AURA จาก Kyutai โมเดลอวตารพูดได้: ใบหน้าสตรีมมิงสำหรับเสียงของคุณ

AURA จาก Kyutai โมเดลอวตารพูดได้: ใบหน้าสตรีมมิงสำหรับเสียงของคุณ

AURA (อวตารสตรีมที่ขับเคลื่อนด้วยเสียง) คือตระกูลโมเดลเสียงพูดสู่วิดีโอของ Kyutai เผยแพร่เมื่อ 2026-11-20 พร้อมงานวิจัย โค้ด เวท และชุดข้อมูลสังเคราะห์ 30,000 คลิป ข้ออ้างที่สำคัญ: ภาพบุคคลหนึ่งภาพบวกสตรีมเสียงพูดสด กลายเป็นวิดีโอ talking head เรียลไทม์บน GPU เครื่องเดียว — อวตารตามเสียงด้วยความหน่วงต่ำ ทีละชั้น แทนที่จะรอหลายวินาทีให้คลิปเสร็จถูกลดนอยส์ หน้านี้เป็นข้อมูลอ้างอิงภายนอกว่า AURA คืออะไรและไม่ใช่อะไร — ตรวจสอบล่าสุด: 2026-11-21

สรุปสั้น

ข้อมูลอ้างอิงภายนอกKyutai AURA — โพสต์เปิดตัวบน kyutai.org, รีโพสิทอรี GitHub (kyutai-labs/aura) และคอลเลกชัน Hugging Face
ความพร้อมใช้บน Imgoไม่มีบน Imgo และสร้างจาก Imgo ไม่ได้ — ไลเซนส์เวทห้ามใช้เชิงพาณิชย์ การอินทิเกรตกับ Imgo จึงตกไปแม้แต่ในทางเทคนิค
ตรวจสอบล่าสุด2026-11-21
วันนี้คุณสร้างอะไรบน Imgo ได้ตระกูล Seedance 2 ที่พร้อมใช้เรนเดอร์คลิป talking head และบทสนทนาด้วยเสียงต้นฉบับซิงก์ — สปอตมีบท โฆษณาสไตล์ UGC เฟรมพิธีกร — แสดงราคาเครดิตก่อนทุกการรัน
แหล่งทางการและหน่วยคิดค่าKyutai เปิดเผยทุกอย่าง — ไม่มีการคิดค่า API สำหรับ AURA เวท: AURA-1.3B ภายใต้ CC BY-NC 4.0, AURA-5B ภายใต้ไลเซนส์ไม่ใช่เชิงพาณิชย์ของ Snap

ทำวิดีโอ talking head บน Imgo วันนี้: Seedance 2.0 พร้อมเสียงต้นฉบับ ในเครื่องกำเนิดวิดีโอ

AURA คืออะไรจริง ๆ

สองโมเดล หนึ่งแนวคิด AURA 1.3B สตรีมวิดีโอ talking head 576p แบบเรียลไทม์ — วินาทีละ 20.7 เฟรมสำหรับเล่นที่ 16 Hz บน GPU เครื่องเดียว เร็วกว่าครูที่มันถูกดิสทิลมา 23 เท่า AURA 5B สตรีม 720p ที่ 9.7 เฟรมต่อวินาที เทียบเท่าคุณภาพครู TalkVerse ของมันที่ความเร็ว 17 เท่า ทั้งคู่ถูกดิสทิลจากครูสองทิศทางแบบ 50 สเต็ปเป็นนักเรียนเชิงเหตุผล 4 สเต็ป ที่สร้างทีละชั้นด้วย KV cache แบบหมุนเวียนและไม่มองเสียงล่วงหน้า: ต้องใช้เพียงเสียงของชั้นปัจจุบันก่อนวิดีโอของชั้นนั้นเริ่มเรนเดอร์ คุณสมบัติสุดท้ายนี้คือแก่นทั้งหมด — มันคือสิ่งที่ทำให้อวตารที่พอรับฝ่ายสนทนาสดเป็นไปได้ ไม่ใช่ตัวที่ตอบช้าไปห้าวินาที

ความเร็วมาจากไหน

ตัวรีลีสเป็นงานวิจัยดิสทิลเท่าที่เป็นโมเดล: ไปป์ไลน์สองขั้นที่ขั้นแรกถอนนักเรียนเชิงเหตุผลกลับไปบนวิถีของครูที่ถูกแช่แข็ง แล้วขั้นที่สองคลี่นักเรียนโดยไร้กราเดียนต์และจับคู่คะแนนครูกับนักวิจารณ์บนเส้นทางของนักเรียนเอง รายละเอียดวิศวกรรม — แอทเทนชันเชิงเหตุผลแบบบล็อกบนชั้นเฟรมแฝง บริบทการเคลื่อนไหวที่ KV cache แบกทั้งหมด และไทม์สเต็ปดิฟฟิวชันต่างกันต่อชั้น — คือเหตุผลที่มันสตรีมได้ วิธีเต็มอยู่ในงานวิจัย (BMVC 2026)

ไลเซนส์ เล่าตรง ๆ

ตรงนี้ "เปิด" ไม่ได้แปลว่า "ไร้ข้อจำกัด" โค้ดมีไลเซนส์ของตัวเอง — เวททั้งสองไม่ใช่เชิงพาณิชย์ — AURA-1.3B ภายใต้ CC BY-NC 4.0 และ AURA-5B ภายใต้ไลเซนส์ไม่ใช่เชิงพาณิชย์ของ Snap Inc. (ครูของมันสืบจาก TalkVerse ของ Snap) สำหรับงานวิจัย โปรเจกต์ส่วนตัวและโปรโตไทป์ ไม่มีปัญหา สำหรับผลิตภัณฑ์ — อวตารซัพพอร์ต แอปคอมพาเนียนที่ทำรายได้ — คุณกำลังสร้างบนเวทที่ส่งต่อไม่ได้ อ่านไฟล์ไลเซนส์ในรีโพสิทอรีก่อนเขียนโค้ดแม้แต่บรรทัดเดียวรอบมัน

AURA เพื่อใคร และไม่เพื่อใคร

AURA เพื่อคนที่สร้างระบบอินเทอร์แอกทีฟ: ใบหน้าให้ผู้ช่วยเสียง (ตัวรีลีสสาธิตมันขับ Unmute ของ Kyutai สด ๆ) อวตารสตรีมให้เอเจนต์ แพลตฟอร์มวิจัยเรื่องความหน่วง มันไม่ใช่เครื่องมือโปรดักชันสำหรับวิดีโอการตลาดที่เสร็จสมบูรณ์ — เอาต์พุตคือ talking head ที่ 576p/720p ปรับให้ตามเสียงเร็ว ไม่ได้ปรับให้ประกอบโฆษณาสามช็อตพร้อมบิวตี้พาสของสินค้า ถ้าของส่งมอบของคุณคือพิธีกรมีบท โฆษณาสไตล์ UGC หรือสปอตสินค้าที่มีบทสนทนา โมเดลกำเนิดที่มีเสียงต้นฉบับคือเครื่องมือที่ถูกต้อง และความหน่วงก็เลิกสำคัญ

เส้นทาง Imgo สำหรับคอนเทนต์ talking head

บน Imgo ตระกูล Seedance 2 ที่พร้อมใช้เรนเดอร์คลิปบทสนทนาและพิธีกรด้วยเสียงต้นฉบับซิงก์ — บทพูด ห้อง และเอฟเฟกต์เป็นส่วนหนึ่งของพาสเดียวกัน พร้อมการควบคุมเฟรมแรกและเฟรมสุดท้ายเพื่อรักษาลุคข้ามคัต และภาพอ้างอิงเพื่อรักษาใบหน้า ทุกการรันแสดงราคาเครดิตก่อนส่ง คุณแลกบทสนทนาเรียลไทม์ของ AURA กับคุณภาพช็อตที่เสร็จสมบูรณ์และไลเซนส์ที่อนุญาตงานเชิงพาณิชย์ — การแลกที่ทีมการตลาดและคอนเทนต์ส่วนใหญ่ต้องการจริง ๆ

คำถามที่พบบ่อย

AURA เป็นโอเพนซอร์สไหม

โค้ด งานวิจัย เวท และชุดข้อมูล 30,000 คลิป เปิดเผยสู่สาธารณะ — แต่เวทไม่ใช่เชิงพาณิชย์ (CC BY-NC 4.0 สำหรับ 1.3B, ไลเซนส์ไม่ใช่เชิงพาณิชย์ของ Snap สำหรับ 5B) เปิดเพื่อศึกษาและทำโปรโตไทป์ — ไม่เปิดเพื่อส่งในผลิตภัณฑ์

AURA รับความหน่วงระดับสนทนาได้ไหม

นั่นคือเป้าหมายการออกแบบ: 576p เรียลไทม์ (20.7 เฟรม/วินาที) บน GPU เครื่องเดียวและไม่มองเสียงล่วงหน้า เดโมสาธารณะขับการสนทนาเสียงสด

ใช้ AURA บน Imgo ได้ไหม

ไม่ได้ — ไม่มีการอินทิเกรต และไลเซนส์ไม่ใช่เชิงพาณิชย์ของมันทำให้การอินทิเกรตกับ Imgo เป็นก้าวที่ผิด สำหรับวิดีโอ talking head ที่สร้างได้วันนี้ ตระกูล Seedance 2 ที่พร้อมใช้เรนเดอร์บทสนทนาด้วยเสียงต้นฉบับ

AURA 1.3B กับ AURA 5B ต่างกันอย่างไร

สเกลและความละเอียด: 1.3B สตรีม 576p เรียลไทม์บน GPU เครื่องเดียว — 5B สตรีม 720p ที่ 9.7 เฟรม/วินาที ด้วยคุณภาพเท่าครูที่ใหญ่กว่า สถาปัตยกรรมเชิงเหตุผลน้อยสเต็ปเดียวกัน — ต่างเพียงการแลกความเร็ว/ความละเอียด

แหล่งข้อมูล: โพสต์เปิดตัว AURA บน kyutai.org วันที่ 2026-11-20 (สเปก ไปป์ไลน์ดิสทิล เดโม), github.com/kyutai-labs/aura (โค้ดและไฟล์ไลเซนส์), คอลเลกชัน Hugging Face (ไลเซนส์เวท ชุดข้อมูล) — ทั้งหมดตรวจสอบ 2026-11-21

แชร์

Related Posts

No image

ข่าวสารและการอัปเดตอุตสาหกรรม

AURA คือคำตอบแบบโอเพนเวทของ Kyutai ต่ออวตารพูดได้เรียลไทม์: เสียงเข้า วิดีโอ talking head สตรีมออก บน GPU เดียว — พร้อมไลเซนส์เวทที่ไม่ใช่เชิงพาณิชย์ซึ่งสำคัญมากก่อนสร้างบนมัน ตรวจสอบ 2026-11-21

2026-11-22T00:24:40+08:00

No image

ข่าวสารและการอัปเดตอุตสาหกรรม

Suno Visuals คือฟีเจอร์เพลง-สู่-วิดีโอของ Suno: คลิปยาวถึง 15 วินาที ซิงก์กับเนื้อร้อง เครดิตขายแยก ครอบคลุมอะไร ทำอะไรไม่ได้ และเวิร์กโฟลว์ทางเลือกแบบกำกับเองบนตระกูล Seedance 2 ที่พร้อมใช้ใน Imgo — ตรวจสอบ 2026-11-21

2026-11-22T00:24:25+08:00

No image

ข่าวสารและการอัปเดตอุตสาหกรรม

LTX-2.5 คือโมเดลเสียง-วิดีโอโอเพนเวทของ Lightricks: ความต่อเนื่องมัลติช็อต เสียงซิงก์ ระยะเวลาอัตโนมัติ และใบอนุญาตที่อนุญาตงานเชิงพาณิชย์ — ตรวจสอบ 2026-11-21 ทางเลือกสร้างงานบน Imgo วันนี้คือตระกูล Seedance 2 ที่พร้อมใช้

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