模型

GLM-TTS

zai-org/GLM-TTS

查看上游原文 ↗
上游访问:公开 本站服务:可咨询 内容检查:AI 辅助整理并检查 许可证:mit 上游版本:b3feb691fa4c

中文简介

zai-org/GLM-TTS 是 zai-org 在 Hugging Face 发布的模型仓库,当前卡片主要关联语音合成。本站固定记录上游版本 b3feb691fa4c,同步到 17 个文件,文件元数据合计 8.27 GB;访问状态为“公开”,许可证字段为“mit”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 zai-org/GLM-TTS 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
zai-org/GLM-TTS 是 zai-org 在 Hugging Face 发布的模型仓库,当前卡片主要关联语音合成。本站固定记录上游版本 b3feb691fa4c,同步到 17 个文件,文件元数据合计 8.27 GB;访问状态为“公开”,许可证字段为“mit”。

【适用方向】
适合评估语音合成、音色控制和语音交互原型。 建议先用小规模样本验证推理框架、输入输出格式和任务指标,再决定是否进入完整权重获取、量化或部署评估。

【版本与规格】
固定版本:b3feb691fa4c。 任务标签:语音合成。 语言字段:zh, en。 库标记:glm-tts。 上游页面记录的最近更新时间:2026-01-12。

【文件信息】
上游 API 返回 17 个文件,文件元数据合计 8.27 GB。 已保存文件清单中的主要扩展名:.json 6 个、.safetensors 3 个、.pt 2 个、.ckpt 1 个、.md 1 个、.model 1 个。 当前较大的文件包括:llm/model-00001-of-00002.safetensors(4.66 GB);speech_tokenizer/model.safetensors(1.52 GB);llm/model-00002-of-00002.safetensors(1.13 GB)。

【运行或处理环境】
仓库文件元数据合计 8.27 GB。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定,不能只凭参数名或仓库大小作部署承诺;应在目标格式和目标硬件上实测。

【使用边界】
许可证显示为“mit”,具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险,面向业务前应建立任务级评测、权限隔离和人工确认。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

GLM-TTS: Controllable & Emotion-Expressive Zero-shot TTS 📜 Paper   |   💻 GitHub Repository   |   🛠️ Audio.Z.AI 📖 Model Introduction GLM-TTS is a high-quality text-to-speech (TTS) synthesis system based on large language models, supporting zero-shot voice cloning and streaming inference. The system adopts a two-stage architecture combining an LLM for speech token generation and a Flow Matching model for waveform synthesis. By introducing a **Multi-Reward Reinforcement Learning** framework, GLM-TTS significantly improves the expressiveness of generated speech, achieving more natural emotional control compared to traditional TTS systems. Key Features **Zero-shot Voice Cloning:** Clone any speaker's voice with just 3-10 seconds of prompt audio. **RL-enhanced Emotion Control:** Utilizes a multi-reward reinforcement learning framework (GRPO) to optimize prosody and emotion. **High-quality Synthesis:** Generates speech comparable to commercial systems with reduced Character Error Rate (CER). **Phoneme-level Control:** Supports "Hybrid Phoneme + Text" input for precise pronunciation control (e.g., polyphones). **Streaming Inference:** Supports real-time audio generation suitable for interactive applications. **Bilingual Support:** Optimized for Chinese and English mixed text. System Architecture GLM-TTS follows a two-stage design: 1. **Stage 1 (LLM):** A Llama-based model converts input text into speech token sequences. 2. **Stage 2 (Flow Matching):** A Flow model converts token sequences into high-quality mel-spectrograms, which are then turned into waveforms by a vocoder. Reinforcement Learning Alignment To tackle flat emotional expression, GLM-TTS uses a **Group Relative Policy Optimization (GRPO)** algorithm with multiple reward functions (Similarity, CER, Emotion, Laughter) to align the LLM's generation strategy. Evaluation Results Evaluated on `seed-tts-eval`. **GLM-TTS_RL** achieves the lowest Character Error Rate (CER) while m

公开页仅展示原文摘录;完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合评估语音合成、音色控制和语音交互原型。 建议先用小规模样本验证推理框架、输入输出格式和任务指标,再决定是否进入完整权重获取、量化或部署评估。

模型参数

固定版本:b3feb691fa4c。 任务标签:语音合成。 语言字段:zh, en。 库标记:glm-tts。 上游页面记录的最近更新时间:2026-01-12。

文件说明

上游 API 返回 17 个文件,文件元数据合计 8.27 GB。 已保存文件清单中的主要扩展名:.json 6 个、.safetensors 3 个、.pt 2 个、.ckpt 1 个、.md 1 个、.model 1 个。 当前较大的文件包括:llm/model-00001-of-00002.safetensors(4.66 GB);speech_tokenizer/model.safetensors(1.52 GB);llm/model-00002-of-00002.safetensors(1.13 GB)。

上游文件元数据

  • .gitattributes1.48 KB
  • flow/config.yaml180 B
  • flow/flow.pt859.58 MB
  • hift/hift.pt79.53 MB
  • llm/config.json674 B
  • llm/generation_config.json111 B
  • llm/model-00001-of-00002.safetensors4.66 GB
  • llm/model-00002-of-00002.safetensors1.13 GB
  • llm/model.safetensors.index.json20.43 KB
  • README.md4.51 KB
  • speech_tokenizer/config.json1.90 KB
  • speech_tokenizer/model.safetensors1.52 GB

硬件建议

仓库文件元数据合计 8.27 GB。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定,不能只凭参数名或仓库大小作部署承诺;应在目标格式和目标硬件上实测。

注意事项

许可证显示为“mit”,具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险,面向业务前应建立任务级评测、权限隔离和人工确认。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。