如何设置 GLM-4-Voice 9B 以实现无缝的实时语音交互，支持英语和中文，并探索其独特的架构、低延迟响应和可定制的声音属性。

介绍

近年来，语音启用的人工智能取得了显著进展，使对话代理能够更好地理解和响应人类语言。从虚拟助手到客户服务机器人，语音人工智能已成为各个行业的重要工具。然而，大多数模型在流利地切换语言、理解口语查询的细微差别以及提供高质量响应方面仍然面临挑战。这正是Zhipu AI的GLM-4-Voice脱颖而出的地方。GLM-4-Voice作为一款端到端的语音模型，推动了多语言对话人工智能的边界，支持英语和中文的实时对话，同时提供可适应且类人化的响应生成。

在本文中，我们将探讨为什么GLM-4-Voice值得关注，它的独特之处，以及如何在本地设置和开始使用它。我们还将查看其架构，并提供访问网络演示的实用指南。

为什么选择 GLM-4-Voice？

传统的语言模型通常仅限于文本，并需要额外的处理层来处理语音。它们在交互性方面可能会遇到困难，或者存在延迟问题。GLM-4-Voice 通过一个统一的模型克服了这些限制，能够直接处理和生成语音。以下是它的突出之处：

1. 端到端语音处理：与许多依赖于单独的文本到语音 (TTS) 或语音到文本 (STT) 模块的模型不同，GLM-4-Voice 直接以口语形式进行解读和响应，从而提供更无缝和更具响应性的体验。
2. 多语言支持：该模型在处理英语和中文这两种全球广泛使用的语言方面表现出色。它流畅切换语言的能力使其非常适合双语环境和国际应用。
3. 可定制属性：GLM-4-Voice 允许在情感、语调、语速甚至方言上进行调整，使其能够生成更自然和情境合适的响应。
4. 低延迟：通过支持流式推理，该模型的延迟约为 20 个标记，使其能够在实时对话中实现近乎即时的响应。

GLM-4-Voice 的特点

GLM-4-Voice 带来了几个独特的功能，使其与其他语音模型区别开来。以下是它的特别之处：

• 实时语音互动：通过支持低延迟响应，GLM-4-Voice 能够保持流畅自然的对话，这对客户支持和互动 AI 等应用至关重要。
• 动态语音属性：用户可以指定模型的情感语调、语速和其他特征，使互动更加生动且适合各种场景。
• 具备上下文意识的双语支持：该模型旨在理解和生成中文和英文的响应。它能够无缝切换这两种语言，为多语言应用提供灵活的解决方案。
• 高级语音解码：基于 CosyVoice，GLM-4-Voice 解码器能够实现高质量的语音生成，并支持流式传输，在两种语言中保持高清晰度。

架构

GLM-4-Voice 的架构由三个主要组件组成，每个组件在实现端到端语音交互中发挥着至关重要的作用：

1. GLM-4-Voice-Tokenizer：该组件将连续语音输入标记化为离散标记，每秒大约生成 12.5 个标记。标记器基于 Whisper 的编码器，并添加了向量量化，使模型能够以结构化形式处理音频。
2. GLM-4-Voice-9B：核心语言模型，基于 GLM-4 架构，已调整为处理口语输入。它可以处理文本和语音，使其成为强大的多模态对话代理。
3. GLM-4-Voice-Decoder：该解码器将离散标记转换回连续语音，使模型能够生成音频输出。它支持流式推理，使响应能够在处理几个标记后立即开始，从而最小化对话延迟。

这些组件共同使 GLM-4-Voice 成为实时语音交互的强大工具，支持不同语言和方言的对话 AI。

在本地设置 GLM-4-Voice

要体验 GLM-4-Voice，请按照以下步骤在您的机器上本地设置该模型。

第一步：克隆仓库

首先从 GitHub 克隆仓库。确保包含子模块：

!git clone --recurse-submodules https://github.com/THUDM/GLM-4-Voice
cd GLM-4-Voice

步骤 2：安装依赖

进入项目目录并安装必要的依赖：

!pip install -r requirements.txt

第3步：下载模型检查点

GLM-4-Voice的解码器模型托管在Hugging Face上，需要git-lfs进行下载。确保已安装git-lfs，然后运行：

!git clone https://huggingface.co/THUDM/glm-4-voice

步骤 4：启动模型服务

一切设置完成后，启动模型服务器：

python model_server.py --model-path glm-4-voice-9b

第5步：启动Web服务

一旦模型服务器运行，执行以下命令以启动Web服务：

python web_demo.py

您现在可以访问Web演示 http://127.0.0.1:8888 与GLM-4-Voice进行交互。

注意： GLM-4-Voice模型资源密集，运行有效需要大量计算能力。具体来说，它需要35–40个GPU以实现最佳性能，因此适合在可访问高性能硬件的环境中部署。用户在尝试使用此模型之前，应确保具备必要的基础设施。

Web Demo Interface

GLM-4-Voice 的网页演示提供了一个直观的界面，具有多种自定义选项：

• 输入模式：用户可以选择以文本或音频形式提供输入。这种灵活性允许无手操作或传统交互。
• 语音控制参数：调整温度、top-p 和令牌限制，以自定义模型的响应特性。
• 调试信息：显示输入和输出令牌，使用户能够洞察模型处理查询的过程。
• 交互式音频显示：音频输入和响应以波形形式显示，用户可以重播或查看音频片段以评估质量。

然而，用于在演示中流式传输音频的 Gradio 有时可能会出现不稳定情况。为了获得最佳质量，建议在生成后重播对话框中的音频。

结论

GLM-4-Voice 在对话式人工智能领域中脱颖而出，提供了独特的双语支持、实时音频交互和灵活的响应定制。其端到端设计和低延迟使其成为客户服务、教育、虚拟助手等应用的最佳候选者。凭借易于访问的设置过程，GLM-4-Voice 为开发者和研究人员探索中文和英文的高级语音能力打开了大门。

随着对更互动和真实的人工智能需求的不断增长，像 GLM-4-Voice 这样的模型代表了在消除语言和对话障碍方面的重要进展。无论您是想构建聊天机器人、虚拟教师还是客户服务代理，GLM-4-Voice 都提供了强大而灵活的解决方案。