Apple 在 Siri Expressive Voices 中部署了一套内存高效的音频合成架构，核心是一个将语义音频 token 转换为高保真音频的 detokenizer，运行在 Apple Matrix Coprocessor（AMX）上，算力来自 AFM 3 Core Advanced——Apple 最强的端侧基础模型，激活参数量约 10 亿。

传统方法中，Transformer 或 GAN 的注意力复杂度随序列长度线性或二次增长，内存占用高，无法在嵌入式协处理器上长时间流式合成。这篇工作提出解耦时间深度（Decoupled Temporal Depth）的扩散变换器：架构由三个组件构成——streaming encoder、temporal decoder 和 depth decoder。核心创新在于用一个带 DiT 风格 stage conditioning 的可复用 depth decoder 逐步自回归生成所有 RVQ 层级，替代了传统多解码器架构中每个层级各配一个独立解码器的做法；同时采用因果滑动窗口注意力，配合固定窗口大小的 key-value 缓存，使得内存复杂度恒定，不随序列长度变化。

实际部署在 AMX 上，每步生成耗时约 10ms，大约是实时速度的 16 倍；峰值运行内存仅约 21MB，设备端模型资产共 329MB，可以在端侧基础模型之外连续流式合成 20 到 320 秒的音频。消融实验验证了 DiT 条件机制、时间 lookahead 处理、统一深度解码策略等关键组件的有效性。在语音质量评测上，相比前代端侧文本转语音系统，整体 Mean Opinion Score（MOS）提升 +0.28（4.15 vs 3.87），对话语音提升 +0.42（4.24 vs 3.82）。

该架构已作为 Siri Expressive Voices 的一部分投产，配合 Apple 设备中的 Pace 和 Expressivity 定制滑块，支持自定义助手语音，是 Apple 语音交互系统的一次底层更新。