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 ...