开源全双工语音模型 Haru-4B:同时听与说、延迟约 0.1 秒、支持 9 种语言
alex_verem · x · 2026-11-20
开源语音模型 Haru-4B 冲上 Hugging Face 周榜第一,被称为「开源免费的 ChatGPT 语音模式」:
- 原生全双工:以 7.5 Hz 频率工作,每 133ms 同时输入一帧用户音频、输出一帧模型音频与文本,听与说互不等待,可随时被打断
- 音频以 64 维 latent 表示,MLP 头 + MeanFlow 单步采样生成,无独立音频 transformer、无离散音频 token
- 支持 9 种语言(英西葡德法中日俄韩),文本卡设定角色、短样本克隆音色
- 提供 MLX、vLLM 等三种推理实现和 web demo,可跑在本地 Mac 上,Apache-2.0 开源
所属事件:日本团队开源全双工语音模型 Haru-4B(3 条相关)→
「多模态」频道最新
- Stripe 驻场开发者用 GPT 6.2 Astra 用 JavaScript 画全班好友,效果惊艳 — gabrielchua · 2026-11-22
- Fable 5.2 搭配 WebGL 被称可「创造任何东西」 — hewarsaber · 2026-11-22
- Suno 加 SLOPCANNON 打造电影感 UFO 传说 MV《Don't Look Down》 — DarkroomSignal · 2026-11-22
- 摄影师用 AI 生成虚拟数字缪斯,打造逼真时尚杂志封面 — alexcovo_eth · 2026-11-22
- AI 玩法:把 Google Maps 任意地点变成电影感航拍图 — aziz4ai · 2026-11-22
- 开源世界模型 PAN 2 实测:物理质感媲美 GTA6 级驾驶场景 — LinusEkenstam · 2026-11-22