Apples neue On-Device-KI-Sprachtechnologie macht Siri menschlicher, ohne Audio in die Cloud zu senden

Wichtigste Punkte

• Apples AFM 3 Core Advanced-Modell, das fortschrittlichste KI-System des Unternehmens für Geräte, unterstützt nun Siris neue Expressive Voices-Funktion.
• Alle Audio-Daten werden direkt auf dem Gerät generiert und verarbeitet, sodass keine Sprachdaten an Apples Server gesendet werden.
• Das System läuft auf dem Apple Matrix Coprocessor, einer spezialisierten Recheneinheit, die in Apples eigenen Chips integriert ist.
• Eine neue Audio-Architektur konvertiert komprimierte Audio-Token in Echtzeit in vollständig natürlich klingende Sprache.
• Apple ML Research veröffentlichte die zugrunde liegende Forschung und erläuterte, wie enge Speicherlimits auf einem Telefon überwunden wurden.

Wenn Siri zu Ihnen spricht, klingt es jetzt deutlich natürlicher. Das ist kein Zufall. Apple hat ein ausgefeiltes neues Audio-Generierungssystem stille ausgerollt, und ein von Apple ML Research veröffentlichtes Papier erklärt genau, wie es funktioniert.

Die Funktion heißt Siri Expressive Voices. Sie verwendet ein Verfahren namens Audio-Synthese, bei dem Software gesprochene Wörter von Grund auf generiert, anstatt voraufgezeichnete Clips zusammenzusetzen. Stellen Sie sich das wie eine sehr fortschrittliche Text-zu-Sprache-Engine vor, mit dem Unterschied, dass das Ergebnis nicht roboterhaft klingt, sondern reichhaltig und in Echtzeit konfigurierbar ist.

Wie funktioniert das eigentlich?

Das System konvertiert Text durch zwei Stufen in Sprache. Zunächst erzeugt ein großes Sprachmodell namens AFM 3 Core Advanced, eine Art KI, die Sprache versteht und generiert, kompakte Informationspakete namens semantische Token. Das ist noch kein Ton. Sie sind eher eine komprimierte Kurzschrift dafür, wie die Audio sein sollte.

Eine zweite Komponente, die Detokenizer genannt wird, entpackt diese Token dann in tatsächliche Schallwellen, die Sie hören können. Das Papier beschreibt diese zweite Stufe im Detail, da dies der wirklich schwierige Teil ist.

Die Schwierigkeit liegt im Speicher. Telefone haben strenge Limits für die Speichermenge, die Software zu jedem Zeitpunkt nutzen kann. Um hochwertige Audio-Generierung in diese Limits zu pressen, bauten Apples Ingenieure ein dreiteiliges Design, das die einfachen Token in ein reichhaltigeres Audio-Format namens RVQ konvertiert, was residuelle Vektorquantisierung bedeutet. Stellen Sie sich RVQ als einen geschichteten Satz von Audio-Anweisungen vor, der die Soundqualität progressiv verbessert, ähnlich wie ein JPEG-Bild verschwommen geladen wird und sich dann verschärft.

All dies läuft auf dem Apple Matrix Coprocessor oder AMX, einer dedizierten Recheneinheit, die in Apple Silicon-Chips wie den A- und M-Serie eingebettet ist. Der AMX kümmert sich um die intensive numerische Verarbeitung, ohne den Hauptprozessor oder den Akku zu belasten.

Warum ist es wichtig, dass alles auf dem Gerät bleibt?

Datenschutz ist die kurze Antwort. Da die Audio-Synthese vollständig auf dem Gerät stattfindet, reisen Ihre Stimme und das, was Siri zu Ihnen sagt, niemals zu Apples Servern. Es gibt nichts zum Abfangen, Speichern oder Vorladen. Für Benutzer, die sich Sorgen machen, dass Sprachassistenten mithören, ist diese Architektur eine sinnvolle Designentscheidung, nicht nur eine Marketingbehauptung.

Leistung ist der andere Vorteil. Die lokale Verarbeitung bedeutet kein Warten auf einen Hin- und Rückflug zu einem entfernten Server. Die Sprachantwort startet fast sofort.

Was bedeutet das für normale Benutzer?

Wenn Ihr Gerät die Funktion unterstützt, klingt Siri einfach besser. Sie müssen keine Einstellung ändern oder sich für etwas anmelden. Die Verbesserung erfolgt durch ein Software-Update.

Das breitere Signal ist, dass Apple ernsthafte KI-Funktionen in den Chip integriert, anstatt sich auf Cloud-Server zu verlassen. Dieser Ansatz priorisiert Datenschutz und Geschwindigkeit zusammen, und diese Audio-Engine ist eines der klarsten Beispiele dafür, wie das in der Praxis aussieht.