К содержимому
Видео

AURA-1.3B

аудиоуправляемый потоковый аватар для генерации говорящих голов

2 мин чтения

Модель от лаборатории Kyutai превращает портретную картинку и речевой аудиопоток в видео с говорящим человеком (talking-head) в реальном времени. В основе лежит архитектура на базе Wan2.1-T2V-1.3B, объединенная с аудиомодулями Mimi (звуковые токены) и дистиллированная из учителя с помощью DMD (Distribution Matching Distillation). Модель выдает 576p видео на скорости около 20.7 кадров в секунду на одной карте H100 и отлично сохраняет исходную идентичность лица (CSIM). Релиз предназначен для исследователей и разработчиков интерактивных видеоаватаров (лицензия CC BY-NC 4.0).

Ключевые особенности

  • Потоковая генерация в реальном времени: выдает результат чанк за чанком с использованием скользящего KV-кеша (rolling KV cache).
  • Высокая точность лица: демонстрирует лучшую сохранность идентичности (CSIM) среди сравниваемых методов на тестах HALLO3 и CelebV-HQ.
  • Эффективная дистилляция: четырехшаговый студенческий пайплайн (4 denoising steps) ускоряет генерацию в 23 раза по сравнению с базовым учителем.
  • Два формата весов: доступны готовые автономные файлы (*_merged) для быстрой работы и исходные чекпоинты (LoRA-only) для дообучения.

Что можно сделать

  • Оживить портрет: сгенерировать реалистичное видео говорящего человека по статичной фотографии и аудиозаписи речи.
  • Создать интерактивного аватара: внедрить модель в систему стриминга или чат-бота с поддержкой генерации видео на лету.
  • Провести исследования: использовать LoRA-only чекпоинты и файлы конфигурации для настройки пайплайнов дистилляции (ODE и DMD).

Пример

git clone [https://github.com/kyutai-labs/aura](https://github.com/kyutai-labs/aura) && cd aura
uv sync
uv run generate.py --image portrait.jpg --audio speech.wav --output out.mp4
ПодробнееБенчмарки HALLO3: FID 56.8, FVD 177.1, CSIM 0.84
Требования к железу: одна карта H100 в статье (~16-20+ fps)
Архитектура: Block-wise causal over chunks 4 латентных кадра (~0.64 с)
Ограничения: лицензия CC BY-NC 4.0 (только некоммерческое использование)
Видео-примеры
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 5.9 GB · готовые файлы9.8 GB
  • FP8 / INT8рекомендуемвеса 3.0 GB6.4 GB
  • 4-bitвеса 1.7 GB4.9 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 5060 Ti 8GB · BF16 — от RTX 3080

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Mr2cool/AURA-1.3B
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Mr2cool/AURA-1.3B --local-dir ~/models/AURA-1.3B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к AURA-1.3B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (3)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • LightX2V step distill0.6.1от 9 ноября 2026новая версия

    5–10× меньше шагов

    Дистиллированные LoRA и движок: видео за 4–8 шагов вместо 30–50.

    Как включить: Подключите их step-distill LoRA к модели, CFG 1.0, 4–8 шагов.

  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

kyutai/AURA-1.3B-Teacher-TalkVerse
  1. Wan2.1-T2V-1.3Bоснова семьи
  2. AURA-1.3B-Teacher-TalkVerse
  3. AURA-1.3B

Новые посты про версии Wan2.1-T2V-1.3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 9Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

Mr2cool/AURA-1.3B
Автор
Mr2cool
Категория
Видео
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии