AuK-Flash模型权重下载完全指南：Hugging Face与ModelScope双通道一键获取

AuK-Flash模型权重下载完全指南：Hugging Face与ModelScope双通道一键获取

AuK-Flash 是腾讯混元开源的语音生成与编辑基础模型（1.5B）的蒸馏变体，只需4 步推理即可完成高质量 TTS 与语音编辑。本指南带你用 2 分钟通过Hugging Face与ModelScope双通道一键下载 AuK-Flash 模型权重，并验证目录结构、理解配置文件。

AuK-Flash 是什么？为什么推荐

AuK 在数百万小时多语种音频数据上训练，通过统一自然语言指令接口支持以下能力：

• 🎙️Zero-shot TTS / Instruct TTS：参考音频零样本克隆，或纯文字描述生成语音
• ✂️语音编辑：内容改写、歌词编辑、音高 / 语速 / 音量调整
• 🎭副语言编辑：情感、音色、去口音、呼吸笑声增删、耳语转换
• 🧹增强与分离：降噪去混响、说话人分离、人声提取、目标说话人抽取

变体	定位	说明
AuK	基础模型	面向最高质量生成
AuK-Flash	蒸馏模型	4 步快速推理，本仓库即其官方权重

本仓库（AuK-Flash 官方权重仓库）的文件构成如下：

文件	作用
auk_flash.safetensors	扩散 Transformer（diffusion transformer）与 layer-fusion 权重
vae.safetensors	BigVGANFlowVAE 音频编解码器权重
config.yaml	模型架构与 VAE 加载配置
LICENSE	MIT 开源协议

💡 完整背景、性能对比与任务清单见 README.md。

一键下载步骤（二选一）

⚠️ 除了 AuK-Flash 本体，推理时还需单独加载MLLM 编码器（Qwen2.5-Omni-3B），两个通道均需一并下载。

通道一：Hugging Face 下载（海外网络推荐）

安装官方 CLI 后一条命令拉取全部权重：

pip install -U "huggingface_hub[cli]" # AuK-Flash（4-step 蒸馏版） hf download tencent/AuK-Flash --local-dir ./ckpts/AuK-Flash # MLLM Encoder（运行时单独加载） hf download Qwen/Qwen2.5-Omni-3B --local-dir ./ckpts/Qwen2.5-Omni-3B

若同时需要高质量基础模型，追加：

hf download tencent/AuK --local-dir ./ckpts/AuK

通道二：ModelScope 下载（国内网络推荐）

pip install -U modelscope # AuK-Flash（4-step 蒸馏版） modelscope download --model Tencent-Hunyuan/AuK-Flash --local_dir ./ckpts/AuK-Flash # MLLM Encoder modelscope download --model Qwen/Qwen2.5-Omni-3B --local_dir ./ckpts/Qwen2.5-Omni-3B

双通道速查对比

对比项	Hugging Face	ModelScope
CLI 工具	hf download	modelscope download
安装命令	pip install -U "huggingface_hub[cli]"	pip install -U modelscope
AuK-Flash 仓库名	tencent/AuK-Flash	Tencent-Hunyuan/AuK-Flash
编码器仓库名	Qwen/Qwen2.5-Omni-3B	Qwen/Qwen2.5-Omni-3B
适用场景	海外 / 直连良好的网络	国内网络、速度快且稳定

两条通道下载的内容完全一致，下载中断或超时时无需重装，重新执行同一命令即可断点续传；哪个快用哪个，甚至可互为备份。

验证权重目录结构

下载完成后，目录应为如下结构（与 README.md 中描述一致）：

ckpts/ ├── AuK/ # 可选：基础模型 ├── AuK-Flash/ # 本仓库权重 └── Qwen2.5-Omni-3B/ # MLLM Encoder

快速自检清单：

• ckpts/AuK-Flash/下存在扩散 Transformer 权重与vae.safetensors
• ckpts/Qwen2.5-Omni-3B/存在（缺失会导致文本编码器无法加载）
• 磁盘剩余空间充足（1.5B 模型权重 + 3B 编码器，预留 20GB 以上更稳妥）

config.yaml 配置详解

模型加载时依赖 config.yaml 定位各组件，关键字段如下：

model: name: AuK-Flash backbone: Flux2Edit # 扩散 Transformer 主干 vae: vae_name: BigVGANFlowVAE vae_model_path: ckpts/AuK-Flash/vae.safetensors # VAE 权重路径 target_sample_rate: 24000 # 输出 24kHz 音频

参数	说明
backbone	扩散 Transformer 架构，Flux2Edit
vae_model_path	指向本地下载的vae.safetensors，路径需与你的--local-dir一致
text_encoder_path	默认ckpts/Qwen2.5-Omni-3B，编码器单独存放
target_sample_rate	目标采样率 24000 Hz

📌 若你使用了不同的下载目录，请同步修改 config.yaml 中的vae_model_path与text_encoder_path。

常见问题（FAQ）

Q1：加载 checkpoint 时报缺失text_encoder.*键，正常吗？

完全正常。MLLM 编码器与 VAE 在运行时从独立文件加载，diffusion 权重中本就不包含text_encoder.*键，可放心忽略。

Q2：下载速度慢或频繁超时怎么办？

直接切换另一通道：海外网络走 Hugging Face，国内网络走 ModelScope；两条命令互不冲突，目标目录保持一致即可。

Q3：下载后可以商用吗？

可以。AuK-Flash 以MIT License发布，条款详见 LICENSE。

Q4：只想体验、不想本地部署？

Hugging Face 与 ModelScope 均提供在线 Demo Space，打开网页即可试听 zero-shot TTS 与语音编辑效果，验证满意后再本地下载权重。

下一步

权重就位后，即可参考官方仓库文档完成安装、推理、Gradio 界面与 ComfyUI 插件部署，并查阅 Cookbook 中各任务的指令模板与 CLI / Python 示例（入口见 README.md）。

🚀 至此，AuK-Flash 模型权重下载、目录验证与配置说明已全部完成——现在就可以用 4 步推理速度生成你的第一句语音了。