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.
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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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