一、教程简介

GLM-4-Voice 是智谱 AI 于 2024 年推出的端到端语音模型。 GLM-4-Voice 能够直接理解和生成中英文语音，进行实时语音对话，并且能够遵循用户的指令要求改变语音的情感、语调、语速、方言等属性。

该教程 Demo 包含模型的两个功能实现：「语音对话」和「文本对话」。

GLM-4-Voice 由三个部分组成：

GLM-4-Voice-Tokenizer: 通过在 Whisper 的 Encoder 部分增加 Vector Quantization 并在 ASR 数据上有监督训练，将连续的语音输入转化为离散的 token 。每秒音频平均只需要用 12.5 个离散 token 表示。
GLM-4-Voice-Decoder: 基于 CosyVoice 的 Flow Matching 模型结构训练的支持流式推理的语音解码器，将离散化的语音 token 转化为连续的语音输出。最少只需要 10 个语音 token 即可开始生成，降低端到端对话延迟。
GLM-4-Voice-9B: 在 GLM-4-9B 的基础上进行语音模态的预训练和对齐，从而能够理解和生成离散化的语音 token 。

预训练方面，为了攻克模型在语音模态下的智商和合成表现力两个难关，研究团队将 Speech2Speech 任务解耦合为「根据用户音频做出文本回复」和「根据文本回复和用户语音合成回复语音」两个任务，并设计 2 种预训练目标，分别基于文本预训练数据和无监督音频数据合成语音-文本交错数据以适配这两种任务形式。 GLM-4-Voice-9B 在 GLM-4-9B 的基座模型基础之上，经过了数百万小时音频和数千亿 tokens 的音频文本交错数据预训练，拥有很强的音频理解和建模能力。

对齐方面，为了支持高质量的语音对话，研究团队设计了一套流式思考架构：根据用户语音，GLM-4-Voice 可以流式交替输出文本和语音两个模态的内容，其中语音模态以文本作为参照保证回复内容的高质量，并根据用户的语音指令要求做出相应的声音变化，在最大程度保留语言模型智商的情况下仍然具有端到端建模的能力，同时具备低延迟性，最低只需要输出 20 个 token 便可以合成语音。

二、运行步骤

启动容器后点击 API 地址即可进入 Web 界面

1. 语音对话

输入模式选择 audio 功能，点击录音或者上传语音文件。相关的采样参数为：

Temperature：范围 0-1，温度越高生成的随机性越大！
Top p：用于指定在生成过程中选择下一个单词时，只有概率最高的前 p 个选项会被考虑。这有助于在生成文本时保持多样性，避免总是选择概率最高的预测结果，从而使得生成的文本更加丰富和多样化。
Max new tokens：最大生成的 tokens 数。

完成设置后，模型会实时输出语音和文本，但是由于网络延迟可能会断断续续，可以听取聊天框内的语音。整体页面布局如下：

语音对话流程

2. 文本对话

输入模式选择 **text** 功能，输入对话文本。
点击提交后，模型同时输出文本和语音。
语音对话（输入为文本）

交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓