Spaces:
Runtime error
A newer version of the Gradio SDK is available:
5.9.1
title: GLM-4-Voice
app_file: web_demo.py
sdk: gradio
sdk_version: 5.3.0
GLM-4-Voice
Read this in English
GLM-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。
Model Architecture
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,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。
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。
更详细的技术报告将在之后公布。
Model List
Model | Type | Download |
---|---|---|
GLM-4-Voice-Tokenizer | Speech Tokenizer | 🤗 Huggingface 🤖 ModelScope |
GLM-4-Voice-9B | Chat Model | 🤗 Huggingface 🤖 ModelScope |
GLM-4-Voice-Decoder | Speech Decoder | 🤗 Huggingface 🤖 ModelScope |
Usage
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。
Preparation
首先下载仓库
git clone --recurse-submodules https://github.com/THUDM/GLM-4-Voice
cd GLM-4-Voice
然后安装依赖。
pip install -r requirements.txt
由于 Decoder 模型不支持通过 transformers
初始化,因此 checkpoint 需要单独下载。
# git 模型下载,请确保已安装 git-lfs
git clone https://huggingface.co/THUDM/glm-4-voice-decoder
Launch Web Demo
首先启动模型服务
python model_server.py --model-path glm-4-voice-9b
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。
然后启动 web 服务
python web_demo.py
即可在 http://127.0.0.1:8888 访问 web demo。此命令会自动下载 glm-4-voice-tokenizer
和 glm-4-voice-9b
。如果网络条件不好,也可以手动下载之后通过 --tokenizer-path
和 --model-path
指定本地的路径。
Known Issues
- 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。
Cases
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。
- 用轻柔的声音引导我放松
https://github.com/user-attachments/assets/4e3d9200-076d-4c28-a641-99df3af38eb0
- 用激动的声音解说足球比赛
https://github.com/user-attachments/assets/0163de2d-e876-4999-b1bc-bbfa364b799b
- 用哀怨的声音讲一个鬼故事
https://github.com/user-attachments/assets/a75b2087-d7bc-49fa-a0c5-e8c99935b39a
- 用东北话介绍一下冬天有多冷
https://github.com/user-attachments/assets/91ba54a1-8f5c-4cfe-8e87-16ed1ecf4037
- 用重庆话念“吃葡萄不吐葡萄皮”
https://github.com/user-attachments/assets/7eb72461-9e84-4d8e-9c58-1809cf6a8a9b
- 用北京话念一句绕口令
https://github.com/user-attachments/assets/a9bb223e-9c0a-440d-8537-0a7f16e31651
- 加快语速
https://github.com/user-attachments/assets/c98a4604-366b-4304-917f-3c850a82fe9f
- 再快一点
https://github.com/user-attachments/assets/d5ff0815-74f8-4738-b0f1-477cfc8dcc2d
Acknowledge
本项目的部分代码来自: