GLM-4-Voice – 智谱AI推出的端到端情感语音模型 | AI工具集

GLM-4-Voice是什么

GLM-4-Voice是智谱AI推出的端到端情感语音模型，能直接理解和生成中英文语音，支持实时语音对话，能根据用户指令灵活调整语音的情感、语调、语速和方言等特征。模型由三个部分组成：GLM-4-Voice-Tokenizer负责将连续语音转换为离散token，GLM-4-Voice-Decoder将token转换回连续语音输出，GLM-4-Voice-9B基于GLM-4-9B模型进行预训练和对齐，理解和生成语音。GLM-4-Voice的设计用端到端建模减少信息损失，提高语音交互的自然度和流畅性，且支持低延迟的实时对话，为用户提供更加丰富和自然的语音交互体验。

GLM-4-Voice的主要功能

• 理解和生成语音：直接理解和生成中英文语音，实现流畅的人机交互。
• 情感表达：模拟不同的情感和语调，如高兴、悲伤、生气、害怕等，让语音回复更加自然。
• 调节语速：根据用户的指令调整语音的语速，适于不同的对话场景。
• 实时打断和指令输入：支持用户随时打断语音输出，输入新的指令调整对话内容。
• 多语言和方言支持：支持中英文及多种中国方言，如粤语、重庆话、北京话等。
• 低延迟交互：设计流式思考架构，低延迟实现高质量的语音对话。

GLM-4-Voice的技术原理

• 端到端建模：与传统的级联方案（ASR + LLM + TTS）不同，GLM-4-Voice在一个统一的模型中完成语音的理解和生成，避免信息损失。
• 音频Tokenizer：用有监督训练的音频Tokenizer将连续的语音输入转化为离散的token，用12.5Hz的低码率保留语义信息和副语言特征。
• 语音解码器：基于Flow Matching模型结构的语音解码器，将离散的语音token转化为连续的语音输出，最低只需10个token开始生成，降低对话延迟。
• 预训练和对齐：GLM-4-Voice-9B在GLM-4-9B的基础上进行预训练和对齐，理解和生成离散化的语音token。预训练用大量音频和文本数据，让模型具备强大的音频理解和建模能力。
• 流式推理：支持流式推理，模型能交替输出文本和语音，用文本作为参照保证回复内容的高质量，根据用户的语音指令实时调整语音输出。

GLM-4-Voice的项目地址

GLM-4-Voice的应用场景

• 智能助手：在智能手机、智能家居设备中，作为智能助手，用语音交互帮助用户完成各种任务，如设置提醒、查询天气、控制家居设备等。
• 客户服务：在客户服务中心，作为虚拟客服，基于自然语言理解和语音合成技术，为用户提供咨询和解决问题的服务。
• 教育和学习：在教育领域，作为语言学习助手，帮助学生练习发音、听力和口语，提供个性化的学习建议。
• 娱乐和媒体：在娱乐行业，用在语音合成，为动画、游戏、有声书等提供自然、富有表现力的语音输出。
• 新闻和播报：用在新闻播报，将文本新闻快速转换为语音，提供给需要语音信息的用户。