Apple 为 Siri Expressive Voices 推出内存高效的音频合成架构
Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion Transformers
AI 导读Apple 为 Siri Expressive Voices 推出了一种内存高效的音频合成架构，其 detokenizer 在 AMX 上以约 10ms/步运行，峰值内存仅约 21MB。相比此前设备端系统，该架构将 Mean Opinion Score (MOS) 整体提升 +0.28（4.15 vs. 3.87），对话语音提升 +0.42（4.24 vs. 3.82）。
来源：Apple Machine Learning Research · machinelearning.apple.com