Kyutai'nin AURA konuşan avatar modeli: sesin için gerçek zamanlı akışlı yüzler
AURA (sesle yönlendirilen akışlı avatar), Kyutai'nin konuşmadan-videoya model ailesidir — 2026-11-20'de makale, kod, ağırlıklar ve 30.000 kliplik sentetik veri kümesiyle birlikte yayınlandı. Önemli iddia şu: tek bir portre artı canlı bir ses akışı, tek bir GPU'da gerçek zamanlı talking-head videosuna dönüşür — avatar sese düşük gecikmeyle, parça parça uyar, bitmiş bir klibin gürültüsünün temizlenmesini saniyelerce beklemez. Bu sayfa, AURA'nın ne olduğuna ve ne olmadığına dair dış bir referanstır — son doğrulama: 2026-11-21.
Bir bakışta
| Harici referans | Kyutai AURA — kyutai.org'daki sürüm yazısı, GitHub deposu (kyutai-labs/aura) ve Hugging Face koleksiyonu |
|---|---|
| Imgo'daki kullanılabilirlik | Imgo'da yok ve Imgo'dan üretilemez — ağırlık lisansları ticari kullanımı yasaklıyor, dolayısıyla Imgo entegrasyonu teknik olarak mümkün olsa bile gündemde değildi. |
| Son doğrulama | 2026-11-21 |
| Bugün Imgo'da ne üretebilirsiniz | Canlı Seedance 2 ailesi, yerel eşzamanlı sesle talking-head ve diyalog klipleri üretir — senaryolu spotlar, UGC tarzı reklamlar, sunucu kareleri — her çalıştırma öncesi kredi teklifiyle. |
| Resmi kaynak ve faturalandırma birimi | Kyutai her şeyi açık yayınlar — AURA API faturalandırması yoktur. Ağırlıklar: AURA-1.3B CC BY-NC 4.0 altında, AURA-5B Snap'in ticari olmayan lisansı altında. |
Bugün Imgo'da talking-head videosu yapın: Seedance 2.0 yerel sesle, video üretecinde.
AURA gerçekte nedir
İki model, bir fikir. AURA 1.3B, 576p talking-head videosunu gerçek zamanlı akıtır — tek GPU'da 16 Hz oynatma için saniyede 20,7 kare, damıtıldığı öğretmenden 23 kat hızlı. AURA 5B, 720p'yi saniyede 9,7 kareyle akıtır ve TalkVerse öğretmeninin kalitesini 17 kat hızla yakalar. İkisi de 50 adımlı çift yönlü öğretmenlerden, dönen bir KV önbelleğiyle parça parça üreten ve sese önceden bakmayan 4 adımlı nedensel öğrencilere damıtıldı: yalnızca mevcut parçanın sesi, videosunun işlemeye başlaması için yeterlidir. Bu son özellik işin tüm noktasıdır — beş saniye gecikmeyle cevap veren birini değil, canlı bir sohbeti sürdürebilen bir avatarı mümkün kılan odur.
Hız nereden geliyor
Sürüm, bir model olduğu kadar bir damıtma çalışmasıdır: önce nedensel öğrenciyi donmuş öğretmenin yörüngesine geri çeken, sonra öğrenciyi gradyansız açan ve öğretmen ile eleştirmen puanlarını öğrencinin kendi yolunda eşleştiren iki aşamalı bir hat. Mühendislik detayları — gizli kare parçaları üzerinde blok bazlı nedensel dikkat, hareket bağlamının tamamen KV önbelleği tarafından taşınması, parça başına farklı difüzyon zaman adımları — şeyin akış yapmasının nedenidir. Makale (BMVC 2026) tüm yöntemi taşır.
Lisanslar, açıkça
Burada açık, sınırsız demek değildir. Kod kendi lisansını taşır — ağırlıkların ikisi de ticari değildir: AURA-1.3B CC BY-NC 4.0 altında, AURA-5B Snap Inc.'in ticari olmayan lisansı altında (öğretmeni Snap'in TalkVerse'sinden iner). Araştırma, kişisel projeler ve prototipler için sorun yok. Bir ürün için — müşteri desteği avatarı, para kazandıran bir companion uygulaması — sevk edemeyeceğin ağırlıkların üzerine inşa ediyorsun demektir. Etrafına tek satır kod yazmadan önce depodaki lisans dosyalarını oku.
AURA kimin için, kimin için değil
AURA etkileşimli sistemler kuranlar içindir: bir sesli asistana yüz (sürüm, Kyutai'nin Unmute'unu canlı sürerken gösterir), bir ajan için akışlı avatar, gecikme çalışması için araştırma platformu. Bitmiş pazarlama videosu için bir üretim aracı değildir — çıktı 576p/720p bir talking head'dir, sesi hızlı takip etmeye ayarlıdır, ürün güzellik geçişli üç çekimlik reklam kurmaya değil. Teslim edeceğin şey senaryolu bir sunucu, UGC tarzı bir reklam ya da diyaloglu bir ürün spotuysa, yerel sesli bir üretim modeli doğru enstrümandır ve gecikme önemini yitirir.
Talking-head içeriği için Imgo yolu
Imgo'da canlı Seedance 2 ailesi, diyalog ve sunucu kliplerini yerel eşzamanlı sesle üretir — sözlü replik, oda ve efektler aynı geçişin parçasıdır, kesimler arasında bir görünümü tutmak için ilk ve son kare kontrolü, bir yüzü tutmak için referans görüntüler vardır. Her çalıştırma, göndermeden önce kredi maliyetini gösterir. AURA'nın gerçek zamanlı sohbetini bitmiş çekim kalitesine ve ticari çalışmaya izin veren bir lisansa takas ediyorsun — çoğu pazarlama ve içerik ekibinin gerçekten ihtiyaç duyduğu takas.
Sık sorulan sorular
AURA açık kaynak mı?
Kod, makale, ağırlıklar ve 30.000 kliplik veri kümesi açık yayınlanır — ancak ağırlıklar ticari değildir (1.3B için CC BY-NC 4.0, 5B için Snap'in ticari olmayan lisansı). Çalışmak ve prototip yapmak için açık — üründe sevk etmek için açık değil.
AURA sohbet gecikmesinde çalışır mı?
Tasarım hedefi odur: tek bir GPU'da 576p gerçek zamanlı (saniyede 20,7 kare) ve sese önceden bakmadan. Genel demo canlı bir sesli sohbet yürütür.
AURA'yı Imgo'da kullanabilir miyim?
Hayır — entegre değil ve ticari olmayan lisansları Imgo entegrasyonunu yanlış hamle yapar. Bugün üretilebilir talking-head videosu için canlı Seedance 2 ailesi diyalogu yerel sesle üretir.
AURA 1.3B ile AURA 5B arasındaki fark nedir?
Ölçek ve çözünürlük: 1.3B tek GPU'da 576p'yi gerçek zamanlı akıtır — 5B, 720p'yi saniyede 9,7 kareyle, daha büyük öğretmeniyle eşit kalitede akıtır. Aynı nedensel az adımlı mimari — yalnızca hız/çözünürlük dengesi farklıdır.
Kaynaklar: kyutai.org'daki 2026-11-20 tarihli AURA sürüm yazısı (özellikler, damıtma hattı, demo), github.com/kyutai-labs/aura (kod ve lisans dosyaları), Hugging Face koleksiyonu (ağırlık lisansları, veri kümesi) — tümü 2026-11-21'de doğrulandı.
Paylaş
Related Posts
No image
AURA, Kyutai'nin açık ağırlıklı, gerçek zamanlı konuşan avatar cevabıdır: ses girer, talking-head videosu akışla çıkar, tek GPU'da — ve üzerine inşa etmeden önce bilinmesi gereken ticari olmayan ağırlık lisanslarıyla. 2026-11-21'de doğrulandı.
No image
Suno Visuals, Suno'nun şarkıdan-videoya özelliği: 15 saniyeye kadar klipler, sözlerle senkron, ayrı satılan krediler. Neyi kapsıyor, neyi yapamıyor, ve Imgo'nun canlı Seedance 2 ailesinde kendin yönetmen alternatif iş akışı — 2026-11-21'de doğrulandı.
No image
LTX-2.5, Lightricks'in açık ağırlıklı ses-görüntü modeli: çoklu çekim sürekliliği, senkronize ses, otomatik süre ve ticari çalışmaya izin veren lisans. Pratikteki anlamı — 2026-11-21'de doğrulandı, bugün Imgo'da üretme seçeneği canlı Seedance 2 ailesi.