Skip to content
Audio

Haru-4B

полнодуплексный голосовой ИИ, который слушает и говорит одновременно

2 min readupdated

Haru-4B от higurashi-ai — это базовая модель для непрерывного голосового диалога в реальном времени с низкой задержкой и поддержкой 9 языков, включая русский. В отличие от обычных голосовых ассистентов, которые ждут окончания фразы пользователя, модель работает в режиме full-duplex (полный дуплекс — одновременный приём и передача речи, как при обычном телефонном звонке). В её основе лежит языковая модель Qwen3.5-4B, дополненная акустическим кодеком VibeVoice и лёгкой головой генерации звука MeanFlow, которая синтезирует речь всего за один шаг без дискретных аудиотокенов. Модель пригодится разработчикам и исследователям голосовых агентов, интерактивных персонажей и диалоговых систем с живой реакцией.

Ключевые особенности

  • Нативный full-duplex на частоте 7.5 Hz: каждые 133 мс модель принимает один фрейм речи пользователя и сразу выдаёт свой фрейм аудио и текста — входной и выходной потоки суммируются в одной позиции языковой модели.
  • Непрерывный звук за 1 шаг: аудио представлено 64-мерным латентом на фрейм, который генерируется 4-слойной MLP-головой с сэмплированием MeanFlow напрямую из скрытого состояния LLM.
  • Настройка голоса и персонажа: характер собеседника задаётся текстовой карточкой в системном промпте, а голос клонируется по короткому референсу длиной от 3 секунд до 3 минут.
  • Мультиязычность: модель работает на русском, английском, испанском, португальском, немецком, французском, китайском, японском и корейском языках.

Что можно сделать

  • Поднять локальный голосовой чат с веб-интерфейсом: запустить встроенный сервер с веб-демо или нативное приложение для macOS на базе MLX для живого общения без облачных API.
  • Создать интерактивного персонажа: описать роль в текстовой карточке и загрузить образец голоса, чтобы получить собеседника, способного перебивать и реагировать по ходу речи.
  • Встроить в собственный сервис: использовать Python API для пошаговой обработки аудиопотока (3200 сэмплов при 24 kHz на вход и выход) или развернуть модель через плагин для vLLM-Omni.

Пример

from haru import DuplexSession, HaruModel
from haru.audio import load_audio, prepare_reference

model = HaruModel.from_pretrained("higurashi-ai/Haru-4B")
voice = prepare_reference(load_audio("voice.wav"))
session = DuplexSession(model, system_prompt=card, reference=voice)

frame = session.start()  # первые 133 мс: frame.audio и frame.text
ПодробнееАрхитектура: Qwen3.5-4B (32 слоя, hidden size 2560) + кодек VibeVoice (24 kHz) + 4-слойная MLP MeanFlow (общий объём весов ~5.27B в bfloat16).
Железо: для запуска на NVIDIA GPU требуется около 12 ГБ VRAM; также доступна реализация на MLX для macOS.
Ограничения: это предобученная базовая исследовательская модель — она поддерживает естественный диалог, но не гарантирует точность фактов и не следует инструкциям как полноценный ассистент. Лицензия Apache 2.0.
Discuss Telegram 258 2.1K

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 9.8 GB · ready files11 GB
  • FP8 / INT8recommendedweights 4.9 GB5.9 GB
  • 4-bitweights 2.8 GB3.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 5070

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # higurashi-ai/Haru-4B
    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 higurashi-ai/Haru-4B --local-dir ~/models/Haru-4B
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to Haru-4B
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of Haru-4B (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 8All on Hugging Face
Fine-tunes 2All on Hugging Face

About the model

higurashi-ai/Haru-4B
Author
higurashi-ai
Category
Audio
Released
Posted

On NeyroLearn

Hugging Face

2.1K258

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments