Haru 4B: Japanisches Sprachmodell für natürliche Gespräche frei veröffentlicht

Worum es geht

Das Unternehmen higurashi hat am 13. November 2026 das Sprachdialog-Modell Haru 4B veröffentlicht. Laut dem japanischen Bericht, der über Bing News/MSN verbreitet wurde, soll das Modell so natürlich sprechen können wie ein Mensch. Es soll außerdem auf typische Gesprächssignale reagieren, also auf kurze Zustimmungslaute wie „ja“ oder „mhm“ (auf Japanisch aizuchi) und darauf, dass jemand einem ins Wort fällt. Mit „4B“ ist die Größe gemeint: rund 4 Milliarden Parameter.

Frei verfügbar sind die Gewichte des vortrainierten Basismodells (englisch pretrained base model) – also das Modell nach dem großen Grundtraining, aber vor einer Feinabstimmung auf bestimmte Aufgaben. Sie liegen unter der Lizenz Apache 2.0 auf Hugging Face. Den Code zum Ausführen des Modells, die sogenannte Inferenz, hat higurashi auf GitHub veröffentlicht. Die genauen Links zu den Repositories stehen nicht im Bericht.

Was ein Sprachdialog-Modell anders macht

Die meisten Sprachassistenten arbeiten bisher wie eine Kette: Eine Spracherkennung macht aus deiner Stimme Text, ein Sprachmodell schreibt eine Antwort, und eine Sprachsynthese liest diese vor. Das funktioniert, wirkt aber hölzern. Man muss warten, bis der andere fertig ist, und Tonfall, Pausen oder „Ähs“ gehen auf dem Weg verloren.

Sprachdialog-Modelle wie Haru 4B sollen das anders machen. Laut Bericht ist es darauf ausgelegt, mit Hörersignalen und Unterbrechungen umgehen zu können. Das passt zu einem Ansatz, der in der Fachwelt als Full-Duplex bezeichnet wird: Das Modell kann gleichzeitig zuhören und sprechen, wie bei einem Telefonat, in dem beide Seiten sich ins Wort fallen können. Bekanntes Beispiel dafür ist das Modell Moshi des französischen Labors Kyutai. Ob Haru 4B technisch genauso aufgebaut ist, geht aus der kurzen Meldung allerdings nicht hervor.

Gerade die aizuchi spielen im Japanischen eine große Rolle. Wer am Telefon nicht regelmäßig „hai“ oder „ee“ sagt, wirkt schnell desinteressiert. Ein Modell, das solche Signale von sich aus setzt und richtig deutet, wirkt im Gespräch daher deutlich menschlicher.

Was bisher bekannt ist – und was nicht

Der vorliegende Bericht ist sehr kurz. Folgendes ist gesichert:

Offen bleibt dagegen vieles: Welche Sprachen das Modell beherrscht (dass es in einem japanischen Bericht vorgestellt wird, legt Japanisch nahe, belegt ist das aber nicht), wie viele Stunden Audio es im Training gehört hat, wie schnell es reagiert und wie es im Vergleich zu anderen Modellen in Tests abschneidet. Benchmarks nennt die Meldung nicht.

Wichtig ist der Hinweis auf das Basismodell. Ein solches Modell ist meist kein fertiger Assistent, der direkt sinnvolle Antworten gibt. Es ist eher eine Grundlage, die Entwickler mit eigenen Daten nachtrainieren (Feinabstimmung, englisch Fine-Tuning) können, etwa für einen Callcenter-Bot oder eine Sprach-App. Wer erwartet, sofort ein Gespräch wie mit ChatGPTs Sprachmodus zu führen, wird vermutlich enttäuscht.

Was du zum Ausprobieren brauchst

Offizielle Hardware-Angaben gibt es im Bericht nicht. Mit rund 4 Milliarden Parametern gehört Haru 4B zu den kleineren Modellen. Zur groben Orientierung: In voller Genauigkeit (16 Bit) belegen allein die Gewichte etwa 8 bis 9 GB Grafikspeicher, dazu kommt Speicher für die Audioverarbeitung. Eine Grafikkarte von Nvidia mit 12 bis 16 GB VRAM dürfte daher ein realistischer Startpunkt sein. Mit Quantisierung – das Modell wird verkleinert, indem seine Zahlen gröber gespeichert werden – könnte es auch mit etwa 4 bis 6 GB laufen, ob der Inferenzcode das unterstützt, ist aber unklar.

Dazu brauchst du ein Mikrofon und Lautsprecher bzw. ein Headset (Kopfhörer vermeiden Echos, bei denen das Modell seine eigene Stimme hört), Python-Kenntnisse und etwa 10 bis 20 GB freien Speicherplatz. Bequeme Werkzeuge wie Ollama oder LM Studio unterstützen solche Audio-Dialogmodelle in der Regel nicht. Du musst also den GitHub-Code von higurashi verwenden. Ob Macs mit Apple Silicon oder reine CPU-Rechner funktionieren, ist nicht bekannt. Für Echtzeitgespräche ist eine Grafikkarte praktisch Pflicht. Google Colab mit einer GPU kann eine Alternative zum Testen sein, Echtzeit-Audio im Browser ist dort aber oft umständlich.

Einordnung

Offene Sprachdialog-Modelle sind immer noch selten. Die bekannten Anbieter wie OpenAI oder Google bieten ihre natürlichen Sprachmodi nur als Dienst über das Internet an. Ein frei herunterladbares Modell unter Apache 2.0 – einer Lizenz, die auch die kommerzielle Nutzung erlaubt – ist daher besonders für Entwickler und Forschende interessant, die eigene Sprachanwendungen bauen oder lokal und datenschutzfreundlich arbeiten wollen. Für den japanischsprachigen Raum, für den es bisher wenige solche Modelle gibt, könnte Haru 4B eine wertvolle Grundlage sein.

Die Aussage, Haru spreche „so natürlich wie ein Mensch“, ist allerdings eine Herstellerangabe. Unabhängige Tests, Benchmarks oder Hörbeispiele nennt der Bericht nicht. Weil nur ein Basismodell veröffentlicht wurde, dürfte die Qualität im direkten Gespräch zunächst begrenzt sein. Für Laien ist Haru 4B daher eher etwas zum Reinschnuppern, für Entwickler ein spannender Baustein.