应用介绍
大多数语音助手还是对讲机式的:你说完它才开始想,它说话时你插不上嘴,一插嘴就乱套。Haru-4B 是一个 全双工语音对话基础模型,听和说同时进行,像打电话一样:你说话时它会「嗯」一声接话,被打断了会停下来,该轮到它时自然接上。
它每 133 毫秒吃进一帧你的声音、同时吐出一帧自己的声音和文字,三路信号叠在语言模型的同一个位置上,听和说互不等待。官方给的数据是在 MacBook 上端到端延迟约 65 毫秒。训练用的是 4000 万小时真实对话录音,而不是 LLM 或 TTS 合成的轮流对话,所以附和、抢话、换轮这些习惯是从真人那里学来的。支持英、西、葡、德、法、中、日、俄、韩九种语言,Apache 2.0 开源,权重在 Hugging Face 上。注意它是预训练基础模型,适合拿来微调和研究,不是开箱即用的成品助手。
原生全双工:以 7.5 Hz 的节奏同时处理输入和输出语音,不需要先检测你说完再回复。
一步生成连续音频:每帧音频是一个 64 维连续向量,由一个小 MLP 头用 MeanFlow 一步采样出来,没有单独的音频 Transformer,也没有离散音频 token。
角色和音色控制:用一张文字角色卡设定人设,再给一段 3 秒到 3 分钟的参考录音设定音色。仓库不附带任何声音,要自己上传或录制。
三套推理实现:PyTorch 版大约需要 12 GB 显存的 NVIDIA 显卡;MLX 版跑在 Apple 芯片上,还能编译成原生 macOS 应用;另有 vLLM-Omni 插件用于部署服务。
网页演示:一条命令起本地服务,浏览器打开就能选角色、配声音、直接开口聊;加
Python 接口:加载模型、准备参考音色、开一个双工会话,几行代码就能嵌进自己的程序。
ThinkSmart View 刷 Linux:闲置屏变 AI 语音助手
退役的联想 ThinkSmart View 刷上 Linux,就能当接 Claude、DeepSeek 的语音助手用。本文讲三个开源仓库各管什么、怎么刷,还有刷之前必须先备份的 eMMC。
它每 133 毫秒吃进一帧你的声音、同时吐出一帧自己的声音和文字,三路信号叠在语言模型的同一个位置上,听和说互不等待。官方给的数据是在 MacBook 上端到端延迟约 65 毫秒。训练用的是 4000 万小时真实对话录音,而不是 LLM 或 TTS 合成的轮流对话,所以附和、抢话、换轮这些习惯是从真人那里学来的。支持英、西、葡、德、法、中、日、俄、韩九种语言,Apache 2.0 开源,权重在 Hugging Face 上。注意它是预训练基础模型,适合拿来微调和研究,不是开箱即用的成品助手。
软件功能
原生全双工:以 7.5 Hz 的节奏同时处理输入和输出语音,不需要先检测你说完再回复。
一步生成连续音频:每帧音频是一个 64 维连续向量,由一个小 MLP 头用 MeanFlow 一步采样出来,没有单独的音频 Transformer,也没有离散音频 token。
角色和音色控制:用一张文字角色卡设定人设,再给一段 3 秒到 3 分钟的参考录音设定音色。仓库不附带任何声音,要自己上传或录制。
三套推理实现:PyTorch 版大约需要 12 GB 显存的 NVIDIA 显卡;MLX 版跑在 Apple 芯片上,还能编译成原生 macOS 应用;另有 vLLM-Omni 插件用于部署服务。
网页演示:一条命令起本地服务,浏览器打开就能选角色、配声音、直接开口聊;加
--share 会生成一个公网 HTTPS 链接给别人试。Python 接口:加载模型、准备参考音色、开一个双工会话,几行代码就能嵌进自己的程序。
相关文章
ThinkSmart View 刷 Linux:闲置屏变 AI 语音助手退役的联想 ThinkSmart View 刷上 Linux,就能当接 Claude、DeepSeek 的语音助手用。本文讲三个开源仓库各管什么、怎么刷,还有刷之前必须先备份的 eMMC。

