К содержимому
Аудио

Haru-4B

полнодуплексный голосовой ИИ, который слушает и говорит одновременно

2 мин чтенияобновлено

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.
Обсудить Telegram 258 2,1 тыс.

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 9.8 GB · готовые файлы11 GB
  • FP8 / INT8рекомендуемвеса 4.9 GB5.9 GB
  • 4-bitвеса 2.8 GB3.5 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 2060 · BF16 — от RTX 5070

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.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Haru-4B
  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.

  • 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 (2)
    • 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.
  • 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

Новые посты про версии Haru-4B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 8Все на Hugging Face
Дообучения 2Все на Hugging Face

О модели

higurashi-ai/Haru-4B
Автор
higurashi-ai
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

2,1 тыс.258

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

SOV-Transcribe-1

SOV-Transcribe-1