Conformer 是悄悄接管端到端 ASR 的模型，其配方是将卷积模块固定到每个 Transformer 块上，事实证明这是那些看似简单但行之有效的想法之一。 Transformers 擅长全球背景； CNN 擅长局部声学模式； Conformer 不再让您选择并提供最先进的 LibriSpeech WER，无需语言模型即可达到 2.1%/4.3%。

这篇对古拉蒂等人的长篇评论。论文逐块解压了完整的架构：马卡龙前馈三明治、卷积模块的门控和深度卷积，以及多头自注意力如何与相对位置编码交互。它还深入研究了参数效率的故事，包括 10M 参数的小型模型，其效率仍为 2.7%/6.3% WER。如果 Conformer 在您的生产堆栈中，或者您正在根据 Whisper 样式的仅 Transformer 基线对其进行评估，则深入探讨每个值得理解的设计决策。