NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

higurashi、聞きながら話す全二重音声AI「Haru-4B」を公開──9言語対応、重みと推論コードをApache 2.0で

日本のhigurashi株式会社は2026年11月12日、ユーザーの音声を聞きながら自分の音声を生成できる全二重(full-duplex)の音声対話モデル「Haru 4B」を公開した。Hugging Faceで重みをApache 2.0ライセンスで、GitHubでPyTorch・MLX・vLLM-Omni向けの推論コードを公開している。ユーザー音声、モデル音声、テキストの3ストリームを7.5Hz(133ms間隔)で同期し、単一の言語モデル位置で処理する方式で、日本語・英語など9言語に対応する。公開は事前学習済みのベースモデルで、指示追従を調整した完成品の対話アシスタントではない。133msはフレーム間隔であり、応答までの実測遅延を示す値ではない。

higurashi株式会社は、AIとの会話を「人間らしいもの」にするにはfull-duplex技術が十分に取り組まれてこなかったとして、研究と開発を広げるためHaru 4Bをオープンソースとして公開した。重みはHugging Faceのhigurashi-ai/Haru-4Bにsafetensors形式で置かれ、作成日は2026年11月12日、ライセンスはApache 2.0だ。推論コードはGitHubのhigurashi-ai/Haruにあり、公式サイトには日本語と英語の会話デモ4本と、050番号でHaruと話せる電話デモが用意されている。

「Haru 4Bは、聞くことと話すことを同時に行える、エンドツーエンドの全二重音声対話モデルです。」

Haru 4B is an end-to-end full-duplex speech dialogue model capable of listening and speaking simultaneously.

higurashi公式サイト「Haru 4B」(2026-11-18確認)

カスケード型との違い──「いつ、どう応じるか」も学習

音声認識、LLM、音声合成を順に処理するカスケード型には、段階をまたぐ遅延に加え、文字起こしに表れない抑揚、感情、話者の特徴といった情報を活かせない課題があると公式サイトは説明する。Haru 4Bは音声を直接扱い、「何を答えるか」だけでなく、相槌や割り込みを含む「いつ、どう応じるか」も学ぶ。公開された会話デモでは、ユーザーの相槌がモデルの発話に重なっても話を続ける様子や、冗談に笑う、話題の深刻さに合わせて口調を変えるといった振る舞いが紹介されている。

図解カスケード型とHaru 4Bの処理方式(公式サイトの説明)
  • カスケード型

    処理の流れ
    音声認識→LLM→音声合成を順に処理
    音声情報の扱い
    テキスト化で抑揚・感情・話者特徴が落ちやすい
    学習する応答
    何を答えるか
  • Haru 4B

    処理の流れ
    3ストリームを同期し単一の言語モデルで処理
    音声情報の扱い
    音声を直接扱う
    学習する応答
    何を答えるか+いつ・どう応じるか(相槌・割り込み含む)

higurashi公式サイトの図1・図2の説明(2026-11-18確認)から作成。カスケード型の課題は公式サイトの記載であり、一般論としての評価ではない。

アーキテクチャ──133msごとに3ストリームを1つの位置で統合

Haruはユーザー音声、モデル音声、テキストの3ストリームを同じ時間軸上で処理する。7.5Hz、つまり約133msごとにユーザーの音声1フレームを取り込み、自分の音声とテキストの1フレームを生成し、3ストリームの情報を単一の言語モデルの1つの位置に合算する。聞くことと話すことが互いを待たないのはこの構造のためだ。音声は連続潜在で表現され、音声コーデックにはVibeVoice(ICLR 2026)のcausal音声トークナイザーを採用し、24kHzの音声と3200サンプルにつき1つの潜在を相互に変換する。

生成ヘッドは小さなMLPで、言語モデルの隠れ状態から1フレーム分の64次元の音声潜在をMeanFlowサンプリングで1ステップ生成する。独立した音声トランスフォーマーも離散的な音声トークンも使わない。設定ファイルでは、言語モデル部分に32層・隠れ次元2560のqwen3_5_text系の構成、フレームレート7.5、潜在次元64、生成ステップ数1が確認できる。

図解1フレーム(133ms)の処理(公式サイト・GitHub README・config.jsonの記載)
  1. 01 入力

    3ストリーム

    ユーザー音声、モデル音声、テキストを7.5Hzで同期して扱う

  2. 02 統合

    単一のLM位置

    3ストリームの情報を言語モデルの1つの位置に合算し、聞くことと話すことを並行に進める

  3. 03 音声生成

    64次元潜在・1ステップ

    隠れ状態からMLPヘッドがMeanFlowサンプリングで1フレーム分の音声潜在を生成

  4. 04 出力

    音声+テキスト

    モデル音声とテキストを同時に出し、次の133msでユーザー音声を再び取り込む

GitHub README、公式サイト、config.json(frame_rate 7.5、latent_dim 64、head num_steps 1)(2026-11-18確認)から作成。133msはフレーム間隔であり、end-to-endの応答遅延の実測値ではない。

9言語対応と動かし方

対応言語は英語、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言語だ。キャラカードをシステム側のテキストとして与えて性格を決め、話し手1人のきれいな音声3秒から3分の参照クリップで声を指定する。推論実装は3種類あり、haru/がPyTorch実装とWebデモサーバー、haru_mlx/がAppleシリコン向けのMLX実装とmacOSネイティブアプリ、haru_vllm/がvLLM-Omniで動かすプラグインで、3つとも同じチェックポイントを読む。NVIDIA GPUではメモリ約12GBで動くとREADMEは説明する。

公開されたのは事前学習後のベースモデルで、会話デモは代表例であり一般性能の定量的証拠ではない。133msはフレーム間隔であって応答遅延の実測値ではない。参照音声は使う権利のある声に限るよう公式が注意を促す。会社自身も「4Bは限られたモデルサイズで、GPT-2程度の知性を想定してほしい」と電話デモの説明で断っており、遅延や割り込み処理の成功単位での第三者評価は、今回確認した範囲ではまだ出ていない。

出典

  1. higurashi公式サイト「Haru 4B」日本語版(2026-11-18本文確認)アーキテクチャ、カスケード型との比較、デモ、電話デモ、公開方針の記載
  2. higurashi公式サイト「Haru 4B」英語版(2026-11-18本文確認)日本語版との内容一致を確認
  3. Hugging Face モデルカード higurashi-ai/Haru-4B(2026-11-18確認)作成2026-11-12、最終更新2026-11-13、ライセンスApache 2.0、safetensors形式の重み
  4. Hugging Face API・config.json(2026-11-18取得)frame_rate 7.5、latent_dim 64、生成ステップ数1、言語モデル部の層数と次元を確認
  5. GitHub higurashi-ai/Haru(README、2026-11-18確認)PyTorch・MLX・vLLM-Omniの3実装、9言語、12GB GPU、キャラカードと参照音声の使い方

出典の確認日 2026.11.18

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む