Des Japonais ont ouvert Haru-4B, une IA vocale qui écoute pendant qu'elle parle : 12 Go de VRAM requis
Un assistant vocal classique fonctionne comme un talkie-walkie : il attend que vous vous taisiez, puis répond. La start-up japonaise higurashi AI a ouvert Haru-4B, un modèle qui vous écoute pendant qu'il parle, ponctue ses phrases de « mmh » et peut parler en chevauchement. Une carte Nvidia de 12 Go de mémoire, comme sur un GPU gaming ordinaire, lui suffit. Sur un MacBook M1 Max, la latence est de 65,2 ms. Il devient possible de faire tourner un bot vocal en local, sans cloud.
Traité par IA depuis X: @TeksEdge ; édité par Hamidun News
Presque tous les assistants vocaux fonctionnent comme un talkie-walkie : vous parlez, il attend le silence, puis il répond. On ne peut pas l'interrompre, et il n'insère pas les « ouais » ou « d'accord » habituels au milieu de votre phrase. La conversation ressemble donc à un échange de messages vocaux.
La start-up japonaise higurashi AI a ouvert Haru-4B, un modèle qui vous écoute au moment même où il parle. Pour le faire tourner, une carte Nvidia d'environ 12 Go de VRAM suffit : c'est le niveau d'une carte gaming ordinaire, pas celui d'un accélérateur serveur coûteux. Selon un message publié sur X, le modèle a rapidement pris la première place des tendances de Hugging Face, toutes catégories confondues.
Si vous développez un produit vocal, c'est un moyen de tester un dialogue naturel sur votre propre matériel, sans API cloud.
Que signifie « écouter pendant qu'on parle »
Le terme technique pour ce mode est full-duplex. Une conversation téléphonique fonctionne de la même façon : les deux interlocuteurs peuvent parler et entendre en même temps. Haru-4B n'attend pas que vous ayez fini votre phrase. Le modèle traite en continu le son entrant et décide quoi faire : continuer à parler, s'arrêter, glisser un court « mmh » ou prendre la parole par-dessus son interlocuteur.
Les développeurs mettent en avant trois capacités : la parole en chevauchement, les confirmations conversationnelles (« oui, oui », « compris ») et la prise en charge de neuf langues principales. Imaginez un centre d'appels ou un coach linguistique. Un opérateur humain acquiesce à vos paroles et ne reste pas muet pendant que vous exposez votre problème. Pour un bot vocal classique, c'est quasiment hors d'atteinte, car il attend la fin de la réplique.
Le modèle repose sur le LLM Qwen3.5-4B, auquel des composants audio ont été ajoutés. Selon les auteurs, l'entraînement a porté sur plus de 40 millions d'heures de parole réelle. Parmi elles, plus de 13 millions d'heures sont des dialogues où les interlocuteurs parlent simultanément. Les données vocales couvrent plus de 160 langues. Le modèle sait aussi s'adapter à des personnages et à des voix : il suffit de lui fournir un échantillon audio.
Chiffres et matériel
L'aspect le plus concret de cette publication, ce sont les exigences matérielles. Une carte Nvidia a besoin d'environ 12 Go de VRAM. Le checkpoint (le fichier de poids) au format BF16 pèse environ 10,5 Go. Pour le serving sur GPU, les auteurs proposent vLLM-Omni. Les utilisateurs de Mac disposent d'une implémentation native sous MLX, avec des kernels Metal dédiés.
Sur un MacBook équipé d'une puce Apple M1 Max, les développeurs annoncent une latence médiane de traitement de 65,2 ms. Le modèle reçoit une nouvelle trame audio toutes les 133 ms. En clair : traiter un segment de son prend environ deux fois moins de temps que la durée du segment lui-même. D'après ces données, le modèle parvient donc à tourner en temps réel sur un ordinateur portable. Réserve importante : tous ces chiffres proviennent des déclarations des auteurs et sont relayés tels quels dans le post. L'article ne cite aucune mesure indépendante.
La licence mérite une mention à part. Apache 2.0 couvre à la fois les poids et le code d'inférence. Concrètement, on peut intégrer le modèle dans un produit commercial sans négocier avec son propriétaire et sans payer pour chaque requête à l'API d'un tiers.
Que faire de ce modèle, et où sont les pièges ?
Pour les développeurs d'interfaces vocales, c'est l'occasion de tester l'approche sans contrat cloud. Les applications d'apprentissage des langues, les PNJ de jeux vidéo, les assistants embarqués dans les voitures ou les enceintes connectées s'y prêtent, là où la confidentialité compte et où la voix ne doit pas partir vers un serveur tiers. Pour un product manager, un autre point pèse : le naturel de la conversation détermine souvent si les utilisateurs adopteront ou non la fonction vocale.
Les limites sont également claires. Il s'agit d'un modèle de 4 milliards de paramètres, et sa qualité de raisonnement ne devrait guère rivaliser avec celle des grands systèmes cloud. Le message sur X ne donne aucune information sur la façon dont Haru gère les questions complexes, le bruit de fond ou la présence de plusieurs locuteurs.
Prendre en charge neuf langues principales et s'entraîner sur des données couvrant 160 langues, ce n'est pas la même chose : la qualité sur les langues peu courantes devra être vérifiée séparément. La capacité à interrompre et à parler en chevauchement peut agacer si elle est mal réglée. Autre risque : le clonage de voix à partir d'un échantillon audio.
Un produit devra prévoir des règles de consentement et des protections contre les contrefaçons.
La marche à suivre est simple : télécharger le checkpoint, le faire tourner sur vos propres scénarios et le comparer à l'enchaînement habituel « reconnaissance vocale – LLM – synthèse vocale ». Si la fluidité du dialogue compte pour votre produit et que vous disposez déjà d'une carte de 12 Go, le test vous prendra une soirée.
- 20 nov. 2026Nvidia a investi 58,1 milliards de dollars dans d'autres entreprises en neuf mois, soit 12 fois plus qu'un an plus tôt
- 20 nov. 2026Quatre heures sur une RTX 5090 coûtent 348 ₽, et à partir de 1 730 ₽ avec un minimum facturé à la journée
- 20 nov. 2026Nvidia serait proche de racheter Inception pour 500 millions de dollars afin de s'offrir des LLM de diffusion
- 20 nov. 2026Nvidia abandonne le H200 en Chine, et les nouvelles règles américaines menacent jusqu'à $44–62 milliards de revenus
Questions clés sur cet article
Que faire de ce modèle, et où sont les pièges ?
Pour les développeurs d'interfaces vocales, c'est l'occasion de tester l'approche sans contrat cloud. Les applications d'apprentissage des langues, les PNJ de jeux vidéo, les assistants embarqués dans les voitures ou les enceintes connectées s'y prêtent, là où la confidentialité compte et où la voix ne doit pas partir vers un serveur tiers. Pour un product manager, un autre point pèse : le naturel de la conversation détermine souvent si les utilisateurs adopteront ou non la fonction vocale.
Que sait-on sur Que signifie « écouter pendant qu'on parle » ?
Le terme technique pour ce mode est full-duplex. Une conversation téléphonique fonctionne de la même façon : les deux interlocuteurs peuvent parler et entendre en même temps. Haru-4B n'attend pas que vous ayez fini votre phrase. Le modèle traite en continu le son entrant et décide quoi faire : continuer à parler, s'arrêter, glisser un court « mmh » ou prendre la parole par-dessus son interlocuteur.
Que sait-on sur Chiffres et matériel ?
L'aspect le plus concret de cette publication, ce sont les exigences matérielles. Une carte Nvidia a besoin d'environ 12 Go de VRAM. Le checkpoint (le fichier de poids) au format BF16 pèse environ 10,5 Go. Pour le serving sur GPU, les auteurs proposent vLLM-Omni. Les utilisateurs de Mac disposent d'une implémentation native sous MLX, avec des kernels Metal dédiés. Sur un MacBook équipé d'une puce Apple M1 Max, les développeurs annoncent une latence médiane de traitement de 65,2 ms.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.