智谱上线并开源文本转语音模型 GLM-TTS：只需 3 秒语音样本即可克隆声音

12月11日讯 今日智谱正式发布工业级语音合成系统 GLM-TTS，并在 Hugging Face 和 ModelScope 上开放模型权重。GLM-TTS 目前已开源，并上线智谱开放平台（bigmodel）、智谱清言、Z.ai。

官方对 GLM-TTS 的介绍如下：

只需 3 秒语音样本，GLM‑TTS 即可学习说话人的音色和说话习惯。在通用朗读、情感配音、教育评测、电子书、有声客服等场景中，实现自然流畅、贴近真人的语音。

我们希望，AI 不只是「会说话」，而是能在合适的场景下，说出既像真人、又符合情绪的声音。

为实现这一能力，GLM‑TTS 在架构上采用两阶段生成，并在训练中引入基于 GRPO 的强化学习方案，在公开评测的「字错误率」和「情感表达」上取得开源 SOTA 表现。

值得一提的是，GLM-TTS 仅使用 10w 小时训练数据，远低于行业主流商用模型。同时，GLM-TTS 也兼顾了训练成本和效果，预训练仅需要单机 4 天即可得到开源 SOTA“发音准确度”与超高“音色还原度”，精品音色 LORA 和强化学习也仅需要单机 1 天即可完成训练，远低于行业平均水平。

另外，GLM‑TTS 还以更低的价格获得了行业领先的 MOS 分数（平均主观意见分）。