站内导读

中文

定位 Haru-4B 是 higurashi-ai 发布的低延迟多语言全双工语音对话基础模型,像打电话一样边听边说,每 133 毫秒处理一帧,支持中英日韩等 9 种语言,面向研究用途发布,通话体验接近真人对话。 核心能力

  • 原生全双工:每 133 毫秒同时处理用户语音并生成回复
  • 连续音频单步采样,无需离散音频 token 与独立音频变换器
  • 文本人设卡定角色,3 秒到 3 分钟参考音频克隆音色
  • 覆盖英、西、葡、德、法、中、日、俄、韩九种语言

适用人群 做实时语音助手、电话客服或语音智能体的研究者与开发者,以及想在本地 GPU 上跑低延迟语音对话实验的团队。 注意 这是预训练基础模型,不保证事实准确,也不擅长遵循指令;自带语音需自行提供,且只能使用有合法授权的声音;低延迟建议用有线耳机与麦克风。

相关项目 · HuggingFace

查看全部「HuggingFace」项目 →