腾讯AI

核心摘要 腾讯正式开源 AuK-Flash，这是一款拥有 15 亿参数的语音基础模型，通过创新的 4 步推理机制实现了极速语音生成与零样本（Zero-shot）编辑，标志着高保真语音合成进入实时交互的新阶段。 ▶ 极致推理效率：不同于传统的长序列自回归模型，AuK-Flash 仅需 4 步即可完成高质量音频生成，极大地降低了推理延迟。 ▶ 海量数据沉淀：模型基于数百万小时的多样化音频数据训练，具备强大的泛化能力，支持复杂的指令化语音编辑。 ▶ 零样本能力：无需针对特定人声进行微调，即可实现高相似度的语音克隆与风格迁移。 八卦洞察 AuK-Flash 的发布不仅是腾讯在语音 AI 领域的肌肉展示，更揭示了全球语音技术从“生成”向“可控编辑”的战略转向。在 GPT-4o 引发实时语音交互热潮后，行业痛点已从“说得像不像”转向“反应快不快”以及“改得准不准”。AuK-Flash 采用的 4 步生成技术，极有可能是借鉴了图像生成领域的蒸馏（Distillation）或一致性模型（Consistency Models）思路，这对于算力受限的端侧设备（如智能眼镜、车载系统）具有极高的商业价值。腾讯选择在 Hugging Face 开源，意在通过生态位抢占，对抗闭源巨头的语音壁垒。 行动建议 对于开发者而言，应立即评估 AuK-Flash 在低延迟对话机器人（Voice Agents）中的集成潜力，其 4 步生成的特性可显著提升交互体验。对于内容创作者和播客平台，该模型的指令编辑功能为“无损音频修复”提供了低成本方案，建议关注其在自动化音频后期处理中的应用。企业级用户则可利用其 1.5B 的轻量化规模，探索私有化部署下的高保真语音克隆业务。

核心事件 腾讯正式发布 EVIE-8B 与 EVIE-4.5B 模型，专注于高容量视觉文档检索（Visual Document Retrieval），在权威基准测试 ViDoRe V3 上取得了 66.75 nDCG@10 的成绩，刷新了行业 SOTA（当前最佳）纪录。 ▶ 技术突破：EVIE 采用了全逐标记（Per-token）多向量嵌入技术，能够直接从视觉层面捕捉文档的细粒度布局、排版及图表特征。 ▶ 高维表征：支持 4096 维的高容量向量表示，相比传统模型，极大地提升了对复杂非结构化数据（如财务报表、技术手册）的检索精度。 ▶ 架构演进：该模型在 ColPali 等前序研究的基础上进行了深度优化，标志着多模态检索从“OCR 依赖型”向“视觉原生型”的范式转移。 八卦洞察 「八卦资本」认为，EVIE 的出现解决了 RAG（检索增强生成）领域长期存在的“PDF 痛点”。传统的 RAG 流程依赖 OCR 识别，在面对复杂的表格、公式和多栏布局时极易丢掉语义上下文。腾讯此举并非简单的参数竞赛，而是试图通过“视觉-语义直接对齐”来绕过 OCR 的精度瓶颈。4096 维的高容量设计虽然增加了计算开销，但在企业级应用中，这种对文档“物理结构”的理解能力是实现精准问答的刚需。这预示着未来高端 RAG 市场将从纯文本向量检索全面转向视觉多模态向量检索。 行动建议 对于企业架构师：如果你的业务涉及大量复杂 PDF、图纸或带有复杂排版的专业文档，建议立即评估 EVIE 模型，以替代现有的“OCR + 文本向量”流水线。 对于开发者：关注 EVIE 在多向量检索（Multi-vector Retrieval）上的实现，这需要向量数据库支持更复杂的索引机制，需提前优化基础设施。 对于投资者：视觉原生检索（Vision-native Retrieval）是多模态大模型落地的关键拼图，关注在该领域有深厚技术储备的头部云厂商。