AURA de Kyutai, le modèle d'avatar parlant : des visages en streaming pour votre voix
Actualités et Mises à Jour de l'Industriepublished on 2026-11-22T00:24:37+08:00

AURA de Kyutai, le modèle d'avatar parlant : des visages en streaming pour votre voix

AURA (AUdio-dRiven streaming Avatar, avatar en streaming piloté par l'audio) est la famille de modèles parole-vers-vidéo de Kyutai, publiée le 2026-11-20 avec l'article, le code, les poids et un jeu de données synthétique de 30 000 clips. L'affirmation qui compte : un portrait plus un flux vocal en direct devient une vidéo de tête parlante en temps réel sur un seul GPU — l'avatar suit la voix avec une faible latence, morceau par morceau, au lieu d'attendre des secondes le débruitage d'un clip fini. Cette page est une référence externe de ce qu'AURA est et n'est pas — dernière vérification : 2026-11-21.

En bref

Référence externeKyutai AURA — le billet de lancement sur kyutai.org, le dépôt GitHub (kyutai-labs/aura) et la collection Hugging Face
Disponibilité sur ImgoPas sur Imgo, et pas générable depuis Imgo — les licences des poids interdisent l'usage commercial, donc une intégration Imgo serait hors de question même techniquement.
Dernière vérification2026-11-21
Ce que vous pouvez générer aujourd'hui sur ImgoLa famille Seedance 2 en ligne rend des clips de tête parlante et de dialogue avec audio natif synchronisé — spots scriptés, pubs style UGC, plans de présentateur — devisés en crédits avant chaque exécution.
Source officielle et unité de facturationKyutai publie tout ouvertement — il n'y a pas de facturation d'API AURA. Poids : AURA-1.3B sous CC BY-NC 4.0, AURA-5B sous la licence non commerciale de Snap.

Faites de la vidéo de tête parlante sur Imgo aujourd'hui : Seedance 2.0 avec audio natif, dans le générateur vidéo.

Ce qu'AURA est vraiment

Deux modèles, une idée. AURA 1.3B produit de la vidéo de tête parlante en 576p en temps réel — 20,7 images par seconde pour une lecture à 16 Hz sur un GPU, 23× plus vite que le professeur dont il est distillé. AURA 5B produit du 720p à 9,7 ips, égale la qualité de son professeur TalkVerse à 17× la vitesse. Les deux sont distillés de professeurs bidirectionnels à 50 pas en étudiants causaux à 4 pas qui génèrent morceau par morceau avec un cache KV glissant et sans anticipation de l'audio : seule l'audio du morceau courant est nécessaire avant que sa vidéo commence à se rendre. Cette dernière propriété est toute l'affaire — c'est elle qui rend possible un avatar capable de tenir une conversation en direct, et non un avatar qui répond avec cinq secondes de retard.

D'où vient la vitesse

La publication est autant une étude de distillation qu'un modèle : un pipeline en deux étapes qui régresse d'abord l'étudiant causal sur la trajectoire du professeur gelé, puis déploie l'étudiant sans gradients et accorde les scores du professeur et du critique sur le chemin propre de l'étudiant. Les détails d'ingénierie — attention causale par blocs sur des morceaux de frames latents, le contexte de mouvement porté entièrement par le cache KV, des pas de diffusion par morceau — sont la raison pour laquelle ça streame. L'article (BMVC 2026) porte la méthode complète.

Les licences, dites clairement

Ici, ouvert ne veut pas dire sans restriction. Le code porte sa propre licence — les poids sont tous deux non commerciaux — AURA-1.3B sous CC BY-NC 4.0, AURA-5B sous la licence non commerciale de Snap (son professeur descend du TalkVerse de Snap). Pour la recherche, les projets perso et les prototypes, très bien. Pour un produit — un avatar du service client, une app de compagnie monétisée — vous bâtiriez sur des poids que vous ne pouvez pas expédier. Lisez les fichiers de licence du dépôt avant d'écrire une ligne de code autour.

À qui AURA s'adresse, et à qui non

AURA est pour ceux qui construisent des systèmes interactifs : un visage pour un assistant vocal (le lancement le démontre en pilotant en direct le Unmute de Kyutai), un avatar streamé pour un agent, une plateforme de recherche sur la latence. Ce n'est pas un outil de production pour la vidéo marketing finie — la sortie est une tête parlante en 576p/720p, réglée pour suivre l'audio vite, pas pour composer une pub de trois plans avec passages beauté produit. Si votre livrable est un présentateur scripté, une pub style UGC ou un spot produit avec dialogues, un modèle de génération avec audio natif est le bon instrument, et la latence cesse d'importer.

Le chemin Imgo pour le contenu de tête parlante

Sur Imgo, la famille Seedance 2 en ligne rend des clips de dialogue et de présentateur avec audio natif synchronisé — la ligne parlée, la pièce et les effets font partie de la même passe, avec contrôle du premier et du dernier cadre pour tenir un look entre les coupes et des images de référence pour tenir un visage. Chaque exécution affiche son coût en crédits avant l'envoi. Vous échangez la conversation temps réel d'AURA contre la qualité de plan fini et une licence qui autorise le travail commercial — l'échange dont la plupart des équipes marketing et contenu ont réellement besoin.

Questions fréquentes

AURA est-il open source ?

Le code, l'article, les poids et un jeu de 30 000 clips sont publiés ouvertement — mais les poids sont non commerciaux (CC BY-NC 4.0 pour le 1.3B, licence non commerciale de Snap pour le 5B). Ouvert pour étudier et prototyper — pas ouvert pour expédier dans un produit.

AURA peut-il tenir une latence conversationnelle ?

C'est sa cible de conception : 576p en temps réel (20,7 ips) sur un seul GPU et sans anticipation de l'audio. La démo publique conduit une conversation vocale en direct.

Puis-je utiliser AURA sur Imgo ?

Non — pas intégré, et ses licences non commerciales rendent une intégration Imgo mauvaise pioche. Pour la vidéo de tête parlante générable aujourd'hui, la famille Seedance 2 en ligne rend le dialogue avec audio natif.

Quelle est la différence entre AURA 1.3B et AURA 5B ?

Échelle et résolution : le 1.3B streame du 576p en temps réel sur un GPU — le 5B streame du 720p à 9,7 ips avec une qualité égale à son professeur plus grand. Même architecture causale à peu de pas — seul le compromis vitesse/résolution change.

Sources : le billet de lancement AURA de kyutai.org du 2026-11-20 (spécifications, pipeline de distillation, démo), github.com/kyutai-labs/aura (code et fichiers de licence), la collection Hugging Face (licences des poids, jeu de données) — tout vérifié le 2026-11-21.

Partager

Related Posts

No image

Actualités et Mises à Jour de l'Industrie

AURA est la réponse de Kyutai aux avatars parlants temps réel en poids ouverts : l'audio entre, la vidéo de tête parlante sort en streaming, sur un GPU — avec des licences de poids non commerciales qui comptent avant de bâtir dessus. Vérifié le 2026-11-21.

2026-11-22T00:24:37+08:00

No image

Actualités et Mises à Jour de l'Industrie

Suno Visuals est la fonction chanson-vers-vidéo de Suno : clips de 15 secondes max, synchronisés aux paroles, crédits vendus à part. Ce qu'elle couvre, ce qu'elle ne peut pas, et le flux alternatif pour réaliser vous-même sur la famille Seedance 2 active d'Imgo — vérifié le 2026-11-21.

2026-11-22T00:24:21+08:00

No image

Actualités et Mises à Jour de l'Industrie

LTX-2.5 est le modèle audio-vidéo à poids ouverts de Lightricks : continuité multi-plan, son synchronisé, durée automatique et une licence qui autorise les travaux commerciaux. Ce que cela implique — vérifié le 2026-11-21, avec la famille Seedance 2 comme option pour générer dès aujourd'hui sur Imgo.

2026-11-22T00:24:07+08:00