日本的株式会社 higurashi 公開了可以邊聽邊說的全雙工（Full-Duplex）語音對話模型「Haru 4B」。經過預訓練、具備 4B（40 億）參數的基礎模型權重已在 Hugging Face 釋出，推論程式碼則放在 GitHub，兩者皆依 Apache License 2.0 免費公開。日本科技媒體 PC Watch 於 11 月 13 日報導了這則消息。
直接處理語音，能回應附和與插話
Haru 4B 的特色在於，它的設計目標是像人與人交談一樣「邊聽邊說」。過去多數語音對話系統採用串接（cascade）架構：先以語音辨識把聲音轉成文字，再由大型語言模型（LLM）產生回覆，最後用語音合成念出來，各步驟依序進行。這種方式要等對方說完才開始處理，因此很難適時附和，或在說話途中被打斷時做出反應。
根據 higurashi 官方網頁的說明，Haru 4B 不再把流程拆成這些階段，而是直接處理語音的端對端（End-to-End）模型，連「何時、如何回應」也一併學習。它把使用者的語音、模型自身的語音與文字這 3 條串流放在同一條時間軸上，約每 133 毫秒（7.5Hz）整合一次，交由單一語言模型處理。官方表示，這讓模型能以低延遲回應附和與插話。
以 Qwen3.5-4B 為基礎，支援 9 種語言
根據 Hugging Face 上的模型卡，文字部分以 Qwen3.5-4B 為骨幹，語音編碼則採用以連續數值表示聲音的 VibeVoice 聲學 tokenizer。語音的輸入與輸出採用 24kHz。
支援的語言共 9 種：日語、英語、中文、韓語、西班牙語、葡萄牙語、德語、法語與俄語。使用者也能用文字指定角色設定，或從參考音訊片段設定聲音。
可在自己的 GPU 或 Mac 上執行
GitHub 上公開的推論程式碼包含以 PyTorch 撰寫的實作、可在網頁瀏覽器中試用的展示，以及離線推論功能。執行環境需要記憶體約 12GB 的 NVIDIA GPU。此外也提供可在搭載 Apple silicon 的 Mac 上以 MLX 執行的實作、macOS App 的建置步驟，以及供推論伺服器 vLLM-Omni 使用的外掛程式。
程式碼與模型權重皆採用 Apache License 2.0 授權，包含商業用途在內都能廣泛使用。
屬於研究用基礎模型，使用時需留意
這次公開的是供研究使用的預訓練基礎模型。模型卡說明，它雖然能自然地對話，但並不是可靠的事實資訊來源，也不會像助理那樣遵循指示。higurashi 官方網頁同樣指出，4B 屬於有限的模型規模，提醒使用者在智慧程度上不要抱持過高期待。
此外，由於模型能模仿參考音訊中的聲音，模型卡要求使用者只使用自己有權使用的聲音。未經同意擅用他人聲音，可能衍生侵權或冒名的問題。
higurashi 表示，今後也將投入更大規模模型的開發。官方網頁並宣布，配合模型公開，預計於 11 月 26 日在日本東京本鄉三丁目一帶舉辦交流活動。
筆者觀點
能以語音自然交談的 AI 是各家業者積極投入的領域，但全雙工語音對話模型連同權重與推論程式碼，以如此寬鬆的授權公開的例子仍不多見。它支援包含日語在內的多種語言，個人也能在負擔得起的 GPU 或 Mac 上試用，對研究人員與開發者而言，可望成為驗證構想的立足點。另一方面，若只是基礎模型，回應品質仍有其極限，要整合進實際服務，勢必還需要額外訓練與安全面的對策。
總結
株式会社 higurashi 以 Apache License 2.0 公開了可以邊聽邊說的全雙工語音對話模型「Haru 4B」的權重與推論程式碼。它直接處理語音，約每 133 毫秒整合 3 條串流，藉此以低延遲回應附和與插話。由於這是研究用基礎模型，在事實正確性與聲音的使用上都需要特別留意。
