整理 ｜ 言征
国产多模态、智能体版本的GPT-4o终于来了！
10月25日，国内大模型独角兽智谱连发两个大招，小编当时差点愣住，不愧国产大模型之光！
废话不多说，直接上干货。这次智谱推出了一个模型GLM-4-Voice，一款应用AutoGLM。
开源地址：
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。
模型架构
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。
电脑、手机听从指令帮你操作AutoGLM 同步上线
在情感语音通话全面开放的同时，智谱也宣布了另一项前沿成果：AutoGLM。
让 AI 像人类一样操作电脑和手机，是近期领域内的热点话题。以往这是一项颇具挑战性的任务，因为在此类场景下，AI 需要根据用户的要求拆解指令背后蕴含的步骤，感知环境、规划任务、执行动作，逐步完成任务。某种程度上说，这突破了大模型的常规能力边界，更加注重其「工具」属性。
很多大模型公司都在探索这一方向，锚定其为「下一个 AI 前沿」。基于大语言模型（GLM 系列模型）、多模态模型和工具使用（CogAgent 模型）等方面的探索，智谱已经在由自主智能体（Agent）驱动的人机交互新范式方面取得了一些阶段性成果。
在智谱最新发布的 AutoGLM App 中，用户可以凭借一句指令让 AI 自动完成许多任务，比如阅读网页信息、电商产品购买、点外卖、订酒店、评论和点赞微信朋友圈等。目前，AutoGLM 已开启内测（暂时仅支持 Android 系统）。
在 AutoGLM App 发布之前，AutoGLM-Web 已经通过「智谱清言」插件对外开放使用。这是一个能模拟用户访问网页、点击网页的浏览器助手，可以根据用户指令在私域网站上完成高级检索并总结信息、模拟用户看网页的过程进行批量、快速的浏览并总结多个网页，结合历史邮件信息回复邮件。
本文转载自 技术栈 ，作者：言征