[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-72332":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":16,"subscribersCount":16,"size":16,"stars1d":17,"stars7d":18,"stars30d":19,"stars90d":16,"forks30d":16,"starsTrendScore":19,"compositeScore":20,"rankGlobal":10,"rankLanguage":10,"license":21,"archived":22,"fork":22,"defaultBranch":23,"hasWiki":22,"hasPages":22,"topics":24,"createdAt":10,"pushedAt":10,"updatedAt":25,"readmeContent":26,"aiSummary":27,"trendingCount":16,"starSnapshotCount":16,"syncStatus":28,"lastSyncTime":29,"discoverSource":30},72332,"GLM-4-Voice","zai-org\u002FGLM-4-Voice","zai-org","GLM-4-Voice | 端到端中英语音对话模型","",null,"Python",3188,281,29,66,0,4,8,12,72.55,"Apache License 2.0",false,"main",[],"2026-06-12 04:01:04","# GLM-4-Voice\n\u003Cp align=\"center\">\n📄\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.02612\" target=\"_blank\"> Report \u003C\u002Fa> • 🤗 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fglm-4-voice-9b\" target=\"_blank\">HF Repo\u003C\u002Fa> • 🤖 \u003Ca href=\"https:\u002F\u002Fmodelscope.cn\u002Fstudios\u002FZhipuAI\u002FGLM-4-Voice-Demo\" target=\"_blank\">Demo\u003C\u002Fa> • 🐦 \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002Fthukeg\" target=\"_blank\">Twitter\u003C\u002Fa>\n\u003C\u002Fp>\n\nRead this in [English](.\u002FREADME_en.md)\n\nGLM-4-Voice 是智谱 AI 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。\n\n## Model Architecture\n![Model Architecture](.\u002Fresources\u002Farchitecture.jpeg)\n\nGLM-4-Voice 由三个部分组成：\n* GLM-4-Voice-Tokenizer: 通过在 [Whisper](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fwhisper) 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。\n* GLM-4-Voice-Decoder: 基于 [CosyVoice](https:\u002F\u002Fgithub.com\u002FFunAudioLLM\u002FCosyVoice) 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。\n* GLM-4-Voice-9B: 在 [GLM-4-9B](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FGLM-4) 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。\n\n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，我们将 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，并设计两种预训练目标，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 token 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。\n\n对齐方面，为了支持高质量的语音对话，我们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。\n\n## Model List\n\n|         Model         |       Type       |                                                                     Download                                                                     |\n|:---------------------:|:----------------:|:------------------------------------------------------------------------------------------------------------------------------------------------:|\n| GLM-4-Voice-Tokenizer | Speech Tokenizer | [🤗 Huggingface](https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fglm-4-voice-tokenizer) [🤖 ModelScope](https:\u002F\u002Fmodelscope.cn\u002Fmodels\u002FZhipuAI\u002Fglm-4-voice-tokenizer) |\n|    GLM-4-Voice-9B     |    Chat Model    |        [🤗 Huggingface](https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fglm-4-voice-9b) [🤖 ModelScope](https:\u002F\u002Fmodelscope.cn\u002Fmodels\u002FZhipuAI\u002Fglm-4-voice-9b)        |\n|  GLM-4-Voice-Decoder  |  Speech Decoder  |   [🤗 Huggingface](https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fglm-4-voice-decoder) [🤖 ModelScope](https:\u002F\u002Fmodelscope.cn\u002Fmodels\u002FZhipuAI\u002Fglm-4-voice-decoder)   |\n\n## Usage\n我们提供了可以直接启动的 Web Demo。用户可以输入语音或文本，模型会同时给出语音和文字回复。\n\n![](resources\u002Fweb_demo.png)\n\n### Preparation\n\n首先下载仓库\n```shell\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002FTHUDM\u002FGLM-4-Voice\ncd GLM-4-Voice\n```\n然后安装依赖。也可以使用我们提供的镜像 `zhipuai\u002Fglm-4-voice:0.1` 以跳过这一步。\n```shell\npip install -r requirements.txt\n```\n由于 Decoder 模型不支持通过 `transformers` 初始化，因此 checkpoint 需要单独下载。\n\n```shell\n# git 模型下载，请确保已安装 git-lfs\ngit lfs install\ngit clone https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fglm-4-voice-decoder\n```\n\n### Launch Web Demo\n\n1. 启动模型服务\n\n```shell\npython model_server.py --host localhost --model-path THUDM\u002Fglm-4-voice-9b --port 10000 --dtype bfloat16 --device cuda:0\n```\n\n如果你需要使用 Int4 精度启动，请运行\n\n```shell\npython model_server.py --host localhost --model-path THUDM\u002Fglm-4-voice-9b --port 10000 --dtype int4 --device cuda:0\n```\n\n此命令会自动下载 `glm-4-voice-9b`。如果网络条件不好，也手动下载之后通过 `--model-path` 指定本地的路径。\n\n2. 启动 web 服务\n\n```shell\npython web_demo.py --tokenizer-path  THUDM\u002Fglm-4-voice-tokenizer --model-path THUDM\u002Fglm-4-voice-9b --flow-path .\u002Fglm-4-voice-decoder\n```\n\n即可在 http:\u002F\u002F127.0.0.1:8888 访问 web demo。\n\n此命令会自动下载 `glm-4-voice-tokenizer` 和 `glm-4-voice-9b`。 请注意，`glm-4-voice-decoder` 需要手动下载。\n\n如果网络条件不好，可以手动下载这三个模型之后通过 `--tokenizer-path`, `--flow-path` 和 `--model-path` 指定本地的路径。\n\n### Known Issues\n\n* Gradio 的流式音频播放效果不稳定。在生成完成后点击对话框中的音频质量会更高。\n\n## Cases\n\n我们提供了 GLM-4-Voice 的部分对话案例，包括控制情绪、改变语速、生成方言等。\n\n* 用轻柔的声音引导我放松\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F4e3d9200-076d-4c28-a641-99df3af38eb0\n\n* 用激动的声音解说足球比赛\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F0163de2d-e876-4999-b1bc-bbfa364b799b\n\n* 用哀怨的声音讲一个鬼故事\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fa75b2087-d7bc-49fa-a0c5-e8c99935b39a\n\n* 用东北话介绍一下冬天有多冷\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F91ba54a1-8f5c-4cfe-8e87-16ed1ecf4037\n\n* 用重庆话念“吃葡萄不吐葡萄皮”\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F7eb72461-9e84-4d8e-9c58-1809cf6a8a9b\n\n* 用北京话念一句绕口令\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fa9bb223e-9c0a-440d-8537-0a7f16e31651\n\n  * 加快语速\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fc98a4604-366b-4304-917f-3c850a82fe9f\n\n  * 再快一点\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fd5ff0815-74f8-4738-b0f1-477cfc8dcc2d\n\n## Acknowledgements\n\n本项目的部分代码来自：\n* [CosyVoice](https:\u002F\u002Fgithub.com\u002FFunAudioLLM\u002FCosyVoice)\n* [transformers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers)\n* [GLM-4](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FGLM-4)\n\n## 协议\n\n+ GLM-4 模型的权重的使用则需要遵循 [模型协议](https:\u002F\u002Fhuggingface.co\u002FTHUDM\u002Fglm-4-voice-9b\u002Fblob\u002Fmain\u002FLICENSE)。\n\n+ 本开源仓库的代码则遵循 [Apache 2.0](LICENSE) 协议。\n\n## 引用\n\n```\n@misc{zeng2024glm4,\n      title={GLM-4-Voice: Towards Intelligent and Human-Like End-to-End Spoken Chatbot}, \n      author={Aohan Zeng and Zhengxiao Du and Mingdao Liu and Kedong Wang and Shengmin Jiang and Lei Zhao and Yuxiao Dong and Jie Tang},\n      year={2024},\n      eprint={2412.02612},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.02612}, \n}\n```\n\n```\n@misc{zeng2024scaling,\n      title={Scaling Speech-Text Pre-training with Synthetic Interleaved Data}, \n      author={Aohan Zeng and Zhengxiao Du and Mingdao Liu and Lei Zhang and Shengmin Jiang and Yuxiao Dong and Jie Tang},\n      year={2024},\n      eprint={2411.17607},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.17607}, \n}\n```\n","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。",2,"2026-06-11 03:41:22","high_star"]