Haru 4B؛ مدل صوتی اوپنسورس که مستقیم صدا به صدا جواب میده
خلاصهٔ کاملتر
Haru 4B یه مدل speech-to-speech (یعنی مدلی که صدا میگیره و مستقیم صدا تحویل میده، بدون اینکه وسطش به متن تبدیل کنه) از شرکت Higurashi AI هست. ۴ میلیارد پارامتر داره و با لایسنس Apache 2.0 تو مخزن higurashi-ai/Haru-4B روی Hugging Face منتشر شده. یعنی میشه رایگان دانلودش کرد، تغییرش داد و حتی تو محصول تجاری ازش استفاده کرد.
طبق مقاله، بیشتر دستیارهای صوتی مثل Siri تو سه مرحله کار میکنن: یه مدل صدا رو به متن تبدیل میکنه، یه LLM جواب متنی میسازه و یه مدل text-to-speech اونو میخونه. هر مرحله تأخیر اضافه میکنه و چون LLM اصلاً صدای کاربر رو «نمیشنوه»، لحن و مکث و حرفهای روی هم رو از دست میده. Haru 4B این زنجیره رو حذف میکنه و از full-duplex پشتیبانی میکنه، یعنی میتونه همزمان که داره جواب میسازه به حرف طرف مقابل هم گوش بده. نتیجهاش گفتوگویی شبیه تماس تلفنیه، نه بیسیم که یکییکی حرف میزنن.
نویسنده این مدلو با Desa مقایسه میکنه، مدل speech-to-speech یه آزمایشگاه تحقیقاتی داخل Block (شرکت Jack Dorsey) که با گفتوگوهای عجیب و خیلی انسانیاش وایرال شد. Desa فقط با ضبط صدای آدمها و بدون هیچ متن یا LLM آموزش دیده و تو یه کلیپ برای خودش یه زندگی خیالی کامل با یه پسر نوزاد ساخته بود. ولی Desa فقط به شکل کلیپ دمو وجود داره و هیچکس نمیتونه دانلودش کنه. ایدهی Haru 4B مشابهه، با این فرق که وزنهاش عمومیه.
فایلهای مخزن شکل استاندارد یه مدل self-hosted رو دارن: model.safetensors برای وزنها، config.json و فایلهای tokenizer. تگ pipeline روی Hugging Face audio-to-audio هست، پس برای اجرا یه محیط پایتون با کتابخونههای صوتی و transformer لازمه، نه یه اسکریپت سادهی تولید متن. مدل از ۹ زبان پشتیبانی میکنه: انگلیسی، اسپانیایی، پرتغالی، آلمانی، فرانسوی، چینی، ژاپنی، کرهای و روسی. موقع انتشار هم بیشتر از ۱۴۰۰ لایک و ۵۰۰۰ دانلود گرفته بود.
به گفتهی نویسنده، باز بودن مدل یعنی تیمهای کوچیک بدون هزینهی دقیقهای API و بدون وابستگی به قیمتگذاری یه شرکت دیگه، میتونن ابزارهایی مثل بات پشتیبانی، ابزار دسترسپذیری یا اپ یادگیری زبان بسازن و مدلو fine-tune کنن. حجم ۴B هم یعنی احتمالاً روی یه GPU معمولی اجرا میشه، هرچند مقدار دقیق VRAM رو باید از README چک کرد. نویسنده معتقده بدهبستان اصلی پختگیه: Haru تازه منتشر شده و کیفیت واقعیاش بیرون از دموها رو فقط تستهای جامعهی توسعهدهندهها مشخص میکنه، و از نظر طبیعی بودن هنوز مدلهای بسته مثل Desa جلوترن.
نکات کلیدی:
- Haru 4B مدل speech-to-speech با ۴ میلیارد پارامتر از Higurashi AI هست.
- لایسنسش Apache 2.0 هست و استفادهی تجاری و تغییر دادنش آزاده.
- از گفتوگوی full-duplex پشتیبانی میکنه و تگ pipelineش audio-to-audio هست.
- ۹ زبان از جمله انگلیسی، چینی، ژاپنی و روسی رو پشتیبانی میکنه.
- برخلاف Desa از Block که فقط دمو داره، وزنهای Haru 4B روی Hugging Face قابل دانلوده.




