Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarX: @TeksEdge→ original

Startup japonesa abre o Haru-4B, IA de voz que escuta enquanto fala e roda com 12 GB de VRAM

O assistente de voz comum funciona como um walkie-talkie: espera você se calar e só então responde. A startup japonesa higurashi AI abriu o código do Haru-4B, modelo que escuta você enquanto ele mesmo fala, encaixa um "aham" e pode falar por cima da outra pessoa. Basta uma placa de vídeo Nvidia com 12 GB de memória, como as de PCs gamer comuns, e em um MacBook com M1 Max a latência é de 65,2 ms. Agora é possível rodar um bot de voz localmente, sem nuvem.

Processado por IA de X: @TeksEdge; editado por Hamidun News
Startup japonesa abre o Haru-4B, IA de voz que escuta enquanto fala e roda com 12 GB de VRAM
Fonte: X: @TeksEdge. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalX: @TeksEdge ↗
Editor-chefe
Dado-chave #1Licença Apache 2.0, tanto para os pesos quanto para o código de execução
BaseQwen3.5-4B; treinamento com mais de 40 milhões de horas de fala
Dado-chave #3Nove idiomas principais e vozes próprias a partir de uma amostra de áudio

Quase todo assistente de voz funciona como um walkie-talkie: você fala, ele espera o silêncio e só depois responde. Não dá para interrompê-lo, e ele não encaixa os costumeiros "aham" e "entendi" no meio da sua frase. Por isso, a conversa lembra uma troca de mensagens de áudio.

A startup japonesa higurashi AI abriu o código do Haru-4B, modelo que escuta você no momento em que está falando. Para rodá-lo, basta uma placa de vídeo Nvidia com cerca de 12 GB de VRAM, o nível de uma placa gamer comum, e não de um acelerador de servidor caro. Segundo uma publicação no X, o modelo rapidamente ocupou o primeiro lugar nas tendências do Hugging Face entre todas as categorias.

Se você desenvolve um produto de voz, essa é uma forma de testar diálogo em tempo real no próprio hardware, sem API na nuvem.

O que significa "escutar enquanto fala"

O termo técnico para esse modo é full-duplex. Uma ligação telefônica funciona do mesmo jeito: os dois participantes podem falar e ouvir ao mesmo tempo. O Haru-4B não espera você terminar a frase. O modelo processa continuamente o áudio de entrada e decide o que fazer: continuar falando, parar, inserir um breve "aham" ou começar a falar por cima do interlocutor.

Os desenvolvedores destacam três habilidades: fala sobreposta, confirmações de conversa ("sim, sim", "entendi") e suporte a nove idiomas principais. Pense em um call center ou em um professor de idiomas. Um atendente de verdade acena em resposta às suas palavras e não fica mudo enquanto você explica o problema. Para um bot de voz clássico, isso é quase inalcançável, porque ele espera o fim da fala.

Por baixo dos panos está o modelo de linguagem Qwen3.5-4B, ao qual foram adicionados componentes de áudio. Segundo os autores, o treinamento usou mais de 40 milhões de horas de fala real. Desse total, mais de 13 milhões de horas são diálogos em que os interlocutores falam ao mesmo tempo. Os dados de fala abrangem mais de 160 idiomas. O modelo também sabe se adaptar a personagens e vozes: basta fornecer uma amostra de áudio.

Números e hardware

O ponto mais prático do lançamento são os requisitos de hardware. Para uma placa Nvidia, são necessários cerca de 12 GB de VRAM. O checkpoint (arquivo com os pesos) em formato BF16 pesa cerca de 10,5 GB. Para servir o modelo em GPU, os autores sugerem o vLLM-Omni. Quem usa Mac ganhou uma implementação nativa em MLX, com kernels próprios em Metal.

Em um MacBook com chip Apple M1 Max, os desenvolvedores informam uma latência mediana de processamento de 65,2 ms. O modelo recebe um novo quadro de áudio a cada 133 ms. Em termos simples: processar um trecho de som leva cerca de metade do tempo que o próprio trecho dura. Por isso, a julgar por esses dados, o modelo consegue operar em tempo real no notebook. Uma ressalva importante: todos os números vêm de declarações dos autores e foram repassados na publicação. Não há medições independentes no material.

A licença merece destaque à parte. A Apache 2.0 vale tanto para os pesos quanto para o código de inferência. Isso significa que o modelo pode ser incorporado a um produto comercial, sem negociar com o proprietário e sem pagar por cada requisição a uma API de terceiros.

O que fazer com isso e onde estão as armadilhas

Para quem desenvolve interfaces de voz, é a chance de testar a abordagem sem contratos de nuvem. Servem apps de prática de idiomas, NPCs de jogos, assistentes de carro ou alto-falantes inteligentes, onde a privacidade importa e a voz não deve ir para o servidor de terceiros. Para quem cuida do produto, há outro ponto: a naturalidade da conversa muitas vezes decide se as pessoas vão usar o recurso de voz.

As limitações também são claras. É um modelo de 4 bilhões de parâmetros e, em qualidade de raciocínio, dificilmente se compara a grandes sistemas em nuvem. A publicação no X não traz dados sobre como o Haru lida com perguntas complexas, ruído de fundo ou vários falantes. Suporte a nove idiomas principais e treinamento com dados de 160 idiomas não são a mesma coisa: a qualidade em idiomas menos comuns terá de ser verificada separadamente. A capacidade de interromper e falar por cima pode irritar se for mal configurada. Outro risco é a clonagem de voz a partir de uma amostra de áudio: o produto vai precisar de regras de consentimento e de proteção contra falsificações.

O passo prático é simples: baixar o checkpoint, rodar nos seus cenários e comparar com a combinação habitual de "reconhecimento de fala, modelo de linguagem e síntese". Se a fluidez do diálogo importa para o seu produto e você já tem uma placa de vídeo de 12 GB, o teste leva uma noite.

História

Perguntas frequentes sobre a notícia

O que significa "escutar enquanto fala"?

O termo técnico para esse modo é full-duplex. Uma ligação telefônica funciona do mesmo jeito: os dois participantes podem falar e ouvir ao mesmo tempo. O Haru-4B não espera você terminar a frase. O modelo processa continuamente o áudio de entrada e decide o que fazer: continuar falando, parar, inserir um breve "aham" ou começar a falar por cima do interlocutor. Os desenvolvedores destacam três habilidades: fala sobreposta, confirmações de conversa ("sim, sim", "entendi") e suporte a nove idiomas principais.

O que se sabe sobre Números e hardware?

O ponto mais prático do lançamento são os requisitos de hardware. Para uma placa Nvidia, são necessários cerca de 12 GB de VRAM. O checkpoint (arquivo com os pesos) em formato BF16 pesa cerca de 10,5 GB. Para servir o modelo em GPU, os autores sugerem o vLLM-Omni. Quem usa Mac ganhou uma implementação nativa em MLX, com kernels próprios em Metal. Em um MacBook com chip Apple M1 Max, os desenvolvedores informam uma latência mediana de processamento de 65,2 ms. O modelo recebe um novo quadro de áudio a cada 133 ms.

O que fazer com isso e onde estão as armadilhas?

Para quem desenvolve interfaces de voz, é a chance de testar a abordagem sem contratos de nuvem. Servem apps de prática de idiomas, NPCs de jogos, assistentes de carro ou alto-falantes inteligentes, onde a privacidade importa e a voz não deve ir para o servidor de terceiros. Para quem cuida do produto, há outro ponto: a naturalidade da conversa muitas vezes decide se as pessoas vão usar o recurso de voz. As limitações também são claras.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…