Kyutais AURA talking avatar-modell: strömmande ansikten för din röst
AURA (ljudstyrd strömmande avatar) är Kyutais familj av tal-till-video-modeller, publicerad 2026-11-20 tillsammans med uppsatsen, koden, vikterna och en syntetisk dataset med 30 000 klipp. Påståendet som spelar roll: ett porträtt plus en liveström av tal blir talking-head-video i realtid på en enda GPU — avataren följer rösten med låg latens, bit för bit, i stället för att vänta sekunder på att ett färdigt klipp ska brusreduceras. Den här sidan är en extern referens till vad AURA är och inte är — senast kontrollerad: 2026-11-21.
I korthet
| Extern referens | Kyutai AURA — releaseposten på kyutai.org, GitHub-repot (kyutai-labs/aura) och Hugging Face-samlingen |
|---|---|
| Tillgänglighet på Imgo | Inte på Imgo, och inte genererbar från Imgo — viktlicenserna förbjuder kommersiell användning, så en Imgo-integration vore avskrädad även tekniskt. |
| Senast kontrollerad | 2026-11-21 |
| Vad du kan generera på Imgo idag | Seedance 2-familjen som är live renderar talking-head- och dialogklipp med synkroniserat nativt ljud — skriptade spots, UGC-stil reklam, programledarbilder — med kreditofferant före varje körning. |
| Officiell källa och faktureringsenhet | Kyutai publicerar allt öppet — det finns ingen AURA-API-fakturering. Vikter: AURA-1.3B under CC BY-NC 4.0, AURA-5B under Snaps icke-kommersiella licens. |
Gör talking-head-video på Imgo idag: Seedance 2.0 med nativt ljud, i videogeneratorn.
Vad AURA faktiskt är
Två modeller, en idé. AURA 1.3B strömmar 576p talking-head-video i realtid — 20,7 bilder per sekund för uppspelning vid 16 Hz på en GPU, 23× snabbare än läraren den destillerats från. AURA 5B strömmar 720p vid 9,7 fps och matchar kvaliteten hos sin TalkVerse-lärare vid 17× hastigheten. Båda har destillerats från 50-stegs bidirektionella lärare till 4-stegs kausala studenter som genererar bit för bit med en rullande KV-cache och utan att titta framåt i ljudet: bara aktuell bits ljud behövs innan dess video börjar renderas. Den sista egenskapen är hela poängen — den gör en avatar som kan hålla ett livssamtal möjlig, inte en som svarar med fem sekunders fördröjning.
Var hastigheten kommer ifrån
Releasen är lika mycket en destillationsstudie som en modell: en pipeline i två steg som först regresserar den kausala studenten på den frysta lärarens bana, sedan rullar ut studenten utan gradienter och matchar lärar- och kritikerpoäng på studentens egen väg. Ingenjörsdetaljerna — kausal block-attention över bitar av latenta bilder, rörelsekontexten helt buren av KV-cachen, differentierade diffusionssteg per bit — är skälet till att saken strömmar alls. Uppsatsen (BMVC 2026) bär hela metoden.
Licenserna, utan krusiduller
Öppet betyder här inte utan begränsningar. Koden bär sin egen licens — vikterna är båda icke-kommersiella — AURA-1.3B under CC BY-NC 4.0, AURA-5B under Snap Inc.:s icke-kommersiella licens (dess lärare härstammar från Snaps TalkVerse). För forskning, personliga projekt och prototyper, bra. För en produkt — en supportavatar, en monetiserad companion-app — bygger du på vikter du inte får leverera. Läs licensfilerna i repot innan du skriver en rad kod runt dem.
Vem AURA är för, och vem den inte är för
AURA är för de som bygger interaktiva system: ett ansikte till en röstassistent (releasen visar den köra Kyutais Unmute live), en strömmande avatar för en agent, en forskningsplattform för latensarbete. Det är inte ett produktionsverktyg för färdig marknadsföringsvideo — utmatningen är en talking head i 576p/720p, stämd för att följa ljud snabbt, inte för att komponera en tre-shots-reklam med produktskönhetspass. Om din leverans är en skriptad programledare, en UGC-stil annons eller en produktspot med dialog är en generativ modell med nativt ljud rätt instrument — och latensen slutar spela roll.
Imgo-vägen för talking-head-innehåll
På Imgo renderar Seedance 2-familjen som är live dialog- och programledarklipp med synkroniserat nativt ljud — den talade raden, rummet och effekterna är del av samma pass, med kontroll av första och sista bilden för att hålla en look mellan klipp och referensbilder för att hålla ett ansikte. Varje körning budgeterar sin kreditkostnad före insändning. Du byter AURAs realtidssamtal mot färdig bildkvalitet och en licens som tillåter kommersiellt arbete — bytet som de flesta marknadsförings- och innehållsteam faktiskt behöver.
Vanliga frågor
Är AURA öppen källkod?
Koden, uppsatsen, vikterna och en dataset med 30 000 klipp publiceras öppet — men vikterna är icke-kommersiella (CC BY-NC 4.0 för 1.3B, Snaps icke-kommersiella licens för 5B). Öppet för att studera och prototyper — inte öppet för att leverera i en produkt.
Håller AURA konversationslatens?
Det är dess designmål: 576p i realtid (20,7 fps) på en enda GPU och utan att titta framåt i ljudet. Den offentliga demon för ett live-röstsamtal.
Kan jag använda AURA på Imgo?
Nej — inte integrerad, och dess icke-kommersiella licenser gör en Imgo-integration till fel drag. För talking-head-video som går att generera idag renderar Seedance 2-familjen som är live dialog med nativt ljud.
Vad är skillnaden mellan AURA 1.3B och AURA 5B?
Skala och upplösning: 1.3B strömmar 576p i realtid på en GPU — 5B strömmar 720p vid 9,7 fps med kvalitet i nivå med sin större lärare. Samma kausala fåstegsarkitektur — bara avvägningen hastighet/upplösning skiljer.
Källor: AURA-releaseposten på kyutai.org från 2026-11-20 (specifikationer, destillationspipeline, demo), github.com/kyutai-labs/aura (kod och licensfiler), Hugging Face-samlingen (viktlicenser, dataset) — allt kontrollerat 2026-11-21.
Dela
Related Posts
No image
AURA är Kyutais svar med öppna vikter på realtids-talking avatars: ljud in, talking-head-video ut i strömning, på en GPU — med icke-kommersiella viktlicenser som spelar roll innan man bygger på dem. Kontrollerat 2026-11-21.
No image
Suno Visuals är Sunos låt-till-video-funktion: klipp upp till 15 sekunder, synkroniserade med texten, krediter som säljs separat. Vad den täcker, vad den inte kan, och det alternativa flödet — att regissera själv på Imgos live Seedance 2-familj — kontrollerat 2026-11-21.
No image
LTX-2.5 är Lightricks ljud-videomodell med öppna vikter: multishot-kontinuitet, synkroniserat ljud, automatisk längd och en licens som tillåter kommersiellt arbete. Vad det betyder i praktiken — kontrollerat 2026-11-21, med Seedance 2-familjen som alternativ för att generera på Imgo idag.