株式会社higurashiは、聞きながら同時に話せる全二重（Full-Duplex）の音声対話モデル「Haru 4B」を公開した。事前学習済みの4B（40億）パラメータのベースモデルの重みをHugging Faceで、推論コードをGitHubで、いずれもApache License 2.0のもとで無償公開している。PC Watchが11月13日に報じた。
音声を直接扱い、相槌や割り込みに対応する
Haru 4Bの特徴は、人と話すときのように「聞きながら話す」ことを狙った設計にある。従来の多くの音声対話システムは、音声認識で文字に起こし、大規模言語モデル（LLM）で返答を作り、音声合成で読み上げる、という処理を順番に行うカスケード型だった。この方式では、相手が話し終わるのを待ってから処理が始まるため、相槌を打ったり、話の途中で割り込まれたときに応じたりするのが難しい。
higurashiの公式ページによると、Haru 4Bはこうした段階を分けず、音声を直接扱うEnd-to-Endのモデルで、「いつ、どう応じるか」も学習するという。ユーザーの音声、モデル自身の音声、テキストの3つのストリームを同じ時間軸で扱い、約133ミリ秒（7.5Hz）ごとに統合して1つの言語モデルで処理する。これにより、相槌や割り込みに低い遅延で対応できるとしている。
Qwen3.5-4Bを土台に、9言語に対応
Hugging Faceのモデルカードによると、テキスト部分の土台にはQwen3.5-4Bを使い、音声の符号化には連続値で音声を表すVibeVoiceの音響トークナイザーを採用した。音声の入出力は24kHzで扱う。
対応言語は日本語、英語、中国語、韓国語、スペイン語、ポルトガル語、ドイツ語、フランス語、ロシア語の9言語。テキストでキャラクターを指定したり、参考となる音声クリップから声を設定したりすることもできる。
手元のGPUやMacで動かせる
GitHubで公開された推論コードには、PyTorchによる実装とWebブラウザーで試せるデモ、オフライン推論の仕組みが含まれる。必要な環境は、メモリーが約12GBのNVIDIA製GPU。このほか、Apple silicon搭載Mac向けにMLXで動く実装とmacOSアプリのビルド手順、推論サーバーのvLLM-Omniで使うためのプラグインも用意されている。
ライセンスはコード、モデルの重みともApache License 2.0で、商用を含めて幅広く利用できる。
研究用のベースモデルで、使い方には注意が要る
今回公開されたのは、あくまで研究向けの事前学習済みベースモデルだ。モデルカードは、自然な会話はできるものの、事実を答える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わけでもないと説明している。higurashiの公式ページも、4Bという限られたモデルサイズであることを挙げ、知性の面では過度な期待をしないよう呼びかけている。
また、参考音声の声をまねられる機能があるため、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。他人の声を無断で使うことは、権利侵害やなりすましにつながりかねない。
higurashiは今後、より大規模なモデルの開発にも取り組むとしている。公式ページでは、モデル公開に合わせた交流イベントを11月26日に東京・本郷三丁目周辺で開く予定も案内している。
筆者の見立て
音声で自然にやりとりできるAIは各社が力を入れている分野だが、全二重で動く音声対話モデルの重みと推論コードが、自由度の高いライセンスで公開される例はまだ多くない。日本語を含む多言語に対応し、個人でも手の届くGPUやMacで試せる点は、研究者や開発者にとって検証の足がかりになりそうだ。一方で、ベースモデルのままでは受け答えの質に限界があり、実際のサービスに組み込むには追加の学習や安全面の対策が欠かせないだろう。
まとめ
株式会社higurashiは、聞きながら話せる全二重の音声対話モデル「Haru 4B」の重みと推論コードを、Apache License 2.0で公開した。音声を直接扱い、約133ミリ秒ごとに3つのストリームを統合することで、相槌や割り込みに低遅延で対応する。研究用のベースモデルであり、事実の正確さや声の扱いには注意が必要だ。
