docs: add Japanese README

README.md

@@ -1,5 +1,5 @@
 # GLM-4-Voice
-Read this in [English](./README_en.md)
+Read this in [English](./README_en.md) | [日本語](./README_ja.md)で読む
 
 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。
 

README_ja.md

@@ -0,0 +1,97 @@
+# GLM-4-Voice
+GLM-4-Voiceは、Zhipu AIが提供するエンドツーエンドの音声モデルです。GLM-4-Voiceは、中国語と英語の音声を直接理解し生成することができ、リアルタイムの音声対話を行い、ユーザーの指示に基づいて感情、イントネーション、話速、方言などの属性を変更することができます。
+
+## モデルアーキテクチャ
+
+![Model Architecture](./resources/architecture.jpeg)
+GLM-4-Voiceの3つのコンポーネントを提供します：
+* GLM-4-Voice-Tokenizer: [Whisper](https://github.com/openai/whisper)のエンコーダ部分にベクトル量子化を追加して訓練され、連続音声入力を離散トークンに変換します。1秒の音声は12.5個の離散トークンに変換されます。
+* GLM-4-Voice-9B: [GLM-4-9B](https://github.com/THUDM/GLM-4)に基づいて音声モダリティで事前訓練および整合され、離散化された音声を理解し生成することができます。
+* GLM-4-Voice-Decoder: [CosyVoice](https://github.com/FunAudioLLM/CosyVoice)に基づいて再訓練されたストリーミング推論をサポートする音声デコーダで、離散音声トークンを連続音声出力に変換します。10個の音声トークンで生成を開始でき、対話の遅延を減らします。
+
+詳細な技術レポートは後日公開予定です。
+
+## モデルリスト
+|         モデル         | タイプ |      ダウンロード      |
+|:---------------------:| :---: |:------------------:|
+| GLM-4-Voice-Tokenizer | 音声トークナイザ | [🤗 Huggingface](https://huggingface.co/THUDM/glm-4-voice-tokenizer) |
+|    GLM-4-Voice-9B     | チャットモデル |  [🤗 Huggingface](https://huggingface.co/THUDM/glm-4-voice-9b)
+| GLM-4-Voice-Decoder   | 音声デコーダ |  [🤗 Huggingface](https://huggingface.co/THUDM/glm-4-voice-decoder)
+
+## 使用方法
+直接起動できるWebデモを提供しています。ユーザーは音声またはテキストを入力し、モデルは音声とテキストの両方で応答します。
+
+![](resources/web_demo.png)
+
+### 準備
+まず、リポジトリをダウンロードします
+```shell
+git clone --recurse-submodules https://github.com/THUDM/GLM-4-Voice
+cd GLM-4-Voice
+```
+次に、依存関係をインストールします。
+```shell
+pip install -r requirements.txt
+```
+Decoderモデルは`transformers`を介して初期化をサポートしていないため、チェックポイントを別途ダウンロードする必要があります。
+
+```shell
+# Gitモデルのダウンロード、git-lfsがインストールされていることを確認してください
+git clone https://huggingface.co/THUDM/glm-4-voice-decoder
+```
+
+### Webデモの起動
+まず、モデルサービスを起動します
+```shell
+python model_server.py --model-path glm-4-voice-9b
+```
+
+次に、Webサービスを起動します
+```shell
+python web_demo.py
+```
+その後、http://127.0.0.1:8888でWebデモにアクセスできます。
+
+### 既知の問題
+* Gradioのストリーミングオーディオ再生は不安定になることがあります。生成が完了した後、対話ボックス内のオーディオをクリックすると音質が向上します。
+
+## 例
+GLM-4-Voiceのいくつかの対話例を提供しています。感情制御、話速の変更、方言生成などが含まれます。（例は中国語です。）
+
+* 優しい声でリラックスするようにガイドしてください
+
+https://github.com/user-attachments/assets/4e3d9200-076d-4c28-a641-99df3af38eb0
+
+* 興奮した声でサッカーの試合を解説してください
+
+https://github.com/user-attachments/assets/0163de2d-e876-4999-b1bc-bbfa364b799b
+
+* 哀れな声で幽霊の話をしてください
+
+https://github.com/user-attachments/assets/a75b2087-d7bc-49fa-a0c5-e8c99935b39a
+
+* 東北方言で冬の寒さを紹介してください
+
+https://github.com/user-attachments/assets/91ba54a1-8f5c-4cfe-8e87-16ed1ecf4037
+
+* 重慶方言で「葡萄を食べても皮を吐かない」と言ってください
+
+https://github.com/user-attachments/assets/7eb72461-9e84-4d8e-9c58-1809cf6a8a9b
+
+* 北京アクセントで早口言葉を朗読してください
+
+https://github.com/user-attachments/assets/a9bb223e-9c0a-440d-8537-0a7f16e31651
+
+  * 話速を上げてください
+
+https://github.com/user-attachments/assets/c98a4604-366b-4304-917f-3c850a82fe9f
+
+  * さらに速く
+
+https://github.com/user-attachments/assets/d5ff0815-74f8-4738-b0f1-477cfc8dcc2d
+
+## 謝辞
+このプロジェクトの一部のコードは以下から提供されています：
+* [CosyVoice](https://github.com/FunAudioLLM/CosyVoice)
+* [transformers](https://github.com/huggingface/transformers)
+* [GLM-4](https://github.com/THUDM/GLM-4)