AURA de Kyutai, el modelo de avatar parlante: rostros en streaming para tu voz
Noticias y Actualizaciones de la Industriapublished on 2026-11-22T00:24:36+08:00

AURA de Kyutai, el modelo de avatar parlante: rostros en streaming para tu voz

AURA (AUdio-dRiven streaming Avatar, avatar en streaming dirigido por audio) es la familia de modelos de voz-a-vídeo de Kyutai, publicada el 2026-11-20 junto con el artículo, el código, los pesos y un dataset sintético de 30.000 clips. La afirmación que importa: un retrato más un flujo de voz en directo se convierten en vídeo de cabeza parlante en tiempo real sobre una sola GPU — el avatar sigue la voz con latencia baja, trozo a trozo, en lugar de esperar segundos a que se denoise un clip terminado. Esta página es una referencia externa de lo que AURA es y no es — última comprobación: 2026-11-21.

De un vistazo

Referencia externaKyutai AURA — el post de lanzamiento en kyutai.org, el repositorio GitHub (kyutai-labs/aura) y la colección de Hugging Face
Disponibilidad en ImgoNo está en Imgo, y no se puede generar desde Imgo — las licencias de los pesos prohíben el uso comercial, así que una integración en Imgo estaría descartada incluso técnicamente.
Última comprobación2026-11-21
Qué puedes generar hoy en ImgoLa familia Seedance 2 activa renderiza clips de cabeza parlante y diálogo con audio nativo sincronizado — spots guionizados, anuncios estilo UGC, planos de presentador — presupuestados en créditos antes de cada ejecución.
Fuente oficial y unidad de facturaciónKyutai lo publica todo abiertamente — no hay facturación de API para AURA. Pesos: AURA-1.3B bajo CC BY-NC 4.0, AURA-5B bajo la licencia no comercial de Snap.

Haz vídeo de cabeza parlante en Imgo hoy: Seedance 2.0 con audio nativo, en el Generador de vídeo.

Qué es AURA realmente

Dos modelos, una idea. AURA 1.3B emite vídeo de cabeza parlante 576p en tiempo real — 20,7 fotogramas por segundo para reproducción a 16 Hz en una GPU, 23× más rápido que el profesor del que fue destilado. AURA 5B emite 720p a 9,7 fps, igualando la calidad de su profesor TalkVerse a 17× la velocidad. Ambos se destilaron de profesores bidireccionales de 50 pasos hacia estudiantes causales de 4 pasos que generan trozo a trozo con una caché KV rotatoria y sin mirar el audio por adelantado: solo hace falta el audio del trozo actual antes de que su vídeo empiece a renderizarse. Esa última propiedad es todo el punto — es lo que permite un avatar capaz de sostener una conversación en vivo, y no uno que responde con cinco segundos de retraso.

De dónde sale la velocidad

El lanzamiento es tanto un estudio de destilación como un modelo: un pipeline de dos etapas que primero regresa el estudiante causal sobre la trayectoria del profesor congelado, y luego despliega el estudiante sin gradientes y ajusta las puntuaciones de profesor y crítico en el camino propio del estudiante. Los detalles de ingeniería — atención causal por bloques sobre trozos de fotogramas latentes, el contexto de movimiento llevado por completo por la caché KV, timesteps de difusión por trozo — son la razón de que la cosa emita en streaming. El artículo (BMVC 2026) lleva el método completo.

Las licencias, dichas claro

Aquí abierto no significa sin restricciones. El código lleva su propia licencia — los pesos son ambos no comerciales — AURA-1.3B bajo CC BY-NC 4.0, AURA-5B bajo la licencia no comercial de Snap (su profesor desciende del TalkVerse de Snap). Para investigación, proyectos personales y prototipos, bien. Para un producto — un avatar de atención al cliente, una app de compañía monetizada — estarías construyendo sobre pesos que no puedes despachar. Lee los archivos de licencia del repositorio antes de escribir una línea de código alrededor.

Para quién es AURA, y para quién no

AURA es para quien construye sistemas interactivos: una cara para un asistente de voz (el lanzamiento lo demuestra conduciendo en directo el Unmute de Kyutai), un avatar en streaming para un agente, una plataforma de investigación sobre latencia. No es una herramienta de producción para vídeo de márketing terminado — la salida es una cabeza parlante a 576p/720p, afinada para seguir audio rápido, no para componer un anuncio de tres planos con pases de belleza de producto. Si tu entregable es un presentador guionizado, un anuncio estilo UGC o un spot de producto con diálogo, un modelo de generación con audio nativo es el instrumento correcto, y la latencia deja de importar.

El camino de Imgo para contenido de cabeza parlante

En Imgo la familia Seedance 2 activa renderiza clips de diálogo y presentador con audio nativo sincronizado — la línea hablada, la sala y los efectos son parte del mismo pase, con control de primer y último fotograma para mantener un look entre cortes e imágenes de referencia para sostener un rostro. Cada ejecución presupuesta su coste en créditos antes de enviar. Cambias la conversación en tiempo real de AURA por calidad de plano terminado y una licencia que permite trabajo comercial — el intercambio que la mayoría de equipos de márketing y contenido necesitan de verdad.

Preguntas frecuentes

¿AURA es open source?

El código, el artículo, los pesos y un dataset de 30.000 clips están publicados abiertamente — pero los pesos son no comerciales (CC BY-NC 4.0 para 1.3B, licencia no comercial de Snap para 5B). Abierto para estudiar y prototipar — no abierto para despachar en un producto.

¿AURA puede funcionar con latencia conversacional?

Ese es su objetivo de diseño: 576p en tiempo real (20,7 fps) en una sola GPU y sin mirar el audio por adelantado. La demo pública conduce una conversación de voz en vivo.

¿Puedo usar AURA en Imgo?

No — no está integrado, y sus licencias no comerciales hacen que una integración en Imgo sea la jugada equivocada. Para vídeo de cabeza parlante que puedes generar hoy, la familia Seedance 2 activa renderiza diálogo con audio nativo.

¿Cuál es la diferencia entre AURA 1.3B y AURA 5B?

Escala y resolución: 1.3B emite 576p en tiempo real en una GPU — 5B emite 720p a 9,7 fps con calidad igual a su profesor mayor. Misma arquitectura causal de pocos pasos — solo cambia el compromiso velocidad/resolución.

Fuentes: el post de lanzamiento de AURA en kyutai.org del 2026-11-20 (especificaciones, pipeline de destilación, demo), github.com/kyutai-labs/aura (código y archivos de licencia), la colección de Hugging Face (licencias de pesos, dataset) — todo comprobado el 2026-11-21.

Compartir

Related Posts

No image

Noticias y Actualizaciones de la Industria

AURA es la respuesta de Kyutai a los avatares parlantes en tiempo real con pesos abiertos: entra audio, sale vídeo de cabeza parlante en streaming, en una GPU — con licencias de pesos no comerciales que importan antes de construir sobre él. Comprobado el 2026-11-21.

2026-11-22T00:24:36+08:00

No image

Noticias y Actualizaciones de la Industria

Suno Visuals es la función canción-a-vídeo de Suno: clips de hasta 15 segundos, sincronizados con la letra, con créditos que se compran aparte. Qué cubre, qué no puede, y el flujo alternativo de dirigir tú mismo en la familia Seedance 2 activa de Imgo — comprobado el 2026-11-21.

2026-11-22T00:24:20+08:00

No image

Noticias y Actualizaciones de la Industria

LTX-2.5 es el modelo audio-vídeo de pesos abiertos de Lightricks: continuidad multiplano, sonido sincronizado, duración automática y una licencia que autoriza trabajos comerciales. Qué implica en la práctica — comprobado el 2026-11-21, con la familia Seedance 2 como opción para generar hoy en Imgo.

2026-11-22T00:24:06+08:00