Haru-4B：53亿参数的开源 audio-to-audio 模型已在 HuggingFace 发布

2026年11月12日，模型 higurashi-ai/Haru-4B 在 HuggingFace 上发布，任务为 audio-to-audio。这是一个用于连续对话的基础模型：它边听边说，就像人在电话交谈中一样。每 133 毫秒，模型接收一帧用户音频，并输出一帧自己的音频和文本。模型权重以 safetensors 格式存储，占用 9.8 GB，许可证为 apache-2.0。作者将该模型描述为多语言模型：声称支持英语、西班牙语、葡萄牙语、德语、法语、中文、日语、俄语和韩语。

这意味着什么

Haru-4B 不是 text-to-speech，而是完整的 audio-to-audio 对话，因此在任务上与音频生成器栏目中的工具并不直接重叠。主题上最接近的工具解决的是另一个任务。 Coqui 的 XTTS 是开源的 text-to-speech，但模型权重采用 Coqui Public Model License 1.0.0，仅允许非商业使用。最大的权重文件为 1.7 GB。Haru-4B 的代码和权重均采用 apache-2.0 许可证，条件明显更宽松。 YuE（YuE（乐）） 是音乐生成器，而非语音生成器。权重同样采用 apache-2.0，但最大的文件为 4.6 GB，总计 11.6 GB。作者标明运行需要 24 GB 显存。据作者描述，Haru-4B 在 NVIDIA GPU 上需要约 12 GB 显存。 Fish Speech 是 text-to-speech，权重采用 cc-by-nc-sa-4.0，代码采用 Fish Audio Community License，该许可证将商业使用限制在年营收不超过 500 000 美元。最大的权重文件为 1.2 GB。 Haru-4B 的突出之处在于任务：它不是根据文本合成语音，而是连续对话模型，自行决定何时说、何时听。对于寻找文本配音工具的读者来说，它不能替代 XTTS 或 Fish Speech。对于实时语音交流场景，它属于一个独立的工具类别，指南中此前尚未收录。