跳到正文
arXiv · NLP· Dongseong Hwang, Prasanth Yadla, Kaan Elgin, Shifas Padinjaru Veettil, Sivanand Achanta, Dipjyoti Paul, Ramya Rasipuram, Tyler Johnson, Emad Soroush, Chung-Cheng Chiu, Zhifeng Chen·· 17 天前AI 评分40

Siri 高效内存音频合成:基于解耦时序深度 Diffusion Transformer 的架构

Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion Transformers

AI 导读

Apple 为 Siri Expressive Voices 开发了基于解耦时序与深度处理的 detokenizer 架构。该架构利用单一可复用深度 decoder 和因果滑窗注意力,将内存复杂度降至恒定,峰值运行内存仅 21 MB,且生成速度比实时快 16 倍。

来源:arXiv · NLP · arxiv.org