本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

Haru-4B

聞きながら同時に話す、Apacheライセンスの4Bベースモデル。MacBookでの遅延は65msですが、ベンチマークのスコアはまだありません。

レビュー: ReviewRamble editors · 更新

Haru-4Bを見る オープンソース

このページを共有:XLinkedInFacebookRedditWhatsAppメール

当サイトの評価

3.6/5

Haru-4Bはノートパソコン級の遅延を実現した全二重音声の意欲的なオープンな第一歩ですが、声を複製でき、スコアを公表していない研究用ベースモデルです。

Haru-4Bとは?

Haru-4Bは、日本の音声AIスタートアップhigurashiによる全二重(full-duplex)の音声対音声モデルで、2026年11月12日にApache 2.0で公開されました。全二重とは、相手の発話が終わるのを待たず、電話で人がするように聞きながら同時に話すことです。133ミリ秒ごとにユーザーの音声を1フレーム受け取り、自分の音声とテキストを1フレーム生成します。3つのストリームはQwen3.5-4Bを基にした言語モデルの同じ位置で足し合わされます。音声は離散的な音声トークンではなく64次元の連続潜在表現で表され、小さなMLPヘッドが1回のサンプリングでそれぞれを生成します。

160以上の言語、4,000万時間超の実音声で事前学習されており、主要言語は英語、スペイン語、ポルトガル語、ドイツ語、フランス語、中国語、日本語、ロシア語、韓国語の9つです。うち1,300万時間超は、最長60分の会話を2話者に分離したデータです。テキストのキャラクターカードで人格を、3秒から3分のクリップで声を指定します。アシスタントではなく、研究用の事前学習済みベースモデルとして公開されています。

Haru-4Bは使う価値があるか?

Haru-4Bは、人と同じように相手にかぶせたり合わせたりして話すという音声AIで最も難しい部分に挑む本格的なオープンの試みです。公開内容にはアーキテクチャと遅延の数値はありますが、品質のスコアはありません。higurashiの技術記事は、相づち、割り込み、発話の重なりを実際の録音から学習したと説明し、LLMが書いた対話や音声合成の音声を学習から意図的に除外しています。Moshi、MiniCPM-oなど他の全二重モデルとのベンチマーク表はなく、会話の質はデモ頼みです。

最も優れているのはエンジニアリングです。M1 MaxのMacBookでは、ネイティブのSwiftアプリがint8の重みでエンドツーエンド約65ミリ秒を記録し、そのうちモデルの1ステップは34.2msです。7.5Hzのフレームレートにより、さらに最大133msが加わることがあります。NVIDIA B300では音声のエンコードとデコード、言語モデルの1ステップで約15msで、vLLM-Omniプラグインは多数の会話を同時に処理します。連続潜在表現を使い毎秒7.5ステップで動くことが、4Bモデルをノートパソコンでこれに足る速さにしています。

事前学習の規模はオープンな公開としては異例です。4,000万時間の音声を256基のNVIDIA B200 GPUで約8日かけて学習し、AWSと日本のGENIACプログラムの支援を受けています。関心の高まりも早く、数日でHugging Faceのいいねは842、GitHubのスターは716に達しました。

注意点:これはベースモデルです。モデルカードによれば自然な会話はできるものの、事実の情報源としては信頼できず、アシスタントのように指示には従いません。同社も小さな基盤モデルが応答の質を制限していると認めています。3秒のクリップからどんな声でも複製でき、透かしについての記載はなく、同意の確認は利用者任せです。またデモの`--share`オプションは、音声をGradioのサーバー経由で流す公開リンクを開きます。

結論:音声コンパニオンを作る研究室や製品チームにとって、Haru-4Bは自前の2チャンネル録音で微調整するためのオープンなチェックポイントです。正しい回答が求められるサポート窓口にとっては研究の土台であって、電話口に出すものではありません。

真価を発揮する場面

  • 大学の音声研究グループ

    オープンなモデルで話者交替と発話の重なりを研究する

    12GBのNVIDIA GPU 1枚でPyTorch実装を動かし、オフライン推論で録音済みの音声をフレームごとに入力します。重み、コード、アーキテクチャは公開済みで、詳しい技術レポートと学習コードは予告されているもののまだ出ていません。

  • 語学練習用の音声コンパニオンを作るスタートアップ

    相手の話が終わるのを待たず、文の途中で反応する練習相手を学習者に提供する

    講師ごとにキャラクターカードを書き、権利のある声のクリップを用意します。ベースモデルは指示に従わないため公開前の微調整が前提で、本番のトラフィックはvLLM-Omniプラグインで処理します。

  • 端末内で動く音声アプリを試作するMac開発者

    クラウド費用なしで低遅延の全二重音声を試す

    MLX実装から`./build_app.sh`でネイティブのHaru.appをビルドし、有線ヘッドホンを使います。同社はM1 Maxで約65msの遅延を報告しています。

導入前に確認すること

導入
`git clone https://github.com/higurashi-ai/Haru`、`pip install -e ./haru`の後、`python -m haru.server --hf-repo higurashi-ai/Haru-4B`を実行してlocalhost:8998を開きます。声のクリップは同梱されていないため、自分で用意してアップロードする必要があります。
連携
ReactのWebクライアント付きPyTorch実装、MLXとSwiftによるネイティブmacOSアプリ、vLLM-Omniの配信プラグイン、オフラインの`haru-inference`コマンド。NVIDIA GPU向けにTritonのコーデックカーネル。
データとプライバシー
`--share`を使わない限りすべて自分のハードウェアで動きます。`--share`を使うと、リンクを持つ誰にでもGradioの共有サーバー経由で音声が流れます。学習には、Sidonの音声修復で整え、同社のFastDialogueSidonモデルで2チャンネルに分離した実音声を使っており、出典の内訳は公表されていません。
大規模利用時のコスト
ライセンス料はかかりません。1件の会話は12GBのNVIDIA GPUに収まります。多数の同時通話にはvLLM-Omniの経路がデータセンター向けGPUを想定しており、B300では1ステップ全体が約15msです。GPUあたりの同時接続数は公表されていません。
制限
入出力は24kHzの音声で、1回に133msの1フレーム。参照音声は1話者の3秒から3分。ベンチマークはなく指示にも従わず、ブラウザはlocalhostかHTTPSでしかマイクを許可しません。

良い点

  • 相づちや割り込みを含め、聞きながら同時に話す
  • 同社によればM1 MaxのMacBookでエンドツーエンド約65msの遅延
  • 重みもコードもApache 2.0
  • 4,000万時間の実音声に基づく9つの主要言語
  • PyTorch、MLX、vLLM-Omniの実装がそろって提供

気になる点

  • ベンチマークも他の全二重モデルとの比較も未公表
  • ベースモデルのため事実面で信頼できず、指示に従わない
  • 3秒のクリップで声を複製でき、透かしの記載がない
  • Bluetoothの音声は100ms以上遅れるため、有線ヘッドセットが推奨

おすすめの人

自然で割り込み可能な会話に向けて微調整できるオープンな全二重ベースモデルを求める音声研究者や音声製品チーム。

Haru-4Bの代替

Haru-4B:よくある質問

Haru-4Bは使う価値があるか?
Haru-4Bはノートパソコン級の遅延を実現した全二重音声の意欲的なオープンな第一歩ですが、声を複製でき、スコアを公表していない研究用ベースモデルです。 評価は5点満点中3.6点です。
Haru-4Bの料金は?
重みとコードはApache 2.0で無料。セルフホストにはメモリ約12GBのNVIDIA GPUかApple silicon搭載Macが必要で、ホスト型APIはありません。
Haru-4Bの欠点は?
ベンチマークも他の全二重モデルとの比較も未公表; ベースモデルのため事実面で信頼できず、指示に従わない; 3秒のクリップで声を複製でき、透かしの記載がない; Bluetoothの音声は100ms以上遅れるため、有線ヘッドセットが推奨.
Haru-4Bは誰に向いているか?
自然で割り込み可能な会話に向けて微調整できるオープンな全二重ベースモデルを求める音声研究者や音声製品チーム。
チームや本番環境でHaru-4Bを使うと費用はいくらか?
ライセンス料はかかりません。1件の会話は12GBのNVIDIA GPUに収まります。多数の同時通話にはvLLM-Omniの経路がデータセンター向けGPUを想定しており、B300では1ステップ全体が約15msです。GPUあたりの同時接続数は公表されていません。
Haru-4Bは企業データを扱っても安全か?
`--share`を使わない限りすべて自分のハードウェアで動きます。`--share`を使うと、リンクを持つ誰にでもGradioの共有サーバー経由で音声が流れます。学習には、Sidonの音声修復で整え、同社のFastDialogueSidonモデルで2チャンネルに分離した実音声を使っており、出典の内訳は公表されていません。
Haru-4Bの代わりになるものは?
当サイトでレビューした中で最も近い代替はMiniCPM-o 4.5, GPT-Live-1 (and GPT-Realtime-2.1) 、 Sesame CSM-1Bです。

回答確認日:2026年11月21日