---
title: "🧪 Haru-4B 4B 參數直推語音轉語音，16GB 顯示記憶體就能跑離線翻譯｜地端 AI 實驗室"
description: "2026年11月17日，本期雷達掃到一個 4.4k 下載、Apache-2.0 授權的 4B 參數音訊對音訊模型 Haru-4B，官方 model card 寫著 16GB VRAM 就能跑 BF16、8GB 跑 4-bit GGUF，號稱能把英文會議錄音直接轉中文語音、中間不落文字。"
canonical_url: "https://blog.markkulab.net/local-ai-lab/local-ai-lab-2026-11-17"
author: "Mark Ku"
author_url: "https://blog.markkulab.net/author/mark-ku"
site: "Mark Ku's Blog"
date_published: "2026-11-17T02:00:00.000Z"
category: "地端 AI 實驗室"
tags: ["local-ai", "podcast", "地端模型", "lora", "開源模型", "Haru-4B", "Inkling-2-Small", "fluid-speech-pro"]
language: "zh-TW"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
attribution: "轉載或引用請註明作者並附上原文連結"
---

# 🧪 Haru-4B 4B 參數直推語音轉語音，16GB 顯示記憶體就能跑離線翻譯｜地端 AI 實驗室

## 開場白
2026年11月17日，本期雷達掃到一個 4.4k 下載、Apache-2.0 授權的 4B 參數音訊對音訊模型 Haru-4B，官方 model card 寫著 16GB VRAM 就能跑 BF16、8GB 跑 4-bit GGUF，號稱能把英文會議錄音直接轉中文語音、中間不落文字。等一下還會介紹：下載量 1.8 萬的小型視覺語言模型 Inkling-2-Small，官方說 4-bit GGUF 只佔 3.2GB 記憶體，想在消費級顯卡跑發票判讀的工程師可留意；以及一個 0.5B 參數的 ASR 模型 fluid-speech-pro，官方實測 Intel i7-12700 上 CPU 即時因子 0.25，連 Raspberry Pi 5 都能跑離線逐字稿，CC-BY-4.0 還能隨意商用。

## 本期精選

### 1. higurashi-ai/Haru-4B：4B 參數端到端語音轉語音，可商用可微調
- **這是什麼**  
  這是一個 4B 參數的音訊對音訊模型，任務是 Speech-to-Speech，授權 Apache-2.0，可商用、可微調。模型卡附帶 fine-tune script 與資料格式說明，想用 LoRA 訓練特定講者風格（如客服語氣）可直接 fork 實驗。
- **能用在哪些場景**  
  - 獨立開發者想在筆電（16~24GB VRAM）上跑一個離線的「語音轉語音」Demo，例如把英文會議錄音直接轉成中文語音輸出，不經過文字中介。  
  - 語音助理產品團隊需要在邊緣裝置（Jetson Orin、Mac Studio）部署低延遲的多語言對話入口，模型卡標示支援 streaming inference。  
  - 研究生想用 LoRA 微調特定講者風格，模型卡附帶 fine-tune script 與資料格式說明，可直接 fork 實驗。
- **跑得動嗎**  
  官方 model card 標示：「可在 16GB VRAM 上跑 BF16、8GB VRAM 跑 4-bit GGUF」；另提供 GGUF 量化檔（Q4_K_M、Q8_0）供 llama.cpp 使用。若手邊只有 8GB 顯示記憶體，官方給的 4-bit GGUF 路徑應該是最省事的切入點。
- **本期聲量**  
  HF 熱度 374，4.4k 次下載，476 個讚。
- **跟同類比**  
  作者在 model card 對比 SeamlessM4T-v2-large（1.2B）與 Whisper + TTS 管線，稱 Haru-4B 在「端到端延遲」與「語氣保留」上更優；此為作者自述，第三方基準尚無獨立複現。
- **怎麼取得**  
  README 給出兩條路徑：① `pip install -U transformers accelerate` 後 `AutoModelForSpeechSeq2Seq.from_pretrained("higurashi-ai/Haru-4B")`；② 下載 GGUF 搭配 `llama.cpp --model haru-4b-q4_k_m.gguf --audio-in mic`。
- **連結**  
  [https://huggingface.co/higurashi-ai/Haru-4B](https://huggingface.co/higurashi-ai/Haru-4B)

### 2. thinkingmachines/Inkling-2-Small：1.8 萬下載的小型 VLM，4-bit 只要 3.2GB 記憶體
- **這是什麼**  
  小型視覺語言模型，授權 Apache-2.0，支援 1024×1024 解析度、可直接餵入 PDF 渲染圖。模型卡附帶 `train_lora.py` 與 `chat_template` 範例，可直接套用 Unsloth 流程在自有文件庫（如繁中財報）上微調。
- **能用在哪些場景**  
  - SaaS 後端工程師要在 12GB VRAM 機器上跑「發票/單據自動判讀」服務，模型卡標示支援 1024×1024 解析度、可直接餵入 PDF 渲染圖。  
  - 邊緣裝置工程師把模型量化成 4-bit GGUF 部署在 Jetson Orin NX（16GB）上，做即時「螢幕內容問答」輔助測試。  
  - 資料科學家想用 LoRA 在自有文件庫（繁中財報）上微調，模型卡附帶 `train_lora.py` 與 `chat_template` 範例，可直接套用 Unsloth 流程。
- **跑得動嗎**  
  官方 model card 寫：「FP16 需 8GB VRAM、8-bit 需 5GB、4-bit GGUF 約 3.2GB 記憶體」；並提供預量化 GGUF（Q4_K_M、Q5_K_M）。這意味著 8GB 顯示記憶體的消費級顯卡跑 8-bit 理論上可行，系統記憶體充足的筆電甚至能靠 4-bit GGUF 跑在 CPU 上。
- **本期聲量**  
  HF 熱度 347，18.4k 次下載，434 個讚。
- **跟同類比**  
  作者在 model card 對比 Qwen2-VL-2B 與 MiniCPM-V-2_6，稱 Inkling-2-Small 在 DocVQA 上高出 3~5 點；為作者自測數據，未見第三方複現報導。
- **怎麼取得**  
  README 指示：`from transformers import AutoModelForImageTextToText; model = AutoModelForImageTextToText.from_pretrained("thinkingmachines/Inkling-2-Small", load_in_8bit=True, device_map="auto")`；或用 `llama.cpp` 載入 GGUF。
- **連結**  
  [https://huggingface.co/thinkingmachines/Inkling-2-Small](https://huggingface.co/thinkingmachines/Inkling-2-Small)

### 3. FluidVoice-Labs/fluid-speech-pro：0.5B ASR 專注 CPU 推論，Pi 5 也能跑離線逐字稿
- **這是什麼**  
  專注自動語音辨識（ASR）的 0.5B 級模型，授權 CC-BY-4.0 可商用與再散布，無需申請。模型卡提供 ONNX 與 CTranslate2 版本，強調「CPU 即時因子 < 0.3」。
- **能用在哪些場景**  
  - 全端工程師在無 GPU 的 CI/CD 跑「Podcast 逐字稿自動產生」流程，模型卡提供 ONNX 與 CTranslate2 版本，可直接 `pip install ctranslate2` 推論。  
  - 嵌入式工程師要在 Raspberry Pi 5 / Orange Pi 5 Plus 上跑離線中英混雙語辨識，模型卡給出 `int8` 量化後 40MB 體積、CPU 即時因子 0.25 的數據。  
  - 隱私敏感團隊（醫療/法律）需在內網伺服器批次轉寫錄音檔，授權 CC-BY-4.0 允許商用與再散布，無需申請。
- **跑得動嗎**  
  官方 model card 標示：「FP16 0.5B 約 1GB VRAM；INT8 量化後 CPU 即時因子 0.25（Intel i7-12700）、0.35（Apple M2）；ONNX Runtime / CTranslate2 均支援」。沒有獨立顯卡的機器、甚至 Pi 5 級裝置，只要 CPU 效能夠、記憶體裝得下 40MB 模體，理論上都能離線跑。
- **本期聲量**  
  HF 熱度 49，9.1k 次下載，53 個讚。
- **跟同類比**  
  作者在 model card 對比 Whisper-large-v3（1.5B）與 distil-whisper-large-v3（756M），稱 WER 在 CommonVoice zh-TW 測試集上僅差 0.8% 卻快 4 倍；為作者自測，第三方尚無公開複現。
- **怎麼取得**  
  README 給三種方式：① `pip install fluid-voice` 後 `transcribe("audio.wav")`；② 下載 ONNX 用 `onnxruntime-genai`；③ 下載 CTranslate2 模型用 `ctranslate2.Translator("model_ct2")`。
- **連結**  
  [https://huggingface.co/FluidVoice-Labs/fluid-speech-pro](https://huggingface.co/FluidVoice-Labs/fluid-speech-pro)

## 結尾段落
本期三款模型都踩在「參數量小、量化完備、授權鬆」的交集上：Haru-4B 讓語音轉語音下放到單張消費級顯卡，Inkling-2-Small 把文件理解壓到 3.2GB 記憶體，fluid-speech-pro 更把逐字稿推到無 GPU 的 CI/CD 與 Pi 5 上。手邊有 16GB 以上顯卡想玩即時語音翻譯的，建議先抓 Haru-4B 的 GGUF 試手感；完全沒 GPU 只想產逐字稿的，fluid-speech-pro 的 Python 套件裝起來最省事。下集再見。

---

## 關於本文與作者

本文出自 [Mark Ku's Blog](https://blog.markkulab.net/local-ai-lab/local-ai-lab-2026-11-17)

授權條款： [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) — 轉載或引用請註明作者並附上原文連結

### 關於作者

**[Mark Ku](https://blog.markkulab.net/author/mark-ku)** — 軟體工程師

- 10 年以上軟體工程師
- 做過北美電商與 AI SaaS 訂閱收費系統

### 作者開發的免費工具

以下工具皆可免費使用：

- [免費 PDF 簽名工具](https://blog.markkulab.net/tools/pdf-sign): 線上 PDF 簽名工具，瀏覽器內完成手繪、打字、上傳簽名，可拖曳放置、縮放、下載。所有處理都在你的裝置完成，檔案不會上傳。
- [VS Code Refactory](https://blog.markkulab.net/tools/refactory): Refactory 是一款 VS Code 重構擴充套件：34 個重構動作、37 條 code smell 檢查、Code Health 儀表板、18 種語言、534 支測試。懂你的專案慣例：介面放哪、DI 註冊寫在哪、'use client' 該不該加；還會用 git 修改頻率 × 複雜度排出「該先修哪個檔案」，並一鍵把壞味道交給你自己電腦上的 Claude Code 修。免費使用，原始碼不離開你的機器。
- [DB-Kit 資料庫管理工具](https://blog.markkulab.net/tools/db-kit): DB-Kit 是一個用 Tauri + Rust + React 打造的輕量跨平台資料庫管理工具，用單一一致的介面同時管理 MySQL、MariaDB、PostgreSQL、SQL Server、Oracle、SQLite、MongoDB、Redis、Kafka、Elasticsearch 與 RabbitMQ 十一種資料來源：連線密碼以 OS keychain 加密、SSH Tunnel、完整 CRUD、視覺化查詢建構器、多結果集同時顯示、跨連線資料傳輸、結構與資料比對（同步 SQL、結構快照）、Excel / CSV 匯入匯出、執行計畫視覺化、ER 圖、排程備份、SQL 壓力測試（p50～p99 延遲百分位）、15 條規則的 SQL 審查、執行前 AI 審查並逐句備份的「審查並執行」（自動產生回滾腳本）、Kafka 訊息瀏覽與監控告警、SSH 終端機與 SFTP / FTP、Docker / Kubernetes、遠端桌面（RDP / VNC / RustDesk）、檔案 / 資料夾比對、預存程序整合測試；六種介面語言，內建 AI 助手（本機 CLI 或 Anthropic / OpenAI 相容 API，自然語言生成 SQL、AI 審查與調校建議）與命令列工具 dbk。免費開源（MIT），提供 Windows / macOS / Linux 安裝檔。
- [VS Code Super Mermaid](https://blog.markkulab.net/tools/super-mermaid): Super Mermaid 是一款 VS Code 擴充套件：開箱即用的漂亮 Mermaid 圖表，自動上色、即時預覽、滑鼠平移縮放、PNG / SVG 高解析匯出，內建 21 種範本與多種主題。免費開源（MIT）。
- [React Super Mermaid](https://blog.markkulab.net/tools/react-super-mermaid): react-super-mermaid 是一個開源 React 元件庫：一行 <MermaidViewer> 即可渲染漂亮的 Mermaid 圖表，內建 colorful / sketch 主題、平移縮放、圖內搜尋、SVG / PNG 高解析匯出。輕量、SSR 安全、完整 TypeScript 型別。免費開源（MIT）。
- [Jira / Confluence Super Mermaid](https://blog.markkulab.net/tools/jira-super-mermaid): Atlassian Forge app：在 Jira issue 與 Confluence 內文直接寫 Mermaid 語法，畫流程圖、時序圖、狀態機與甘特圖。11 種圖表、SVG / PNG 匯出、明暗主題、完整中日韓文字支援。取得 Runs on Atlassian 資格：圖表存在你自己的站台，app 不呼叫任何第三方服務。免費，即將上架 Atlassian Marketplace。
- [Mermaid 線上預覽](https://blog.markkulab.net/tools/mermaid-preview): 在瀏覽器裡寫 Mermaid、即時看圖，整張圖表壓進網址就能分享。免註冊、不上傳伺服器，相容 mermaid.live 的分享連結。
- [React Intl Phone Number](https://blog.markkulab.net/tools/react-intl-phone-number): react-intl-phone-number 是一個開源 React 元件：framework-agnostic、不依賴 antd，提供 E.164 進出、可搜尋國旗 / 國碼下拉、可配置驗證等級（strict / mobile-strict / loose）、可主題化 CSS 與 i18n，電話邏輯由 google-libphonenumber 驅動。輕量、完整 TypeScript 型別。免費開源（MIT）。
- [Uptime Kuma Cluster](https://blog.markkulab.net/tools/uptime-kuma-cluster): 把單機版 Uptime Kuma 改造成高可用叢集：OpenResty + Lua 智慧負載平衡、MariaDB 共享狀態、健康檢查與自動 Failover，附監控與叢集管理 RESTful API，一行 Docker Compose 啟動。免費開源（MIT）。
- [AI Podcast Cut 音檔剪輯](https://blog.markkulab.net/tools/ai-podcast-cut): 丟進一段錄音，AI 幫你剪掉「嗯、呃、那個」與講到一半重講的片段，平衡逐段音量，並派第二個 agent 覆核每一刀。辨識與去人聲都在你自己的電腦上跑，不上傳、不需要金鑰。剪點會貼齊字邊界與零交越、每一刀都有漸弱漸強，句尾還留得住呼吸感。Windows / macOS / Linux 桌面應用，MIT 開源，Windows 安裝檔內建 ffmpeg。
- [AI Video Cut 影片剪輯](https://blog.markkulab.net/tools/ai-video-cut): 在影片裡選一個東西：打字（人臉、車牌、手機螢幕、logo）、手動點選或拖框，或交給 Claude Code / Codex 挑。AI Video Cut 會逐幀追蹤它，再幫你打馬賽克或模糊、調色、加跟著走的貼紙與文字、把螢幕或海報換成你的圖片或影片，甚至用其他幀拍到的背景把它移除。另有序列剪輯、本機字幕與 AI 助手。免費開源（MIT）的 Windows 桌面應用（macOS / Linux 實驗中），本機運行，影片不上傳。
- [open-pos 開源餐飲 POS](https://blog.markkulab.net/tools/open-pos): 一台電腦加一台出單機就能開店。資料存在自己的硬碟裡、沒有月租、沒有綁約，MIT 全開源。金額用整數元依營業稅法拆算稅額，銷售額加稅額恆等於總額；出單走網路型 ESC/POS（TCP 9100），不必裝廠商驅動。Tauri + Rust + SQLite 桌面應用，v1.0 開發中。
- [.NET 電商 API 架構範本](https://blog.markkulab.net/tools/dotnet-ecommerce-api): 以 .NET 10 打造的電商平台後端 API 架構範本：Controller → Service → Repository 分層、Autofac 依命名慣例自動註冊、SqlSugar 支援 MySQL / MariaDB 與 SQL Server、Redis 快取與訊息佇列、Hangfire 排程、JWT 認證，內建可擴充的金流 Provider 模組（綠界 ECPay、藍新 Newebpay）。Apache 2.0 開源。
- [Open Token Monitor 團隊 AI 用量監控](https://blog.markkulab.net/tools/open-token-monitor): 把每位員工電腦上 AI coding 工具的 token 用量與等值成本集中到公司自架的 hub：PostgreSQL、組織名單、依公司與部門比較的 dashboard、報表 API。員工端有 Electron 與 Rust/Tauri 兩種，每 30 分鐘自動上傳。MIT 開源，Docker 一行起。
- [AI 資安監控 ai-security-monitor](https://blog.markkulab.net/tools/ai-security-monitor): 網站上線了，漏洞、憑證與安全設定誰來檢查？ai-security-monitor 用自架 Security Hub 集中網站掃描與主機監控，合併重複發現、比對修補前後，讓你知道哪些問題還沒處理。

### 每日 Podcast

- [Mark's Tech Insights 每日 AI 新鮮事](https://blog.markkulab.net/category/tech-news): 每日精選 AI 與科技趨勢，透過語音摘要快速掌握最新技術動態，涵蓋 AI 應用、軟體架構、DevOps 與工程實戰。 — RSS: https://blog.markkulab.net/feed.xml
- [AI股市蝦聊](https://blog.markkulab.net/category/ai-stock-chat): 每個交易日用 AI 分析台股盤勢，以雙人對話聊當天的盤中觀察與隔日預測。 — RSS: https://blog.markkulab.net/ai-stock-chat/feed.xml
- [開源好物日報](https://blog.markkulab.net/category/open-source-weekly): 每天從 Hacker News、GitHub、Reddit 聲量雷達精選免費開源工具，以雙人對話聊解決什麼痛點與怎麼快速上手。 — RSS: https://blog.markkulab.net/open-source-weekly/feed.xml
- [AI 運動日報](https://blog.markkulab.net/category/sports-weekly): 每天以雙人對話聊 NBA、MLB 與國際體壇大事，台灣球迷視角，輕鬆有梗不酸人。 — RSS: https://blog.markkulab.net/sports-weekly/feed.xml
- [AI 國際新聞快報](https://blog.markkulab.net/category/world-news): 每天早上以雙人對話把過去一天的國際大事講白：政治外交、全球經濟、衝突與安全、災害與氣候，台灣視角、中立客觀、每則附出處。 — RSS: https://blog.markkulab.net/world-news/feed.xml
- [地端 AI 實驗室](https://blog.markkulab.net/category/local-ai-lab): 每天精選可以下載到自己機器上跑的開源模型與 LoRA，用雙人對話講清楚能用在哪些場景、你的顯卡跑不跑得動、跟同類差在哪，規格一律引述官方 model card。 — RSS: https://blog.markkulab.net/local-ai-lab/feed.xml
- [AI 行銷日報](https://blog.markkulab.net/category/ai-marketing): 每天以雙人對話整理最新 AI 在行銷、廣告、SEO／GEO 與內容行銷的大事，實戰視角、不業配、每則附出處。 — RSS: https://blog.markkulab.net/ai-marketing/feed.xml
- [AI 資安日報](https://blog.markkulab.net/category/ai-security): 每天以雙人對話整理最新 AI 與資安交會的大事：LLM 與 AI agent 漏洞、prompt injection、模型供應鏈、攻擊者怎麼用 AI，防禦視角、每則附出處。 — RSS: https://blog.markkulab.net/ai-security/feed.xml

### 電子報

[訂閱電子報](https://blog.markkulab.net/subscribe) — 第一時間收到新文章通知，無垃圾信、隨時可取消訂閱。
