IT之家 12 月 11 日报道，智浦正式推出 GLM-TTS 工业级语音合成系统，并与 Hugging Face 和 ModelScope 开启重磅模型。目前，GLM-TTS已开源，可在智浦开放平台（bigmodel）、智浦轻言、Z.ai上使用。 IT之家附上GLM-TTS的官方介绍： 只需3秒的音频样本，GLM-TTS就能学习说话者的音色和说话习惯。在普通朗读、情感配音、教育测评、电子书、语音客服等场景下实现自然、流畅、人性化的对话。我们期望人工智能不仅仅是“说话”，而是能够在正确的场景中以情感一致、类似人类的声音说话。为了实现这一能力，GLM-TTS采用了两阶段生成架构，并引入了基于GRPO的强化学习方案进行训练，在“错误率”和“情绪”的公开评估上实现了开源SOTA性能值得一提的是，GLM-TTS仅使用10万小时的训练数据，远低于业界领先的商业模型。同时，GLM-TTS还考虑了训练的成本和效果。要获得开源SOTA超先进的“发音准确性”和“音高恢复”，只需要在计算机上进行4天的预训练即可。优质的LORA和强化学习仅需一天即可在单台计算机上完成训练，远低于行业平均水平。此外，GLM-TTS 以低廉的价格获得业界领先的 MOS（平均意见分数）分数。 典型场景：从演示到制作 GLM-TTS 的目标不是制作一个又一个好听的演示，而是随着时间的推移支持工业音频制作。单词和不寻常的符号相乘纪律场景，解释的语气将是自然和耐心的。电子书和音频内容让不同的角色表达不同的情感风格。在客户服务场景中，语气要分寸、专业，避免夸张的表现感。 1.教育场景在教育和考试考核场景中，GLM-TTS适应多音字、生僻字和数学符号，批量生成教材、题库的标准发音演示音频，为口语考核、训练等任务保持大规模合成的一致性和准确性。听觉放大。示例：课堂演示 适应场景的高中数学教科书演示：微积分 157！ /83！ + √924 – 58³。难得的古诗词和复调词：君不见自从禹鼎沉水之后，妖魔鬼怪就来了。入侵九州？城门（què）扶秦三代，风烟看晋五代，亦为官（huàn）游人。我不认为双喜黛方船能够承载太多的悲伤。 2.电子书场景在电子书和音频内容场景中，GLM-TTS可以用一个音调完成整本书。朗读时，可以适应小说、纪录片、社科等不同类型的节奏和情绪，为不同的人物设置专属声音，支持自动生成大内容库，推理成本低。示例：快乐的情感文字：今天我在路上看到一只小狗。它看起来和它的主人玩得很开心。它摇尾巴的样子让人的心都融化了！悲伤的情感文字我真的不明白为什么一切都变得如此复杂，为什么我不能回到过去？愤怒的情绪文本为什么你不能说话 h乌曼语？ 3. 智能客服 在智能客服和语音助手场景中，GLM-TTS 为机器人客服提供柔和柔和的语音图像。它允许您创建看起来不那么机械的页面，自然地将可变信息插入到调用脚本中而不中断整体节奏，并与上游 NLU/NLG 模块配合以支持从理解到响应的端到端语音交互。示例：Pe 对于给您带来的不便，我们深表歉意！我们将快速响应您可能遇到的任何问题，并会在10分钟内通过我们的专属客服电话【工号】9527与您联系，详细讨论解决方案。你好。我想查询物流进度。目前包裹正在运往北京，预计明天送达。如果您有任何疑问，请随时告诉我~ 强化学习：从“可说”变为“表达” 强化学习（RL）是关键将音频从“可用”移动到“用户友好”的链接。然而，在TTS领域，奖励设计困难、训练不稳定等问题长期存在，行业大部分仍停留在SFT阶段。 GLM-TTS基于GRPO框架，引入多维奖励和稳定的训练机制，以提高模型在可控条件下的表达力和鲁棒性。强化学习采用结合训练和合成数据的数据构建模型，以实现接近零成本的数据生成。通过优化和训练算法的配合，有效避免了奖励黑客攻击，保证了模型性能的可靠性和泛化能力，并且在未见过的测试集上也提供了理想的结果。 1.seed-tts-eval：降低错误率，提高相似度。关于中文Seed-tts-eval测试套件： CER（字符错误率）：GLM-TTS的CER为1.03%，处于世界领先水平。开源模式的早期阶段。引入RL后，GLM-TTS_RL的CER下降至0.89%，达到开源SOTA。 Sim（音高相似度）：GLM-TTS 的相似度约为 76.1，而 GLM-TTS_RL 则增加到 76.4。考虑到“准确发音”和“音色恢复”，以较低的CER保持较高的音色相似度。 2.CV3-eval-emotion：CV3-eval-emotion 在文本相关数据集上的情感和准确性均属顶级（文本有自己的情感标签）：SOTA 情感维度：GLM-TTS – Premium Tone_RL 快乐 (0.72)、悲伤 (0.52) 和愤怒 (0.28) 的所有三种情感均实现 SOTA，平均情感得分 (avg_emo) 为 0.51。目前，其他商业模式大多聚焦于快乐维度，对于悲伤、愤怒等负面情绪的有效效果甚少。考虑到发音准确度，GLM-TTS-Premium Tone CER ≈ 1.33% 和 GLM-TTS-Premium Tone_RL CER ≈ 1.68%，虽然在情感表现上更胜一筹，但GLM-TTS 的 e CER 仍处于较低水平。总体而言，它优于其他商业模式，实现了情感表达和误词率的双重优势。开源体验为了方便开发者、研究人员和企业对GLM-TTS的评估和集成，我们同时开放了模型权重、推理代码和在线调用接口。 1. 开源受 Apache 许可证约束。在各大开源社区同时开源GLM-TTS相关资源（模型权重、推理脚本、示例项目等）。 GitHub：https://github.com/zai-org/GLM-TTSHugging Face：https://huggingface.co/zai-org/GLM-TTS Magic 社区：https://modelscope.cn/models/ZhipuAI/GLM-TTS 开发者可以使用传统的推理框架。将 GLM‑TTS GPU 快速部署到您的环境中，并按需进行二次开发。 2.开放平台和API 如果您想直接访问在线服务，可以调用GLM-TTS功能通过开放平台进行交流。开放平台入口：PI接口文档：该平台支持各种计费和QPS配置，涵盖从演示测试到大规模生产级调用的所有内容。 3.在线体验您还可以通过以下入口立即体验GLM-TTS的合成效果。 audio.z.ai – 通过上传文本或简短的音频提示来生成您自己的声音。纸浦轻言App/网页版：体验多风格朗读、对话语气复制。
特别提示：以上内容（包括图片、视频，如有）由自有媒体平台“网易账号”用户上传发布。本平台仅提供信息存储服务。
注：以上内容（包括图片和视频，如有）由网易号用户上传发布，网易号是一个仅提供信息存储服务的社交媒体平台。马来西亚也很苦恼啊！筹集73亿给华为中兴通讯打造全国5G网络！网友：直接批评西方网络威胁论
智浦推出开源文本转语音GLM模型
