 3.35/3.91 เทียบ 3.28/3.72 บน CHiME-4, 3.32/4.03 เทียบ 3.28/3.87 บน Libri2Mix) ซึ่งเป็นผลที่การกลั่นโมเดลไม่ควรให้ตามทฤษฎี และการ์ดไม่ได้อธิบายไว้

อีกข้อที่ควรบันทึกไว้ตามความจริง: ไฟล์น้ำหนักถูกอัปโหลดขึ้น HF ตั้งแต่ 24 ส.ค. แต่รีโปเพิ่งเปิดสาธารณะและประกาศเมื่อ 9 ก.ย. โดยมีคอมมิตชื่อ “Link paper badge to arXiv and correct release date to September 9” เป็นหลักฐานของการตั้งวันเปิดตัวเอง ส่วนรีโป GitHub สร้างเมื่อ 19 ส.ค. ตอนนี้มี 203 ดาว 11 fork และทีม SGLang Omni ทำ day-0 support ให้แล้ว (python -m sglang_omni.cli serve --model-path tencent/AuK)

มุมมอง AI Curator

เรื่องที่ควรจำจาก AuK ไม่ใช่คะแนน SpeechEditBench แต่คือบทเรียนว่าไลเซนส์ของโมเดลหนึ่งตัวไม่ใช่ไลเซนส์ของระบบที่คุณกำลังจะดีพลอย

ปีนี้บล็อกนี้เขียนเรื่องไลเซนส์มาหลายครั้ง — Modified MIT ที่มีเพดานรายได้ 20 ล้านดอลลาร์ของ Mistral, ไลเซนส์ชื่อ source-available ที่เขียนคำว่า “not open source” ไว้เอง, GLM-5.3 ที่รีโปพี่น้องกันคนละไลเซนส์ ทุกกรณีที่ผ่านมาปัญหาอยู่ในเอกสารของโมเดลตัวนั้นเอง อ่านไฟล์ LICENSE ก็จบ แต่ AuK เป็นแบบใหม่ที่ยากกว่า เพราะ LICENSE ของ AuK สะอาดจริง คุณอ่านมันสิบรอบก็ไม่เจอปัญหา ปัญหาซ่อนอยู่ในบรรทัด text_encoder_path ของ config.yaml ซึ่งเป็นไฟล์ที่คนอ่านการ์ดโมเดลแทบไม่เปิด

สำหรับทีมไทยและ SEA นี่คือความเสี่ยงที่จับต้องได้มาก เพราะโมเดลเสียงคือหมวดที่เราหยิบไปใช้เร็วที่สุด — คอลเซ็นเตอร์ พากย์คอนเทนต์ ผู้ช่วยเสียงภาษาไทย ทำ dubbing สำหรับตลาดภูมิภาค และหมวดนี้ยังเป็นหมวดที่คนตัดสินใจด้วยหูก่อนแล้วค่อยตามด้วยเอกสาร ถ้าเดโมฟังดูดีแล้วต่อเข้าโปรดักชันเลยเพราะเห็นคำว่า MIT บนหน้าการ์ด สิ่งที่คุณเพิ่งทำคือส่งผลิตภัณฑ์เชิงพาณิชย์ที่มีชิ้นส่วนใต้ไลเซนส์วิจัยอยู่ข้างใน และมันจะไม่มีใครมาเตือนจนกว่าจะมีคนตรวจ

วิธีทำงานที่ควรกลายเป็นนิสัยประจำมีสองข้อ ข้อแรก: ไล่ไลเซนส์ตามกราฟการพึ่งพา ไม่ใช่ตามรีโป ก่อนตัดสินใจ ให้เปิดไฟล์คอนฟิกหาทุกพาธที่ชี้ไปนอกรีโป (text_encoder_path, vae_model_path, ทุกบรรทัดที่มีคำว่า _path) แล้วตรวจไลเซนส์ของปลายทางทีละตัว ข้อสอง: ในกรณีนี้ทางออกมีอยู่จริง — Qwen2.5-Omni-3B ใช้ไลเซนส์วิจัยเพราะเป็นรุ่น 3B ขณะที่ Qwen2.5-Omni-7B อยู่ใต้ Apache-2.0 ถ้าใครต้องการ AuK เชิงพาณิชย์ การทดลองสลับตัวเข้ารหัสไปรุ่น 7B แล้วดูว่าต้องปรับจูนแค่ไหนน่าจะคุ้มกว่าการรอ Tencent เปลี่ยนใจ และเป็นงานที่ชุมชนโอเพนซอร์สทำได้เองโดยไม่ต้องขออนุญาตใคร

ส่วนคำถามที่ยังไม่มีคำตอบและควรถามดัง ๆ คือ AuK ทำภาษาไทยได้แค่ไหน เอกสารไม่ได้ระบุรายการภาษาที่รองรับไว้เลย และเดโมที่โชว์เป็นอังกฤษกับจีน สำหรับหมวดที่ไทยขาดแคลนโมเดลเปิดคุณภาพดีที่สุด นี่คือช่องที่ควรมีคนทดสอบแล้วรายงานผลก่อนที่จะมีใครเอาไปใช้จริง

แหล่งข่าว

• tencent/AuK — Hugging Face model card
• AuK Technical Report — arXiv:2609.08936 (8 ก.ย. 2026)
• Tencent-Hunyuan/AuK — GitHub
• Qwen2.5-Omni-3B — Qwen Research License