メインコンテンツへスキップ
見出し画像

【Haru-4B】050番号に電話して話せる!聞きながら笑う日本発AIが面白すぎる

    音声AIに話しかけるとき、いつも「古いトランシーバー」みたいだと思いませんか? 言い終わるのを待って、数秒の沈黙をはさんでから、ようやくお行儀のいい返事が返ってくる――相づちもなければ、冗談を言った瞬間に被せて笑うこともありません。

    ところが2026年11月第2週、世界中で「聞きながら話す(全二重 / Full-Duplex)」音声AIが一気に噴き出しました。Higgs Realtime Duplex、80ms処理のShizuku-Duplex、商用APIのFish Audio Live 3など、新星が連日登場しています。

    そんな激動の11月13日、東京のスタートアップ higurashi が最高にワクワクする一手を放ちました。

    手元のスマホから050番号に電話するだけで今すぐ日本語で雑談でき、しかもモデルの重みまで Apache 2.0 で無料公開した『Haru-4B』です!


    国家プロジェクト GENIAC 採択&累計約21億円調達を背景に、4,000万時間以上の実音声を NVIDIA B200 256基へ叩き込み、Mac で計算遅延約65msを達成。しかも舞台裏には「アニメAI吹き替え頓挫からの逆転劇」と「正直すぎる現実の課題」も隠れていました。3〜5分でテンポよく解剖します!

    ※筆者自身は050電話デモやHaru-4Bの実機検証は行っていません。公式ブログ・GitHub全コード・海外レビュー・開発者報告をもとに解説します。


    1. 「聞きながら笑う」を4Bで叶えた3つの技術マジック


    日本語で動く公開全二重モデルの先駆者は、7Bの Moshi を約7万時間の日本語(J-CHAT)で追加学習した『J-Moshi』『LLM-jp-Moshi』でした。Haru-4B は約4B(BF16約5B/10.5GB)へスリム化しつつ、骨格を多言語に強い Qwen3.5-4B へ刷新し、学習音声を 4,000万時間以上(570倍超!) へ一気に拡張しています。

    小さなサイズで破綻しない秘密は、次の3点です。

    ・ 7.5Hz(133msごと)の「3ストリーム1か所足し算」:Qwen3.5-4B(32層・隠れ層2,560、4層に3層が高効率な線形注意 Gated DeltaNet)の上で、133msごとに「ユーザーの声」「AIの前の声」「AIの文字」を同じ1か所へ要素加算します。交互に並べるより コンテキスト長が3分の1 に縮み、常に1フレーム先(入力kに対しk+1)を先読みして聞く・話すを同時実行します。
    ・ コードブック廃止 × MeanFlow「1ステップ発声」:重い離散トークン(RVQ)を捨て、VibeVoice 音響トークナイザー(24kHz)で133msの音を64次元の連続ベクトルへ圧縮。軽い4層MLPを MeanFlow で蒸留し、別立ての巨大音響モデルなしに サンプリング1発 で笑い声や息遣いを出します。
    ・ チャンク文字入力 + 発話スイッチ(EOP):文字は固まり(チャンク)で流し、隙間はPADで埋め、話し出す直前フレームだけに終了合図(EOP)を配置。時間差を吸収しつつ、元LLMの言語知能が消える破滅的忘却も抑えています。

    画像


    重みと設計図一式が Apache 2.0 でそのまま並んでいるので、研究者も個人開発者もすぐ中身を覗けます。


    2. 合成会話ゼロ!4,000万時間の生音声と「アニメ吹き替え頓挫」の逆転劇


    Haru-4B が熱いもう一つの理由は、開発元 higurashi株式会社(2026年10月中旬に株式会社DubGuildから社名変更、2024年10月設立)の人間ドラマです。

    大嶽匡俊CEOは東大院CS在学中に創業初期の Sakana AI インターンを経験し、IPA 未踏アドバンスト2024(1,504万円採択)の「アニメAI吹き替え」で起業。しかしアイデア先行で技術の圧倒的優位性を作りきれず 事業は一度頓挫 します。そこから「本物のコア技術を磨く」と決意して Speech-to-Speech 基盤へ全振りしました。


    そのデモに魂を揺さぶられた中高同級生で『AlpacaHack』創設者の岡南直哉氏が「人生をささげたい」と VP of Product に合流し、GENIAC 採択・累計約21億円調達・B200 GPU 256基での約8日間学習へと繋がります。

    彼らが徹底したのは 「LLMが書いたセリフもTTS合成音声も1秒も入れない」 主義です。

    ・ 160+言語・4,000万時間の実音声:日・英・中・韓・西・葡・独・仏・露の主要9言語を中心に、人間だけの言いよどみや割り込みをそのまま学習。
    ・ 裏方エンジン『FastDialogueSidon』が1,300万時間(最長60分)を錬成:現実の通話録音はほとんどが1本のモノラル音声です。同社は雑音修復 Sidon 向け高速カーネル Sidon-Triton に続き、モノラル通話から「2人分の24kHzトラック」を抜き出す FastDialogueSidon(1.73GB・Apache 2.0) まで公開しました。旧30ステップ版より 86〜107倍速・H100で実時間約4,700倍速(120秒会話が25.3ms!) で動き、音質指標NISQAは軽量デコーダゆえ旧版にわずかに譲るものの文字起こし精度(p-CER)は同等以上。これにより最長60分の全二重対話データを一挙に作り上げています。


    「AIの作り話を一切学習させない」ためなら、前処理の分離エンジンごと内製して無償公開してしまう――その執念がこのモデルの生々しさを生んでいます。


    3. 正直なリアル検証:Mac 65msの条件と「3つの現実的な壁」


    では業務ボットを今すぐ Haru-4B に置き換えられるかというと、公式仕様や外部検証を見る限り 明確に「まだ研究用ベース」 という現在地が見えてきます。

    画像

    ◆ 試す・組み込む前に知っておきたい3つの現実

    ・ 1. 「Macで65ms」の測り方と有線必須:M1 Max Mac(Metal独自カーネル・int8・有線ヘッドホン)の中央値 65.2±1.5ms(入力5.3+推論34.2+渡4.1+待13.3+出力8.1)には、7.5Hzで音を区切る最大133msのフレーム化遅延が別枠で加わります。さらにmacOSアプリ初期状態はBF16起動のため設定で int8 切替が必要で、Bluetooth機器は+100ms以上遅れるため有線推奨です(B300のvLLM-Omni環境では1ステップ約15ms)。
    ・ 2. 賢い秘書ではなく「相づち特化の基盤モデル」:品質ベンチマーク数値は未公開で、モデルカード自身が「正確な事実の情報源にならず、アシスタントの指示にも従わない」と明記しています。明示的なツール呼び出し(Web検索や予約実行等)も非対応で、コード上の内部フック _force_text があるのみ。検索付きの Shizuku-Duplex や商用 Fish Audio Live 3 とは用途が別物です。
    ・ 3. 電話・コミュニティ実測で出た今の粗さ:GIGAZINE の実電話レビューで「詰まる場面はあるがかなり自然」と評された一方、Reddit 開発者からは 「ハマると驚くほど人間らしいが、約20%の試行で挨拶を連呼する暴走が起きる」「58秒音声再現や1分超のキャラ維持にブレ」「分離学習ゆえ発話が重なる部分へノイズが残る」 とシビアな声も出ています。

    ただし同社自身もこの弱点を正面から認めており、すでに 実2チャンネル録音による追加学習、100B(1,000億)パラメータ超の大型モデル事前学習、リアルタイム映像も見て話せるオムニモーダル化 へ走り出しています!


    4. 今日から試せる3ルート(050電話・12GB GPU・Mac)


    かつて手元PCで重いローカルLLM(Strata+Qwen系)を回し続けてSSDを発熱故障させて以来、私は「重労働はクラウドに任せ、手元は軽量ツールだけ」と決めています。だからこそ 電話1本か4B(12GB VRAM / Mac int8)で軽く触れる Haru-4B の親切さ は最高です!

    ◆ ルート1:インストールゼロの「050電話デモ」

    ・ 日本語(男性音声):050-5444-3154
    ・ 日本語(女性音声):050-5444-3155

    ※通話料は発信者負担。AIが話している途中でわざと「ちょっと待って!」と割り込んで反応を試すのがおすすめです。

    ◆ ルート2:NVIDIA GPU(VRAM約12GB)でWebデモ&Python起動

    初期音声は同梱されていないため、権利を持つ単一話者の音声(3秒〜3分)を用意し、マイク権限が通る localhost ポート 8998 を開きます。オプションの Triton カーネルを有効にすると1フレーム音声変換が約6msから約0.7msへ縮みます。

    git clone https://github.com/higurashi-ai/Haru && cd Haru
    pip install -e ./haru
    python -m haru.server --hf-repo higurashi-ai/Haru-4B --codec-backend triton

    Pythonからは DuplexSession で24kHz・3,200サンプルごとのループが数行で書けます。

    from haru import DuplexSession, HaruModel
    from haru.audio import load_audio, prepare_reference
    
    model = HaruModel.from_pretrained("higurashi-ai/Haru-4B")
    voice = prepare_reference(load_audio("voice.wav"))
    session = DuplexSession(model, system_prompt=card, reference=voice)
    frame = session.start()
    while not frame.done:
        frame = session.step(user_audio)

    ◆ ルート3:Mac(MLX+Swiftアプリ)& 9言語キャラ設定

    Apple Silicon向け haru_mlx と純正 Swift アプリ(16GBメモリ推奨・起動後 int8 切替)、サーバー用 vLLM-Omni プラグイン、9言語キャラクターカード雛形(相づち頻度設定つき)まで一式が公開されています。


    「賢いAIにタスクを命じる」のではなく、「思わず明日も雑談したくなる、人間みたいな間合いの相棒をゼロから作る」――日本発の熱量が詰まった Apache 2.0 基盤、まずは050番の受話器ごしに新しい相づちを体感してみてください!

     
     
    こんにちは、みのまこです🍄 普段はチームでロボットを制作し、主にROS 2を触っています。 趣味はAI・Unity・Blender・Webサイト制作など 新しいものや技術が大好きですぐに試したりしてます。

    あなたへのおすすめ