2026年7月28日 · Apple
Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion Transformers
Apple 在 2026 年 7 月 28 日发表研究，提出一种内存高效的音频合成架构，用于 Siri Expressive Voices 功能。该架构将语义音频令牌转换为残差向量量化表示，并在 Apple Matrix Coprocessor 上实时运行。
EVENT STORY
发展脉络
- 首次出现Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion TransformersApple Machine Learning Research
- 当前判断Apple 将设备端实时音频合成能力集成到 Siri，表明端侧生成式 AI 正从文本扩展到语音。下一可验证信号：其他厂商是否跟进设备端实时语音合成，或 Apple 是否开放该能力给第三方应用。Agent Pulse · 分析
Apple 在 2026 年 7 月 28 日发表研究，介绍了一种内存高效的音频合成架构，用于驱动 Siri Expressive Voices 功能。该架构是一个去令牌化器，将基础模型发出的语义音频令牌转换为高保真音频，并在 Apple Matrix Coprocessor 的严格计算和内存预算内实时运行。设计采用三组件结构，将语义音频令牌转换为残差向量量化表示。
该架构通过解耦时间深度扩散 Transformer 实现内存高效音频合成，关键创新在于将语义令牌转换为 RVQ 表示，并针对 AMX 协处理器优化。下一可验证信号：Apple 是否在后续设备中集成该架构，以及其音频质量与延迟指标。
Apple 将设备端实时音频合成能力集成到 Siri，表明端侧生成式 AI 正从文本扩展到语音。下一可验证信号：其他厂商是否跟进设备端实时语音合成，或 Apple 是否开放该能力给第三方应用。
设备端实时音频合成可降低云端推理成本，提升隐私性和响应速度，增强 Siri 竞争力。下一可验证信号：Apple 是否在财报中提及 Siri 使用率提升或相关收入。
该技术可能推动设备端语音助手体验升级，减少对云端依赖。下一可验证信号：Apple 是否在下一代 iPhone 或 HomePod 中部署该功能，以及用户反馈。