开源全双工语音模型 Haru 4B:可边听边说,Apache 2.0 权重仅约 12GB 显存

thisguyknowsai · x · 2026-11-17

higurashi 团队发布端到端全双工语音对话模型 Haru 4B,开源权重采用 Apache 2.0 协议,在约 12GB 显存的 NVIDIA GPU 上即可运行。与传统 ASR→LLM→TTS 级联方案不同,它直接处理音频流,每 133 毫秒输出一帧音频与文本,听与说互不等待,支持附和、打断、重叠对话与自然笑声等拟人交互。用文本卡片设定角色、参考音频片段克隆音色,支持英、西、葡、德、法、中、日、俄、韩九种语言。官方说明这是研究用的预训练基座模型:能自然对话,但事实准确性不高、不遵循助手式指令,且可模仿参考音色,需注意声音版权。

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →