AURA da Kyutai, o modelo de avatar falante: rostos em streaming para a sua voz
AURA (AUdio-dRiven streaming Avatar) é a família de modelos de fala-para-vídeo da Kyutai, publicada em 2026-11-20 junto com o paper, o código, os pesos e um dataset sintético de 30.000 clipes. A alegação que importa: um retrato mais um fluxo de fala ao vivo viram vídeo de talking head em tempo real numa única GPU — o avatar segue a voz com baixa latência, pedaço por pedaço, em vez de esperar segundos pelo denoise de um clipe pronto. Esta página é uma referência externa do que a AURA é e não é — última verificação: 2026-11-21.
Numa olhada
| Referência externa | Kyutai AURA — o post de lançamento em kyutai.org, o repositório GitHub (kyutai-labs/aura) e a coleção Hugging Face |
|---|---|
| Disponibilidade no Imgo | Não está no Imgo, e não é gerável a partir do Imgo — as licenças dos pesos proíbem uso comercial, então uma integração com o Imgo estaria descartada mesmo tecnicamente. |
| Última verificação | 2026-11-21 |
| O que você pode gerar hoje no Imgo | A família Seedance 2 ativa renderiza clipes de talking head e diálogo com áudio nativo sincronizado — spots roteirizados, anúncios estilo UGC, planos de apresentador — orçados em créditos antes de cada execução. |
| Fonte oficial e unidade de cobrança | A Kyutai publica tudo abertamente — não existe cobrança de API para AURA. Pesos: AURA-1.3B sob CC BY-NC 4.0, AURA-5B sob a licença não comercial da Snap. |
Faça vídeo de talking head no Imgo hoje: Seedance 2.0 com áudio nativo, no gerador de vídeo.
O que a AURA realmente é
Dois modelos, uma ideia. A AURA 1.3B faz streaming de vídeo de talking head 576p em tempo real — 20,7 quadros por segundo para reprodução a 16 Hz numa GPU, 23× mais rápida que o professor do qual foi destilada. A AURA 5B faz streaming de 720p a 9,7 fps, igualando a qualidade do seu professor TalkVerse a 17× a velocidade. Ambas foram destiladas de professores bidirecionais de 50 passos em estudantes causais de 4 passos que geram pedaço por pedaço com um cache KV rolante e sem espiar o áudio à frente: só o áudio do pedaço atual é necessário antes que o vídeo dele comece a renderizar. Essa última propriedade é o ponto inteiro — é o que torna possível um avatar capaz de sustentar uma conversa ao vivo, e não um que responde com cinco segundos de atraso.
De onde vem a velocidade
O lançamento é tanto um estudo de destilação quanto um modelo: um pipeline de duas etapas que primeiro regride o estudante causal sobre a trajetória do professor congelado, depois desenrola o estudante sem gradientes e casa as pontuações do professor e do crítico no caminho do próprio estudante. Os detalhes de engenharia — atenção causal em blocos sobre pedaços de quadros latentes, o contexto de movimento carregado inteiramente pelo cache KV, passos de difusão por pedaço — são a razão de a coisa fazer streaming. O paper (BMVC 2026) carrega o método completo.
As licenças, ditas com clareza
Aqui aberto não significa sem restrições. O código carrega a própria licença — os pesos são ambos não comerciais — AURA-1.3B sob CC BY-NC 4.0, AURA-5B sob a licença não comercial da Snap Inc. (seu professor descende do TalkVerse da Snap). Para pesquisa, projetos pessoais e protótipos, tudo bem. Para um produto — um avatar de atendimento, um app de companhia monetizado — você estaria construindo sobre pesos que não pode entregar. Leia os arquivos de licença do repositório antes de escrever uma linha de código em volta.
Para quem a AURA é, e para quem não é
A AURA é para quem constrói sistemas interativos: um rosto para um assistente de voz (o lançamento a demonstra dirigindo ao vivo o Unmute da Kyutai), um avatar em streaming para um agente, uma plataforma de pesquisa em latência. Não é ferramenta de produção para vídeo de marketing acabado — a saída é um talking head em 576p/720p, ajustado para seguir áudio rápido, não para compor um anúncio de três planos com passagens de beleza do produto. Se a sua entrega é um apresentador roteirizado, um anúncio estilo UGC ou um spot de produto com diálogo, um modelo de geração com áudio nativo é o instrumento certo, e a latência deixa de importar.
O caminho do Imgo para conteúdo de talking head
No Imgo a família Seedance 2 ativa renderiza clipes de diálogo e apresentador com áudio nativo sincronizado — a fala, a sala e os efeitos fazem parte da mesma passada, com controle de primeiro e último quadro para segurar um visual entre cortes e imagens de referência para segurar um rosto. Cada execução orça o custo em créditos antes de enviar. Você troca a conversa em tempo real da AURA por qualidade de plano acabado e uma licença que permite trabalho comercial — a troca que a maioria das equipes de marketing e conteúdo realmente precisa.
Perguntas frequentes
A AURA é open source?
O código, o paper, os pesos e um dataset de 30 mil clipes estão publicados abertamente — mas os pesos são não comerciais (CC BY-NC 4.0 para a 1.3B, licença não comercial da Snap para a 5B). Aberto para estudar e prototipar — não aberto para entregar num produto.
A AURA roda com latência conversacional?
Esse é o alvo de design dela: 576p em tempo real (20,7 fps) numa única GPU e sem espiar o áudio à frente. A demo pública conduz uma conversa de voz ao vivo.
Posso usar a AURA no Imgo?
Não — não está integrada, e as licenças não comerciais dela tornam uma integração com o Imgo a jogada errada. Para vídeo de talking head que dá para gerar hoje, a família Seedance 2 ativa renderiza diálogo com áudio nativo.
Qual a diferença entre AURA 1.3B e AURA 5B?
Escala e resolução: a 1.3B faz streaming de 576p em tempo real numa GPU — a 5B faz streaming de 720p a 9,7 fps com qualidade igual à do professor maior. Mesma arquitetura causal de poucos passos — só muda o compromisso velocidade/resolução.
Fontes: o post de lançamento da AURA em kyutai.org de 2026-11-20 (specs, pipeline de destilação, demo), github.com/kyutai-labs/aura (código e arquivos de licença), a coleção Hugging Face (licenças dos pesos, dataset) — tudo verificado em 2026-11-21.
Compartilhar
Related Posts
No image
AURA é a resposta da Kyutai aos avatares falantes em tempo real com pesos abertos: entra áudio, sai vídeo de talking head em streaming, numa GPU — com licenças de pesos não comerciais que importam antes de construir sobre ele. Verificado em 2026-11-21.
No image
O Suno Visuals é o recurso música-para-vídeo do Suno: clipes de até 15 segundos, sincronizados com a letra, créditos vendidos à parte. O que cobre, o que não consegue, e o fluxo alternativo de dirigir você mesmo na família Seedance 2 ativa do Imgo — verificado em 2026-11-21.
No image
LTX-2.5 é o modelo de áudio-vídeo de pesos abertos da Lightricks: continuidade multi-shot, som sincronizado, duração automática e uma licença que permite trabalho comercial. O isso significa na prática — verificado em 2026-11-21, com a família Seedance 2 como opção para gerar hoje no Imgo.