Kyutai の AURA トーキングアバターモデル:あなたの声にリアルタイムでストリーミングする顔
業界ニュースとアップデートpublished on 2026-11-22T00:24:37+08:00

Kyutai の AURA トーキングアバターモデル:あなたの声にリアルタイムでストリーミングする顔

AURA(AUdio-dRiven streaming Avatar、音声駆動ストリーミングアバター)は Kyutai の音声→動画モデルファミリーで、2026-11-20 に論文・コード・ウェイト・3万本の合成動画データセットとともに公開された。肝心の主張:肖像 1 枚とライブ音声ストリームが、単一 GPU 上でリアルタイムの顔出し動画になる——アバターは低レイテンシで声に追従し、完成クリップのノイズ除去を数秒待つのではなく、チャンクごとに描く。このページは AURA が何であり、何でないかの外部参照——最終確認:2026-11-21。

概要

外部参照Kyutai AURA — kyutai.org のリリース記事、GitHub リポジトリ(kyutai-labs/aura)、Hugging Face コレクション
Imgoでの利用可否Imgo に存在せず、Imgo から生成もできない——ウェイトのライセンスが商用を禁じており、たとえ技術的に可能でも Imgo 統合は選択肢外。
最終確認2026-11-21
今日Imgoで生成できるもの稼働中の Seedance 2 ファミリーが、ネイティブ同期音声付きの顔出し・対話クリップを描く——台本スポット、UGC 風広告、プレゼンター枠——実行前にクレジット見積もりを表示。
公式ソースと課金単位Kyutai はすべてをオープンに公開——AURA の API 課金は存在しない。ウェイト:AURA-1.3B は CC BY-NC 4.0、AURA-5B は Snap の非商用ライセンス。

今日 Imgo で顔出し動画を:Seedance 2.0 のネイティブ音声で、動画生成器にて。

AURA とは実際何か

2 つのモデル、1 つのアイデア。AURA 1.3B は 576p の顔出し動画をリアルタイムでストリーミングする——単一 GPU で 16 Hz 再生に対し毎秒 20.7 フレーム、蒸留元の教師より 23 倍速い。AURA 5B は 720p を毎秒 9.7 フレームでストリーミングし、教師 TalkVerse と同等の品質を 17 倍の速度で出す。両者とも 50 ステップの双方向教師から 4 ステップの因果生徒へ蒸留され、ローリング KV キャッシュでチャンクごとに生成し、音声を先読みしない:現在のチャンクの音声だけで、その動画のレンダリングを開始できる。この最後の性質がすべてで——これがあるから、5 秒遅れて答えるのではなく、ライブ対話を成立させるアバターが作れる。

速度はどこから来るか

このリリースはモデルであると同時に蒸留の研究でもある:第一段階で因果生徒を凍結教師の軌跡に回帰させ、第二段階で生徒を勾配なしで展開し、生徒自身の経路上で教師と批評家のスコアを合わせる二段パイプライン。工学的詳細——潜在フレームのチャンクへのブロック単位因果アテンション、運動コンテキストをすべて KV キャッシュが担うこと、チャンクごとの異なる拡散タイムステップ——が、ストリーミングを可能にしている。完全な手法は論文(BMVC 2026)にある。

ライセンス、はっきりと

ここでの「オープン」は「無制限」ではない。コードは独自ライセンス、ウェイトは両方とも非商用——AURA-1.3B は CC BY-NC 4.0、AURA-5B は Snap Inc. の非商用ライセンス(教師は Snap の TalkVerse に由来する)。研究・個人プロジェクト・プロトタイプなら問題ない。製品にするなら——カスタマーサポートのアバター、収益化するコンパニオンアプリ——出荷できないウェイトの上に建てることになる。その周囲に一行でもコードを書く前に、リポジトリのライセンスファイルを読むこと。

AURA は誰のためのもので、誰のためでないか

AURA はインタラクティブなシステムを作る人のためのもの:音声アシスタントに顔を与える(リリースのデモは Kyutai の Unmute をライブで駆動している)、エージェント用のストリーミングアバター、レイテンシ研究のプラットフォーム。完成されたマーケティング映像の制作ツールではない——出力は 576p/720p の顔出しで、「音声に速く追従する」ために調律されており、「プロダクトの美しいパスを含む 3 カット広告を組み立てる」ために調律されていない。納品物が台本付きプレゼンター、UGC 風広告、対話のある製品スポットなら、ネイティブ音声付きの生成モデルが正しい道具で、レイテンシはもう問題にならない。

顔出しコンテンツへの Imgo の道

Imgo では、稼働中の Seedance 2 ファミリーがネイティブ同期音声付きの対話・プレゼンタークリップを描く——台詞、部屋の空気、効果音が同じパスの一部で、カットをまたいで見た目を保つ最初と最後のフレーム制御、顔を固定する参照画像がある。毎回の実行は送信前にクレジット費用が見積もられる。AURA のリアルタイム対話と引き換えに、完成ショットの品質と商用作業を許すライセンスを得る——それがほとんどのマーケティング・コンテンツチームに本当に必要な交換だ。

よくある質問

AURA はオープンソースですか?

コード、論文、ウェイト、3万本のデータセットがオープンに公開されている——ただしウェイトは非商用(1.3B は CC BY-NC 4.0、5B は Snap の非商用ライセンス)。研究とプロトタイプには開かれている——製品として出荷する用途には開かれていない。

AURA は会話レベルのレイテンシで動きますか?

それが設計目標:単一 GPU で 576p リアルタイム(毎秒 20.7 フレーム)、音声の先読みなし。公開デモはライブ音声会話を駆動している。

Imgo で AURA を使えますか?

使えない——統合されておらず、非商用ライセンスのために Imgo 統合は誤った一手になる。今日生成できる顔出し動画には、稼働中の Seedance 2 ファミリーがネイティブ音声で対話を描く。

AURA 1.3B と AURA 5B の違いは?

規模と解像度:1.3B は単一 GPU で 576p をリアルタイムストリーミング、5B は 720p を毎秒 9.7 フレームで、より大きな教師と同等の品質。アーキテクチャは同じ因果少ステップ——違うのは速度/解像度のトレードオフだけ。

出典:kyutai.org の AURA リリース記事 2026-11-20(仕様、蒸留パイプライン、デモ)、github.com/kyutai-labs/aura(コードとライセンスファイル)、Hugging Face コレクション(ウェイトライセンス、データセット)——すべて 2026-11-21 確認。

共有

Related Posts

No image

業界ニュースとアップデート

AURA は Kyutai による、オープンウェイトのリアルタイム・トーキングアバターの回答:音声を入力すると顔出し動画がストリーミング出力される、単一 GPU で——そして商用不可のウェイトライセンスは、その上に築く前に必ず把握すべき要点。2026-11-21 確認。

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

No image

業界ニュースとアップデート

Suno Visuals は Suno の楽曲→動画機能:最長15秒のクリップ、歌詞同期、別売りのクレジット。何ができて何ができないか、そして Imgo の稼働中 Seedance 2 ファミリーで自分で演出する代替ワークフロー — 2026-11-21 確認。

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

No image

業界ニュースとアップデート

LTX-2.5 は Lightricks のオープンウェイト音声動画モデル:マルチショットの連続性、同期サウンド、自動デュレーション、商用作業を許すライセンス。実務的な意味——2026-11-21 確認。今日 Imgo で生成する選択肢は稼働中の Seedance 2 ファミリー。

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