神经转导器是流式ASR的主力，但有效地训练它们是出了名的痛苦：RNN-T损失在序列长度上具有立方内存，对齐格在长语音上爆炸，单GPU实验速度缓慢。这个长篇评论讲解了《语音识别神经转导器的高效训练》，揭示了使转导器训练易于处理而不牺牲识别准确性的工程选择，以及为什么这篇论文对那些仍在与OOM崩溃作战的人很重要，他们使用的堆栈是其他团队已经驯化的。

期待对损失计算技巧、内存优化、对齐限制策略和训练计划的彻底讲解，这些使团队能够将RNN-T扩展超越玩具基准范围并进入生产。评论将算法选择与它们为什么在真实硬件上重要以及吞吐量、GPU内存和最终WER之间的权衡在哪里实际影响连接起来。如果你正在调试转导器训练中的OOM崩溃、权衡是否投资于转导器堆栈而不是CTC或基于注意力的编码器-解码器、或只是试图理解为什么有效的RNN-T训练是Interspeech和ICASSP上反复出现的主题，这个评论是节省你一周实现痛苦的深入探讨。在你的下一个转导器冲刺之前排队。