Apple（苹果）

Mechanisms of Multimodal Synchronization: Insights from Decoder-Based Video-Text-to-Speech Synthesis

多模态同步机制：来自基于解码器的视频-文本到语音合成的洞察

Akshita Gupta, Tatiana Likhomanenko, Karren Dai Yang, Richard He Bai, Zakaria Aldeneh, Navdeep Jaitly

机构 * Apple（苹果公司） 纠错

AI总结 本文通过视频-文本到语音合成研究多模态同步机制，探讨了解码器如何整合不同模态信息，以及模态顺序对性能和迁移的影响，提出了TimeSync指标用于细粒度分析。

Comments 30 pages, Decoder-only model, Speech Synthesis

Open-TQ-Metal: Fused Compressed-Domain Attention for Long-Context LLM Inference on Apple Silicon

Open-TQ-Metal：融合压缩域注意力的长上下文LLM推理

Sai Vegasena

机构 * Apple Silicon 纠错

AI总结 Open-TQ-Metal在Apple Silicon上实现了首个融合压缩域注意力的实现，使Llama 3.1 70B在单台64GB Mac上实现128K上下文推理，通过量化KV缓存和自定义Metal计算着色器提升了推理效率和内存利用率。

Comments 8 pages, 8 figures, 8 tables. Code: https://github.com/svv232/gemma4metal and https://github.com/svv232/turboquant-llama3.170B

Forge-UGC: FX optimization and register-graph engine for universal graph compiler

Forge-UGC：面向通用图编译器的FX优化与寄存器图引擎

Satyam Kumar, Saurabh Jha

机构 * Intel（英特尔） ； Qualcomm（高通） ； AMD ； Apple（苹果） 纠错

AI总结 Forge-UGC通过四阶段编译器提升Transformer在异构加速器上的部署效率，采用硬件无关设计，优化图捕获、优化、中间表示降低及后端调度，显著降低编译时间和推理延迟。

StereoFoley: Object-Aware Stereo Audio Generation from Video

StereoFoley：从视频生成对象感知的立体音频

Tornike Karchkhadze, Kuan-Lin Chen, Mojtaba Heydari, Robert Henzel, Alessandro Toso, Mehrez Souden, Joshua Atkins

机构 * UC San Diego（UC圣地亚哥大学） ； Apple（苹果公司） 纠错

AI总结 本文提出StereoFoley框架，通过视频生成与音频同步的立体声，解决视频到音频生成中对象感知的难题，引入合成数据生成流程提升空间准确性。

Comments Accepted to ICASSP 2026

Journal ref Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2026