GLM-4-Voice ist ein von einem Team der Tsinghua-Universität entwickeltes End-to-End-Sprachmodell, das direkt chinesische und englische Sprache verstehen und generieren sowie Echtzeit-Sprachdialoge führen kann. Durch den Einsatz fortschrittlicher Spracherkennungs- und Sprachsynthesetechnologien wird eine nahtlose Umwandlung von Sprache in Text und zurück in Sprache ermöglicht. Es zeichnet sich durch geringe Latenz und hochentwickelte Dialogfähigkeiten aus. Das Modell wurde hinsichtlich seiner Intelligenz und Ausdruckskraft in der Sprachmodalität optimiert und eignet sich für Szenarien, die Echtzeit-Sprachinteraktion erfordern.