AURA od Kyutai, model mówiącego awatara: twarze w streamingu dla twojego głosu
AURA (awatar streamowy sterowany audio) to rodzina modeli mowa-na-wideo od Kyutai, opublikowana 2026-11-20 razem z artykułem, kodem, wagami i syntetycznym zbiorem 30 000 klipów. Twierdzenie, które się liczy: jeden portret plus żywy strumień mowy staje się wideo talking head w czasie rzeczywistym na pojedynczej GPU — awatar podąża za głosem z małym opóźnieniem, kawałek po kawałku, zamiast czekać sekundy na odszumienie gotowego klipu. Ta strona to zewnętrzna referencja tego, czym AURA jest, a czym nie — ostatnie sprawdzenie: 2026-11-21.
W skrócie
| Referencja zewnętrzna | Kyutai AURA — post wydawniczy na kyutai.org, repozytorium GitHub (kyutai-labs/aura) i kolekcja Hugging Face |
|---|---|
| Dostępność na Imgo | Nie ma jej na Imgo i nie da się jej wygenerować z Imgo — licencje wag zabraniają użycia komercyjnego, więc integracja z Imgo byłaby od razu wykluczona, nawet technicznie. |
| Ostatnie sprawdzenie | 2026-11-21 |
| Co możesz wygenerować dziś na Imgo | Żywa rodzina Seedance 2 renderuje klipy talking head i dialogowe z natywnym zsynchronizowanym audio — sceny ze scenariuszem, reklamy w stylu UGC, kadry prowadzącego — wyceniane w kredytach przed każdym uruchomieniem. |
| Oficjalne źródło i jednostka rozliczenia | Kyutai publikuje wszystko otwarcie — nie ma rozliczenia API za AURA. Wagi: AURA-1.3B pod CC BY-NC 4.0, AURA-5B pod niekomercyjną licencją Snap. |
Rób dziś wideo talking head na Imgo: Seedance 2.0 z natywnym audio, w generatorze wideo.
Czym AURA naprawdę jest
Dwa modele, jedna idea. AURA 1.3B streamuje wideo talking head 576p w czasie rzeczywistym — 20,7 klatki na sekundę przy odtwarzaniu 16 Hz na jednej GPU, 23× szybciej niż nauczyciel, z którego została destylowana. AURA 5B streamuje 720p przy 9,7 kl./s, dorównując jakości swojego nauczyciela TalkVerse przy 17× szybkości. Oba destylowano z pięćdziesięciokrokowych dwukierunkowych nauczycieli w czterokrokowych przyczynnych studentów generujących kawałek po kawałku z rolowym cache KV i bez wybiegania w audio do przodu: potrzebuje tylko audio bieżącego kawałka, zanim jego wideo zacznie się renderować. Ta ostatnia własność to cały sedno — to ona czyni możliwym awatara, który utrzyma rozmowę na żywo, a nie takiego, który odpowiada z pięciosekundowym opóźnieniem.
Skąd bierze się szybkość
Wydanie to nie mniej badanie destylacji niż model: dwuetapowy pipeline, który najpierw regreduje przyczynnego studenta na trajektorię zamrożonego nauczyciela, potem rozwija studenta bez gradientów i dopasowuje wyniki nauczyciela i krytyka na własnej ścieżce studenta. Szczegóły inżynierskie — przyczynowa atencja blokowa po kawałkach utajonych klatek, kontekst ruchu niesiony w całości przez cache KV, osobne kroki dyfuzyjne na kawałek — to powód, dla którego ta rzecz w ogóle streamuje. Pełną metodę niesie artykuł (BMVC 2026).
Licencje, powiedziane wprost
Tu otwarte nie znaczy bez ograniczeń. Kod ma własną licencję — wagi obie są niekomercyjne: AURA-1.3B pod CC BY-NC 4.0, AURA-5B pod niekomercyjną licencją Snap Inc. (jej nauczyciel wywodzi się z TalkVerse od Snap). Do badań, projektów osobistych i prototypów — w porządku. Dla produktu — awatara obsługi klienta, monetyzowanej aplikacji companion — budowałbyś na wagach, których nie możesz wysłać. Przeczytaj pliki licencji w repozytorium, zanim napiszesz wokół nich choć linię kodu.
Dla kogo jest AURA, a dla kogo nie
AURA jest dla budujących systemy interaktywne: twarz dla asystenta głosowego (wydanie pokazuje ją na żywo prowadzącą Unmute od Kyutai), streamowany awatar dla agenta, platforma badawcza do pracy nad opóźnieniem. Nie jest narzędziem produkcyjnym dla gotowego wideo marketingowego — wynikiem jest talking head w 576p/720p, strojony, by szybko podążał za audio, nie by komponował trzykadrową reklamę z beauty-pasami produktu. Jeśli twoim produktem końcowym jest prowadzący ze scenariuszem, reklama w stylu UGC albo spot produktowy z dialogiem, model generatywny z natywnym audio jest właściwym narzędziem, a opóźnienie przestaje mieć znaczenie.
Ścieżka Imgo dla treści talking head
Na Imgo żywa rodzina Seedance 2 renderuje klipy dialogowe i prowadzącego z natywnym zsynchronizowanym audio — wypowiadana kwestia, pomieszczenie i efekty są częścią tego samego przebiegu, z kontrolą pierwszej i ostatniej klatki dla utrzymania looku między cięciami i obrazami referencyjnymi dla utrzymania twarzy. Każde uruchomienie wycenia swój koszt w kredytach przed wysłaniem. Wymieniasz rozmowę w czasie rzeczywistym z AURA na jakość ukończonego kadru i licencję pozwalającą na pracę komercyjną — wymianę, której naprawdę potrzebuje większość zespołów marketingu i treści.
Częste pytania
Czy AURA jest open source?
Kod, artykuł, wagi i zbiór 30 tysięcy klipów są publikowane otwarcie — ale wagi są niekomercyjne (CC BY-NC 4.0 dla 1.3B, niekomercyjna licencja Snap dla 5B). Otwarte do badania i prototypowania — nieotwarte do wysyłki w produkcie.
Czy AURA wytrzyma opóźnienie konwersacyjne?
To jej cel projektowy: 576p w czasie rzeczywistym (20,7 kl./s) na pojedynczej GPU i bez wybiegania w audio. Publiczne demo prowadzi żywą rozmowę głosową.
Czy mogę używać AURA na Imgo?
Nie — nie ma integracji, a jej niekomercyjne licencje czynią integrację z Imgo złym posunięciem. Dla wideo talking head generowalnego dziś żywa rodzina Seedance 2 renderuje dialog z natywnym audio.
Jaka jest różnica między AURA 1.3B i AURA 5B?
Skala i rozdzielczość: 1.3B streamuje 576p w czasie rzeczywistym na jednej GPU — 5B streamuje 720p przy 9,7 kl./s z jakością równą jej większemu nauczycielowi. Ta sama przyczynowa, mało-krokowa architektura — różni się tylko kompromis szybkość/rozdzielczość.
Źródła: post wydawniczy AURA na kyutai.org z 2026-11-20 (specyfikacje, pipeline destylacji, demo), github.com/kyutai-labs/aura (kod i pliki licencji), kolekcja Hugging Face (licencje wag, zbiór danych) — wszystko sprawdzone 2026-11-21.
Udostępnij
Related Posts
No image
AURA to odpowiedź Kyutai na mówiące awatary w czasie rzeczywistym z otwartymi wagami: wchodzi audio, wychodzi streamowane wideo talking head, na jednej GPU — z niekomercyjnymi licencjami wag, które mają znaczenie, zanim się na nich zbuduje. Sprawdzone 2026-11-21.
No image
Suno Visuals to funkcja utwór-na-wideo Suno: klipy do 15 sekund, zsynchronizowane z tekstem, kredyty sprzedawane osobno. Co obejmuje, czego nie może, i alternatywny proces — reżyseria samodzielna na żywej rodzinie Seedance 2 w Imgo. Sprawdzone 2026-11-21.
No image
LTX-2.5 to model audio-wideo Lightricks z otwartymi wagami: ciągłość multi-shot, zsynchronizowany dźwięk, automatyczny czas trwania i licencja dopuszczająca prace komercyjne. Co to oznacza w praktyce — sprawdzone 2026-11-21, a opcja „generuj dziś” na Imgo to żywa rodzina Seedance 2.