Haru-4B 공개: 한국어 음성 대화의 프레임 간격과 실행 조건
듣기와 말하기를 함께 처리하는 Haru-4B의 공개 범위와 실행 조건을 살핀다. 133ms 프레임 간격, 한국어 지원, 연구용 기본 모델의 한계를 구분한다.

Haru-4B는 사용자 음성을 들으면서 자기 음성과 텍스트를 내보내는 연구용 기본 모델이다. higurashi는 2026년 11월 13일 공식 기술 글에서 모델 가중치와 추론 코드 공개를 알렸다. 한국어를 포함한 9개 언어를 주요 대상으로 삼는다. 공식 발표에서 공개 범위와 학습 목적을 확인할 수 있다.
133ms는 음성 프레임의 간격이다
Haru는 7.5Hz로 입력과 출력을 함께 처리한다. 개발팀 설명에 따르면 약 133ms마다 사용자 음성 한 프레임을 받아 모델 음성과 텍스트 한 프레임을 만든다. 이때 사용자 음성, 모델 음성, 텍스트를 언어 모델의 같은 위치에 합친다.
이 수치를 사용자가 말을 마친 뒤 답을 듣기까지의 시간으로 읽으면 안 된다. 133ms는 프레임 간격이다. 실제 체감 지연은 장치와 실행 환경을 따로 측정해야 한다. 이번 글에서는 지연이나 한국어 대화 품질을 직접 시험하지 않았다.
공식 기술 글은 모델이 Qwen3.5-4B를 바탕으로 연속 음성 표현을 처리한다고 설명한다. 별도 음향 Transformer 없이 MLP 헤드와 MeanFlow 샘플링으로 음성을 한 단계에 생성하는 구조다. 이는 개발팀이 공개한 설계 설명이며 여기서 다른 음성 모델보다 품질이 높다고 결론 내릴 근거는 없다.
실행 경로와 준비물
공식 GitHub 저장소는 PyTorch 추론 코드와 웹 데모, Apple silicon용 MLX 구현과 macOS 앱, vLLM-Omni 서빙 플러그인을 담고 있다. 세 구현은 같은 체크포인트를 읽는다.
NVIDIA GPU 경로에는 약 12GB 메모리가 안내돼 있다. 개발팀은 해당 경로에서 다음 명령으로 웹 데모를 시작하도록 설명한다.
git clone https://github.com/higurashi-ai/Haru
cd Haru
pip install -e ./haru
python -m haru.server --hf-repo higurashi-ai/Haru-4B브라우저에서 http://localhost:8998을 연 뒤 캐릭터와 음성을 정한다. 브라우저의 마이크 접근에는 localhost 또는 HTTPS가 필요하다. 낮은 지연을 원하면 유선 헤드폰과 유선 마이크를 쓰라는 것이 개발팀의 권장이다.
음성 클립은 함께 배포하지 않는다. 사용자가 권리를 가진 깨끗한 단일 화자 음성으로 3초~3분 분량을 준비해야 한다. 캐릭터 설정은 고정 형식의 텍스트 카드로 전달한다. 실행 조건을 맞춰도 한국어 억양과 끼어들기 반응은 실제 사용할 장비에서 별도로 확인할 필요가 있다.
대화형 제품에 붙이기 전 확인할 한계
공식 모델 카드는 Haru-4B를 연구용 사전학습 기본 모델로 명시한다. 사실을 신뢰할 만하게 답하는 모델이 아니며 지시도 일반적인 어시스턴트처럼 따르지 않는다고 개발팀은 설명한다. 음성 대화 기능을 평가할 때 이 한계를 전제로 삼아야 한다.
코드와 가중치의 라이선스는 Apache 2.0이다. 저장소는 포함된 다른 프로젝트의 고지를 별도 문서에서 확인하도록 안내한다. 개발팀이 공개한 기능과 실제 서비스의 답변 정확도·응답 시간은 구분해서 평가하는 편이 좋다.



Discussion
No comments yet