GLM-4-Voice

GLM-4-Voice 是一个端到端的中英文语音对话模型，能够直接处理语音输入并生成相应的语音输出。其核心功能包括实时语音对话、情感及语调调整等，并且支持流式推理以减少延迟。该模型由三部分组成：用于将音频转换为离散token的Tokenizer、基于Flow Matching架构训练的Decoder以及在大规模数据上预训练并进行模态对齐的9B参数模型。特别适合需要高效语音交互的应用场景，如智能客服、虚拟助手等。通过结合文本和语音两种模态的内容输出，GLM-4-Voice 在保持高质量回复的同时也实现了低延迟响应。