苹果提出解耦时序深度DiT音频合成架构

苹果研究团队（Dongseong Hwang等作者）发表论文，提出一种用于Siri Expressive Voices的内存高效音频合成架构：将基础模型输出的语义音频token转换为RVQ表示，再用单个可复用的DiT式深度解码器自回归生成全部RVQ层级。论文称该架构能在Scalable Matrix Extension（SME）有限的计算与内存预算内输出高保真音频。目前尚无第三方复现或独立评测验证其实际效果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。