AIスタートアップのhigurashi株式会社は2026年11月13日、音声を聞きながら同時に話せる「全二重(full-duplex)」の音声対話基盤モデル「Haru-4B」を公開した。音声を入力として受け取り、音声で応答するspeech-to-speechのモデルで、日本語を含む9言語を主要言語として学習している。モデルの重みはHugging Face、コードはGitHubで公開され、いずれもApache License 2.0で利用できる。
相づちや割り込みを含む会話を1つのモデルで処理する
従来の音声アシスタントの多くは、利用者が話し終えるのを待ってから応答を返すターン制の仕組みを取ってきた。Haru-4Bはこれと異なり、利用者の音声を聞く処理と、自分の音声を出す処理を同時に進める。同社は目標として、エージェントやアシスタントを操作する感覚ではなく、人と話しているような感覚でAIと対話できることを掲げている。
モデルは133ミリ秒ごとに入力音声と出力音声を同時に処理する。内部では、利用者の音声、モデルの音声、モデルのテキストという3つの流れを足し合わせ、1つの言語モデルで扱う構成を採った。同社の説明では、3つを交互に並べる方式と比べてコンテキストの長さを3分の1に抑えられるという。音声は7.5Hzの連続的な潜在表現で表し、離散的なコードブックは使っていない。
Qwen3.5-4Bを土台に4,000万時間超の音声で学習
言語モデルの土台には、Alibaba Cloudが公開しているQwen3.5-4Bを使った。多言語に強い新しいLLMを選んだと同社は説明している。
事前学習には、160以上の言語にわたる4,000万時間以上の音声を用いた。主要言語は英語、スペイン語、ポルトガル語、ドイツ語、フランス語、中国語、日本語、ロシア語、韓国語の9つである。LLMや音声合成で作ったターン制の対話データは学習から外したとしている。さらに、話者ごとに分けた全二重の対話データを1,300万時間以上使い、最長60分の会話も学習に含めた。計算資源はNVIDIA B200 GPU 256基で、事前学習に約8日をかけたという。
全二重の学習データを作るため、同社は音声の分離と修復を同時に行うモデル「FastDialogueSidon」も開発し、GitHubで公開した。開発は経済産業省とNEDOによる生成AIの開発支援事業「GENIAC」と、Amazon Web Servicesの支援を受けている。
MacBookでも動き、遅延は約65ミリ秒
同社が示した遅延の値は、Apple M1 Maxを積んだMacBookで約65ミリ秒である。独自のMetalカーネルで最適化したSwift製のアプリを使い、int8の重みで、有線のマイクとヘッドホンをつないで測った。この値は音声の符号化、言語モデルの推論、音声の復号、機器の入出力を含む一方、音声をフレームに区切ることによる遅延は含まない。フレーム化では最大133ミリ秒の遅延が別に加わると同社は明記している。
GPUでの運用にも対応し、vLLM-Omniで動かせる。NVIDIA B300では、音声の符号化・復号と言語モデルの1ステップを合わせて約15ミリ秒だとしている。
手元で試すには約12GBのGPUかApple siliconのMacが要る
GitHubのリポジトリには、PyTorchによる実装とWebのデモ用サーバー、Apple silicon向けのMLX実装とmacOSアプリ、vLLM-Omni用のプラグインが含まれる。モデルカードによると、NVIDIA GPUで動かす場合は約12GBのメモリーが目安となる。Bluetoothの機器は100ミリ秒以上の遅延が加わるため、有線のヘッドホンとマイクを勧めている。
声は同梱されておらず、利用者が3秒から3分の参照音声を用意する仕組みだ。モデルカードは、使う権利のある声だけを使うよう求めている。
注意したいのは、Haru-4Bが研究向けの事前学習済みベースモデルという位置付けである点だ。モデルカードは、事実の情報源としては信頼できず、アシスタントのように指示に従うものではないと明記している。同社自身も、言語モデルの規模が比較的小さいため応答の質には限界があるとし、発話が重なる部分では分離の誤りやノイズが残ることがあると認めている。
小型モデルで「話し方」を磨く方向性
筆者は、Haru-4Bの意義は賢さよりも会話のテンポにあるとみる。4B級の小型モデルをノートPCで動かし、相づちや割り込みを含めて自然にやり取りできるなら、音声AIの体験は大きく変わる。重みとコードがApache License 2.0で出ている点も、日本語の音声対話を研究する側には使いやすい条件となる。
一方で、指示に従う調整はまだ施されておらず、すぐに日常のアシスタントとして使えるものではない。同社は100Bパラメーターを超える、より大きな全二重モデルの事前学習を進めているとしており、詳しい技術報告と学習コードも公開する予定だという。小型版で得た低遅延の仕組みが大型版でどこまで保てるかが、次の焦点になるだろう。
まとめ
higurashiのHaru-4Bは、日本語を含む9言語を主に学習した全二重の音声対話基盤モデルである。MacBookで約65ミリ秒という低い遅延を示し、重みとコードをApache License 2.0で公開した。研究向けのベースモデルで応答の質には限界があるものの、手元のマシンで人と話すような音声AIを試せる材料として注目に値する。
仕様と数値は、higurashiが2026年11月13日に公式の技術ブログで発表した内容と、同社の公開ページに基づく。