Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Haru-4B

Un modelo base de 4B con licencia Apache que escucha y habla a la vez, con 65ms de latencia en un MacBook y aún sin puntuaciones de benchmarks.

Reseña de ReviewRamble editors · Actualizado

Visitar Haru-4B Código abierto

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

3.6/5

Haru-4B es un comienzo abierto y ambicioso en la voz full-duplex con latencia de portátil, pero es un modelo base de investigación que clona voces y no publica puntuaciones.

¿Qué es Haru-4B?

Haru-4B es un modelo de voz a voz full-duplex de higurashi, una start-up japonesa de IA de voz, publicado el 12 de noviembre de 2026 bajo Apache 2.0. Full duplex significa que escucha y habla al mismo tiempo, como hace la gente en una llamada, en lugar de esperar a que termines tu turno. Cada 133 milisegundos toma un fragmento de tu audio y produce un fragmento de su propio audio y texto; los tres flujos se suman en una única posición de un modelo de lenguaje basado en Qwen3.5-4B. La voz se representa con latentes continuos de 64 dimensiones en lugar de tokens de audio discretos, y una pequeña cabeza MLP genera cada uno en un solo paso de muestreo.

Se preentrenó con más de 40 millones de horas de voz real en más de 160 idiomas, con nueve principales (inglés, español, portugués, alemán, francés, chino, japonés, ruso y coreano), incluidas más de 13 millones de horas de conversaciones separadas entre dos hablantes de hasta 60 minutos. Una ficha de personaje en texto fija la personalidad y un clip de 3 segundos a 3 minutos fija la voz. Se publica como modelo base preentrenado para investigación, no como asistente.

¿Merece la pena Haru-4B?

Haru-4B es un intento abierto y serio de resolver la parte más difícil de la IA de voz, hablar por encima y alrededor de una persona como hace la gente, y la publicación ofrece la arquitectura y las cifras de latencia, pero ninguna puntuación de calidad. La entrada técnica de higurashi describe asentimientos, interrupciones y habla solapada aprendidos de grabaciones reales, y excluyó a propósito del entrenamiento los diálogos escritos por LLM y el audio de síntesis de voz. No publica tablas de benchmarks frente a Moshi, MiniCPM-o ni ningún otro modelo duplex, así que la calidad de la conversación depende de las demos.

La ingeniería es lo más sólido. En un MacBook M1 Max, la app nativa en Swift registra unos 65 milisegundos de extremo a extremo con pesos int8, de los que un paso del modelo ocupa 34,2ms; la tasa de 7,5Hz puede añadir hasta 133ms más. En una NVIDIA B300, codificar y decodificar el audio y un paso del modelo de lenguaje llevan unos 15ms, y el plugin de vLLM-Omni atiende muchas conversaciones a la vez. Funcionar a 7,5 pasos por segundo con latentes continuos es lo que hace que un modelo de 4B sea lo bastante rápido para esto en un portátil.

La escala del preentrenamiento es poco habitual en una publicación abierta: 40 millones de horas de voz, entrenadas en 256 GPU NVIDIA B200 durante unos 8 días, con apoyo de AWS y del programa japonés GENIAC. El interés ha sido rápido: 842 likes en Hugging Face y 716 estrellas en GitHub en pocos días.

La pega: es un modelo base. La ficha dice que mantiene una conversación natural pero no es una fuente fiable de datos y no sigue instrucciones como un asistente, y la empresa reconoce que su pequeña base limita la calidad de las respuestas. Clona cualquier voz a partir de un clip de 3 segundos sin que se mencione ninguna marca de agua, dejando el consentimiento en manos del usuario, y la opción `--share` de la demo abre un enlace público que hace pasar el audio por los servidores de Gradio.

Nuestra opinión: para un laboratorio o un equipo de producto que construye un compañero de voz, Haru-4B es el checkpoint abierto que conviene ajustar con sus propias grabaciones de dos canales; para una línea de atención que debe dar respuestas correctas, es una base para estudiar, no algo para poner al teléfono.

Dónde se gana su sitio

  • Un grupo universitario de investigación del habla

    Estudiar la toma de turnos y el habla solapada en un modelo abierto

    Ejecuta la implementación de PyTorch en una GPU NVIDIA de 12GB y usa la inferencia sin conexión para pasar audio grabado fragmento a fragmento. Pesos, código y arquitectura son abiertos; un informe técnico más completo y el código de entrenamiento están prometidos pero aún no han salido.

  • Una start-up que crea un compañero de voz para practicar idiomas

    Dar a los alumnos un interlocutor que reaccione a mitad de frase en lugar de esperar

    Escribe una ficha de personaje por tutor y aporta un clip de voz con licencia. Cuenta con ajustarlo antes del lanzamiento, porque el modelo base no sigue instrucciones; sirve el tráfico de producción con el plugin de vLLM-Omni.

  • Un desarrollador de Mac que prototipa una app de voz en el dispositivo

    Probar voz duplex de baja latencia sin factura en la nube

    Compila la app nativa Haru.app desde la implementación MLX con `./build_app.sh` y usa auriculares con cable; la empresa indica unos 65ms de latencia en un M1 Max.

Antes de decidirte

Puesta en marcha
`git clone https://github.com/higurashi-ai/Haru`, `pip install -e ./haru`, luego `python -m haru.server --hf-repo higurashi-ai/Haru-4B` y abre localhost:8998; tienes que subir tu propio clip de voz, porque no incluye ninguno.
Integraciones
PyTorch con un cliente web en React, MLX y una app nativa de macOS en Swift, un plugin de servicio para vLLM-Omni y un comando `haru-inference` sin conexión; kernels de códec en Triton para GPU NVIDIA.
Datos y privacidad
Funciona por completo en tu hardware salvo que uses `--share`, que hace pasar el audio por los servidores de Gradio hacia cualquiera que tenga el enlace. Se entrenó con voz real limpiada con la restauración Sidon y separada en dos canales con el modelo FastDialogueSidon de la empresa; las fuentes no se detallan.
Coste a escala
Sin coste de licencia. Una conversación cabe en una GPU NVIDIA de 12GB; para muchas llamadas simultáneas, la vía de vLLM-Omni apunta a GPU de centro de datos, donde una B300 completa un paso en unos 15ms. La concurrencia por GPU no está publicada.
Límites
Audio de 24kHz de entrada y salida, un fragmento de 133ms cada vez; voz de referencia de 3 segundos a 3 minutos de un solo hablante; sin benchmarks ni seguimiento de instrucciones, y el navegador solo permite el micrófono en localhost o HTTPS.

Lo bueno

  • Escucha y habla a la vez, con asentimientos e interrupciones
  • Unos 65ms de latencia de extremo a extremo en un MacBook M1 Max, según la empresa
  • Apache 2.0 tanto para los pesos como para el código
  • Nueve idiomas principales a partir de 40 millones de horas de voz real
  • Implementaciones en PyTorch, MLX y vLLM-Omni incluidas

Lo malo

  • Sin benchmarks publicados ni comparaciones con otros modelos duplex
  • Modelo base: poco fiable en datos y no sigue instrucciones
  • Clona una voz a partir de un clip de 3 segundos sin marca de agua mencionada
  • El audio Bluetooth añade 100ms o más, por lo que se aconsejan auriculares con cable

Ideal para

Investigadores de voz y equipos de producto de voz que quieren un modelo base full-duplex abierto para ajustarlo a conversaciones naturales y con interrupciones.

Alternativas a Haru-4B

Haru-4B: preguntas frecuentes

¿Merece la pena Haru-4B?
Haru-4B es un comienzo abierto y ambicioso en la voz full-duplex con latencia de portátil, pero es un modelo base de investigación que clona voces y no publica puntuaciones. Le damos un 3.6 sobre 5.
¿Cuánto cuesta Haru-4B?
Pesos y código gratuitos bajo Apache 2.0. Para alojarlo hace falta una GPU NVIDIA con unos 12GB de memoria o un Mac con Apple silicon; no hay API alojada.
¿Qué inconvenientes tiene Haru-4B?
Sin benchmarks publicados ni comparaciones con otros modelos duplex; modelo base: poco fiable en datos y no sigue instrucciones; clona una voz a partir de un clip de 3 segundos sin marca de agua mencionada; el audio Bluetooth añade 100ms o más, por lo que se aconsejan auriculares con cable.
¿Para quién es Haru-4B?
Investigadores de voz y equipos de producto de voz que quieren un modelo base full-duplex abierto para ajustarlo a conversaciones naturales y con interrupciones.
¿Cuánto cuesta Haru-4B para un equipo o en producción?
Sin coste de licencia. Una conversación cabe en una GPU NVIDIA de 12GB; para muchas llamadas simultáneas, la vía de vLLM-Omni apunta a GPU de centro de datos, donde una B300 completa un paso en unos 15ms. La concurrencia por GPU no está publicada.
¿Es Haru-4B seguro para los datos de la empresa?
Funciona por completo en tu hardware salvo que uses `--share`, que hace pasar el audio por los servidores de Gradio hacia cualquiera que tenga el enlace. Se entrenó con voz real limpiada con la restauración Sidon y separada en dos canales con el modelo FastDialogueSidon de la empresa; las fuentes no se detallan.
¿Cuáles son las mejores alternativas a Haru-4B?
Las alternativas más cercanas que hemos analizado son MiniCPM-o 4.5, GPT-Live-1 (and GPT-Realtime-2.1) y Sesame CSM-1B.

Respuestas comprobadas el 21 nov 2026.