La nuova tecnologia vocale AI on-device di Apple rende Siri più naturale, senza inviare l'audio al cloud

Punti chiave

• Il modello AFM 3 Core Advanced di Apple, l'AI on-device più avanzato dell'azienda, alimenta ora la nuova funzione Siri Expressive Voices.
• Tutto l'audio viene generato ed elaborato direttamente sul dispositivo, il che significa che nessun dato vocale viene inviato ai server di Apple.
• Il sistema funziona sul coprocessore Apple Matrix, un'unità di elaborazione specializzata integrata nei chip proprietari di Apple.
• Una nuova architettura audio converte i token audio compressi in discorso naturale e fluido in tempo reale.
• Apple ML Research ha pubblicato la ricerca sottostante, illustrando come sono stati superati i rigidi limiti di memoria di uno smartphone.

Quando Siri ti parla, ora suona notevolmente più naturale. Non è una coincidenza. Apple ha silenziosamente implementato un sofisticato nuovo sistema di generazione audio, e un articolo pubblicato da Apple ML Research spiega esattamente come funziona.

La funzione si chiama Siri Expressive Voices. Utilizza un processo chiamato sintesi audio, dove il software genera parole pronunciate da zero anziché incollare insieme clip pre-registrate. Pensalo come un motore text-to-speech molto avanzato, tranne che invece di suonare robotico, il risultato è ricco e configurabile in tempo reale.

Come funziona effettivamente?

Il sistema converte il testo in discorso attraverso due fasi. In primo luogo, un grande modello di linguaggio chiamato AFM 3 Core Advanced, un tipo di AI che comprende e genera il linguaggio, produce pacchetti compatti di informazioni audio chiamati token semantici. Non sono ancora suoni. Sono piuttosto una forma abbreviata e compressa di come dovrebbe essere l'audio.

Un secondo componente, chiamato detokenizer, quindi scompatta questi token in onde sonore effettive che puoi sentire. L'articolo descrive questa seconda fase in dettaglio, perché è la parte veramente difficile.

La difficoltà è la memoria. I telefoni hanno rigidi limiti su quanta memoria il software può utilizzare in un dato momento. Per inserire la generazione audio di alta qualità entro questi limiti, gli ingegneri di Apple hanno costruito un design in tre parti che converte i token semplici in un formato audio più ricco chiamato RVQ, che sta per residual vector quantization. Pensa a RVQ come a un set stratificato di istruzioni audio che affinano progressivamente la qualità del suono, simile a come un'immagine JPEG si carica sfocata e poi si nitidisce.

Tutto questo funziona sul coprocessore Apple Matrix, o AMX, un'unità di calcolo dedicata integrata nei chip Apple Silicon come la serie A e la serie M. L'AMX gestisce l'intenso calcolo senza scaricare il processore principale o la batteria.

Perché è importante che tutto rimanga sul dispositivo?

La privacy è la risposta breve. Poiché la sintesi audio avviene interamente on-device, la tua voce e ciò che Siri ti risponde non viaggiano mai verso i server di Apple. Non c'è nulla da intercettare, archiviare o sottoporre a ordine del tribunale. Per gli utenti preoccupati dagli assistenti vocali che li ascoltano, questa architettura è una scelta di progettazione significativa, non solo un'affermazione di marketing.

Le prestazioni sono l'altro vantaggio. L'elaborazione locale significa non aspettare un andata e ritorno verso un server remoto. La risposta vocale inizia quasi immediatamente.

Cosa significa questo per gli utenti comuni?

Se il tuo dispositivo supporta la funzione, Siri semplicemente suona meglio. Non devi cambiare alcuna impostazione o acconsentire a nulla. Il miglioramento arriva tramite un aggiornamento software.

Il segnale più ampio è che Apple sta incorporando capacità di AI seria nel chip piuttosto che affidarsi ai server cloud. Questo approccio dà priorità sia alla privacy che alla velocità, e questo motore audio è uno degli esempi più chiari finora di come appare questo nella pratica.