Una startup japonesa libera Haru-4B, una IA de voz que escucha mientras habla y funciona con 12 GB de VRAM
Un asistente de voz convencional funciona como un walkie-talkie: espera a que usted termine de hablar y solo entonces responde. La startup japonesa higurashi AI ha liberado Haru-4B, un modelo que lo escucha incluso mientras él mismo habla, intercala «ajá» y puede hablar solapándose con su interlocutor. Le basta una GPU de Nvidia con 12 GB de memoria, como la de un PC gaming común, y en un MacBook con M1 Max la latencia es de 65.2 ms. Ahora es posible ejecutar un bot de voz en local, sin nube.
Procesado por IA desde X: @TeksEdge; editado por Hamidun News
Casi cualquier asistente de voz funciona como un walkie-talkie: usted habla, él espera a que haya silencio y después responde. No se le puede interrumpir, y tampoco intercala los habituales «aja» o «entiendo» en mitad de su frase, así que la conversación se parece a un intercambio de mensajes de voz. La startup japonesa higurashi AI ha liberado Haru-4B, un modelo que le escucha en el mismo momento en que está hablando.
Para ejecutarlo basta una GPU de Nvidia con unos 12 GB de VRAM: el nivel de una tarjeta gaming normal, no de un costoso acelerador de servidor. Según un mensaje en X, el modelo llegó rápidamente al primer puesto de las tendencias de Hugging Face entre todas las categorías. Si desarrolla un producto de voz, es una forma de probar el diálogo en vivo en su propio hardware, sin una API en la nube.
Qué significa «escucha mientras habla»
El término técnico para este modo es full-duplex, o dúplex completo. Una llamada telefónica funciona igual: ambos participantes pueden hablar y oír a la vez. Haru-4B no espera a que usted termine la frase. El modelo procesa de forma continua el sonido entrante y decide qué hacer: seguir hablando, detenerse, insertar un breve «ajá» o empezar a hablar por encima de su interlocutor.
Los desarrolladores destacan tres capacidades: el habla solapada, las confirmaciones conversacionales («sí, sí», «entendido») y el funcionamiento en nueve idiomas principales. Piense en un call center o en un profesor de idiomas. Un operador humano asiente a sus palabras y no se queda callado mientras usted explica el problema. Para un bot de voz clásico esto es casi inalcanzable, porque espera al final de la intervención.
Por debajo hay un modelo de lenguaje, Qwen3.5-4B, al que se han añadido componentes de audio. Según los autores, el entrenamiento se hizo con más de 40 millones de horas de habla real. De ellas, más de 13 millones son diálogos en los que los interlocutores hablan al mismo tiempo. Los datos de voz cubren más de 160 idiomas. El modelo también puede adaptarse a personajes y voces: basta con proporcionarle una muestra de audio.
Cifras y hardware
Lo más práctico de este lanzamiento son los requisitos de hardware. Para una GPU de Nvidia hacen falta unos 12 GB de VRAM. El checkpoint (el archivo con los pesos) en formato BF16 pesa alrededor de 10.5 GB. Para servirlo en GPU se propone vLLM-Omni. Los usuarios de Mac cuentan con una implementación nativa sobre MLX con kernels propios de Metal.
En un MacBook con chip Apple M1 Max, los desarrolladores informan de una latencia mediana de procesamiento de 65.2 ms. El modelo recibe un nuevo fotograma de audio cada 133 ms. En palabras simples: procesar un fragmento de sonido lleva aproximadamente la mitad del tiempo que dura el propio fragmento. Por eso, según estos datos, el modelo logra funcionar en tiempo real en un portátil. Una salvedad importante: todas las cifras proceden de declaraciones de los autores y se recogen tal cual en la publicación. En el material no hay mediciones independientes.
La licencia merece mención aparte. Apache 2.0 cubre tanto los pesos como el código de inferencia. Eso significa que el modelo puede integrarse en un producto comercial sin negociar con el propietario y sin pagar por cada consulta a una API ajena.
Qué hacer con esto y dónde están las trampas
Para quienes desarrollan interfaces de voz, es una oportunidad de probar el enfoque sin contratos con proveedores de nube. Encajan aplicaciones para aprender idiomas, NPC de videojuegos, asistentes en el coche o altavoces inteligentes, donde importa la privacidad y la voz no debe viajar a un servidor ajeno. Para quien gestiona el producto hay otro punto relevante: la naturalidad de la conversación suele decidir si la gente llegará a usar la función de voz.
Las limitaciones también están claras. Es un modelo de 4 mil millones de parámetros y, en calidad de razonamiento, difícilmente igualará a los grandes sistemas en la nube. El mensaje en X no aporta datos sobre cómo se desenvuelve Haru con preguntas complejas, ruido de fondo o varios hablantes. Admitir nueve idiomas principales y entrenarse con datos de 160 idiomas no es lo mismo: la calidad en idiomas poco frecuentes habrá que comprobarla por separado. La capacidad de interrumpir y hablar solapándose puede resultar molesta si se configura mal. Otro riesgo es la clonación de voz a partir de una muestra de audio: el producto necesitará reglas de consentimiento y protección contra falsificaciones.
El paso práctico es sencillo: descargar el checkpoint, probarlo con sus propios escenarios y compararlo con la cadena habitual de «reconocimiento de voz, modelo de lenguaje y síntesis». Si la viveza del diálogo es importante para su producto y ya tiene una GPU de 12 GB, la prueba le llevará una tarde.
- 20 nov 2026Nvidia invirtió $58,1 mil millones en otras empresas en nueve meses: 12 veces más que hace un año
- 20 nov 2026Cuatro horas en una RTX 5090 cuestan 348 ₽, y desde 1 730 ₽ si el mínimo es de un día
- 20 nov 2026Nvidia, cerca de comprar Inception por $500 millones para impulsar los LLM de difusión
- 20 nov 2026Nvidia abandona las ventas de H200 en China y las nuevas reglas de EE. UU. amenazan con recortar sus ingresos entre $44 y 62 mil millones
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué significa «escucha mientras habla»?
El término técnico para este modo es full-duplex, o dúplex completo. Una llamada telefónica funciona igual: ambos participantes pueden hablar y oír a la vez. Haru-4B no espera a que usted termine la frase. El modelo procesa de forma continua el sonido entrante y decide qué hacer: seguir hablando, detenerse, insertar un breve «ajá» o empezar a hablar por encima de su interlocutor.
¿Qué se sabe sobre Cifras y hardware?
Lo más práctico de este lanzamiento son los requisitos de hardware. Para una GPU de Nvidia hacen falta unos 12 GB de VRAM. El checkpoint (el archivo con los pesos) en formato BF16 pesa alrededor de 10.5 GB. Para servirlo en GPU se propone vLLM-Omni. Los usuarios de Mac cuentan con una implementación nativa sobre MLX con kernels propios de Metal. En un MacBook con chip Apple M1 Max, los desarrolladores informan de una latencia mediana de procesamiento de 65.2 ms.
¿Qué se sabe sobre Qué hacer con esto y dónde están las trampas?
Para quienes desarrollan interfaces de voz, es una oportunidad de probar el enfoque sin contratos con proveedores de nube. Encajan aplicaciones para aprender idiomas, NPC de videojuegos, asistentes en el coche o altavoces inteligentes, donde importa la privacidad y la voz no debe viajar a un servidor ajeno. Para quien gestiona el producto hay otro punto relevante: la naturalidad de la conversación suele decidir si la gente llegará a usar la función de voz. Las limitaciones también están claras.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.