Conformer 通過做一件幾乎平凡的事震撼了 ASR 世界：將卷積模組粘合到每個 Transformer 區塊中，使模型一次性捕捉全域文脈和局部聲學細節。回報是巨大的—在沒有語言模型的情況下在 LibriSpeech 上達到 2.1%/4.3% 的 WER，現在它是大部分生產語音系統的預設骨幹。

這篇關於 Gulati 等人論文的短篇評論抓住了要點：馬卡龍前饋結構的樣子、為什麼卷積模組很重要，以及小型 10M 參數變體如何仍然提供具有競爭力的 2.7%/6.3% WER 數字。如果你不斷在 NeMo、ESPnet 或基準排行榜中看到 Conformer，想知道這一切究竟是什麼回事，這是最快的定向方式。在深入閱讀完整論文之前值得快速觀看。