Haru-4B 开源仓库公开:低延迟多语言全双工语音对话模型
alex_verem · x · 2026-11-20
Haru-4B 的 GitHub 推理仓库(higurashi-ai/Haru)公开,Apache-2.0 协议,目前 642 星。Haru 是低延迟、多语言的全双工口语对话模型,像打电话一样同时听与说。
- 原生全双工 7.5 Hz:每 133ms 取一帧用户音频并产出自己的音频与文本帧,三者相加进语言模型同一位置,听与说从不互相等待
- 连续音频一步采样:音频为每帧 64 维 latent,小 MLP 头用 MeanFlow 从语言模型隐状态一步生成,无独立音频 transformer、无离散音频 token
- 角色与音色可控:文本卡设定角色,短参考音频设定音色
- 含三种实现(含 MLX 与 vLLM)与 web demo,模型权重在 Hugging Face
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
- LTX 2.5 在 AMD 9070 XT 上频繁驱动超时,只输出灰色无声视频 — ZestycloseReading504 · 2026-11-22
- 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