Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Haru-4B

Um modelo base de 4B com licença Apache que ouve e fala ao mesmo tempo, com 65ms de latência num MacBook e ainda sem pontuações de benchmark.

Análise de ReviewRamble editors · Atualizado

Visitar Haru-4B Código aberto

Compartilhe esta página:XLinkedInFacebookRedditWhatsAppE-mail

Nossa nota

3.6/5

Haru-4B é um começo aberto e ambicioso em voz full-duplex com latência de notebook, mas é um modelo base de pesquisa que clona vozes e não publica pontuações.

O que é Haru-4B?

Haru-4B é um modelo de voz para voz full-duplex da higurashi, uma start-up japonesa de IA de voz, lançado em 12 de novembro de 2026 sob Apache 2.0. Full duplex significa que ele ouve e fala ao mesmo tempo, como as pessoas fazem numa ligação, em vez de esperar você terminar sua vez. A cada 133 milissegundos ele recebe um quadro do seu áudio e produz um quadro do próprio áudio e de texto; os três fluxos são somados numa única posição de um modelo de linguagem baseado no Qwen3.5-4B. A fala é representada por latentes contínuos de 64 dimensões em vez de tokens de áudio discretos, e uma pequena cabeça MLP gera cada um em um único passo de amostragem.

Ele foi pré-treinado com mais de 40 milhões de horas de fala real em mais de 160 idiomas, com nove principais (inglês, espanhol, português, alemão, francês, chinês, japonês, russo e coreano), incluindo mais de 13 milhões de horas de conversas separadas entre duas pessoas com até 60 minutos. Uma ficha de personagem em texto define a persona e um clipe de 3 segundos a 3 minutos define a voz. É lançado como modelo base pré-treinado para pesquisa, não como assistente.

Haru-4B vale a pena?

Haru-4B é uma tentativa aberta e séria de resolver a parte mais difícil da IA de voz, falar por cima e em volta de uma pessoa como as pessoas fazem, e o lançamento traz a arquitetura e os números de latência, mas nenhuma pontuação de qualidade. O post técnico da higurashi descreve interjeições de escuta, interrupções e falas sobrepostas aprendidas de gravações reais, e excluiu de propósito do treino diálogos escritos por LLM e áudio de síntese de voz. Ele não publica tabelas de benchmark contra Moshi, MiniCPM-o ou qualquer outro modelo duplex, então a qualidade da conversa depende das demos.

A engenharia é o ponto mais forte. Num MacBook M1 Max, o app nativo em Swift mede cerca de 65 milissegundos de ponta a ponta com pesos int8, dos quais um passo do modelo leva 34,2ms; a taxa de 7,5Hz pode somar até 133ms. Numa NVIDIA B300, codificar e decodificar o áudio e um passo do modelo de linguagem levam cerca de 15ms, e o plugin do vLLM-Omni atende muitas conversas ao mesmo tempo. Rodar a 7,5 passos por segundo com latentes contínuos é o que deixa um modelo de 4B rápido o bastante para isso num notebook.

A escala do pré-treino é incomum para um lançamento aberto: 40 milhões de horas de fala, treinadas em 256 GPUs NVIDIA B200 por cerca de 8 dias, com apoio da AWS e do programa japonês GENIAC. O interesse veio rápido, com 842 curtidas no Hugging Face e 716 estrelas no GitHub em poucos dias.

O porém: é um modelo base. A ficha diz que ele mantém uma conversa natural, mas não é fonte confiável de fatos e não segue instruções como um assistente, e a empresa admite que a base pequena limita a qualidade das respostas. Ele clona qualquer voz a partir de um clipe de 3 segundos sem menção a marca d'água, deixando o consentimento por conta do usuário, e a opção `--share` da demo abre um link público que faz o áudio passar pelos servidores do Gradio.

Nossa opinião: para um laboratório ou equipe de produto que cria um companheiro de voz, Haru-4B é o checkpoint aberto para ajustar com as próprias gravações de dois canais; para uma central de atendimento que precisa dar respostas corretas, é uma base para estudar, não algo para pôr no telefone.

Onde ele se destaca

  • Um grupo universitário de pesquisa em fala

    Estudar a troca de turnos e a fala sobreposta num modelo aberto

    Rode a implementação em PyTorch numa GPU NVIDIA de 12GB e use a inferência offline para alimentar áudio gravado quadro a quadro. Pesos, código e arquitetura são abertos; um relatório técnico mais completo e o código de treino foram prometidos, mas ainda não saíram.

  • Uma start-up criando um companheiro de voz para praticar idiomas

    Dar aos alunos um parceiro que reage no meio da frase em vez de esperar

    Escreva uma ficha de personagem por tutor e forneça um clipe de voz licenciado. Conte com ajuste fino antes do lançamento, já que o modelo base não segue instruções; sirva o tráfego de produção pelo plugin do vLLM-Omni.

  • Um desenvolvedor de Mac prototipando um app de voz no dispositivo

    Testar fala duplex de baixa latência sem conta de nuvem

    Compile o app nativo Haru.app a partir da implementação MLX com `./build_app.sh` e use fones com fio; a empresa informa cerca de 65ms de latência num M1 Max.

Antes de decidir

Configuração
`git clone https://github.com/higurashi-ai/Haru`, `pip install -e ./haru`, depois `python -m haru.server --hf-repo higurashi-ai/Haru-4B` e abra localhost:8998; você precisa enviar seu próprio clipe de voz, pois nenhum vem incluído.
Integrações
PyTorch com cliente web em React, MLX e um app nativo de macOS em Swift, um plugin de serviço para vLLM-Omni e um comando offline `haru-inference`; kernels de codec em Triton para GPUs NVIDIA.
Dados e privacidade
Roda inteiramente no seu hardware, a menos que você use `--share`, que faz o áudio passar pelos servidores de compartilhamento do Gradio para qualquer pessoa com o link. Treinado com fala real limpa pela restauração Sidon e separada em dois canais pelo modelo FastDialogueSidon da empresa; as fontes não são detalhadas.
Custo em escala
Sem custo de licença. Uma conversa cabe numa GPU NVIDIA de 12GB; para muitas chamadas simultâneas, o caminho do vLLM-Omni mira GPUs de data center, onde uma B300 executa um passo completo em cerca de 15ms. A concorrência por GPU não é publicada.
Limites
Áudio de 24kHz na entrada e na saída, um quadro de 133ms por vez; voz de referência de 3 segundos a 3 minutos de um único falante; sem benchmarks nem seguimento de instruções, e o navegador só libera o microfone em localhost ou HTTPS.

O que é bom

  • Ouve e fala ao mesmo tempo, com interjeições e interrupções
  • Cerca de 65ms de latência de ponta a ponta num MacBook M1 Max, segundo a empresa
  • Apache 2.0 tanto para os pesos quanto para o código
  • Nove idiomas principais a partir de 40 milhões de horas de fala real
  • Implementações em PyTorch, MLX e vLLM-Omni incluídas

O que não é

  • Sem benchmarks publicados nem comparações com outros modelos duplex
  • Modelo base: pouco confiável em fatos e não segue instruções
  • Clona uma voz a partir de um clipe de 3 segundos sem marca d'água mencionada
  • Áudio Bluetooth soma 100ms ou mais, por isso fones com fio são recomendados

Ideal para

Pesquisadores de fala e equipes de produtos de voz que querem um modelo base full-duplex aberto para ajustar a conversas naturais e interrompíveis.

Alternativas ao Haru-4B

Haru-4B: perguntas frequentes

Haru-4B vale a pena?
Haru-4B é um começo aberto e ambicioso em voz full-duplex com latência de notebook, mas é um modelo base de pesquisa que clona vozes e não publica pontuações. Damos nota 3.6 de 5.
Quanto custa Haru-4B?
Pesos e código gratuitos sob Apache 2.0. A auto-hospedagem exige uma GPU NVIDIA com cerca de 12GB de memória ou um Mac com Apple silicon; não há API hospedada.
Quais são as desvantagens de Haru-4B?
Sem benchmarks publicados nem comparações com outros modelos duplex; modelo base: pouco confiável em fatos e não segue instruções; clona uma voz a partir de um clipe de 3 segundos sem marca d'água mencionada; áudio Bluetooth soma 100ms ou mais, por isso fones com fio são recomendados.
Para quem Haru-4B é indicado?
Pesquisadores de fala e equipes de produtos de voz que querem um modelo base full-duplex aberto para ajustar a conversas naturais e interrompíveis.
Quanto custa Haru-4B para uma equipe ou em produção?
Sem custo de licença. Uma conversa cabe numa GPU NVIDIA de 12GB; para muitas chamadas simultâneas, o caminho do vLLM-Omni mira GPUs de data center, onde uma B300 executa um passo completo em cerca de 15ms. A concorrência por GPU não é publicada.
Haru-4B é seguro para dados da empresa?
Roda inteiramente no seu hardware, a menos que você use `--share`, que faz o áudio passar pelos servidores de compartilhamento do Gradio para qualquer pessoa com o link. Treinado com fala real limpa pela restauração Sidon e separada em dois canais pelo modelo FastDialogueSidon da empresa; as fontes não são detalhadas.
Quais são as melhores alternativas ao Haru-4B?
As alternativas mais próximas que analisamos são MiniCPM-o 4.5, GPT-Live-1 (and GPT-Realtime-2.1) e Sesame CSM-1B.

Respostas verificadas em 21 de nov. de 2026.