ورقة RNN-T الخاصة بـ Alex Graves هي السلف الهادئ لكل نظام ASR للبث يتم شحنه اليوم، من معرف Google على الجهاز إلى عدد لا يحصى من مكدسات transducer مفتوحة المصدر في NeMo و ESPnet وما بعده. يُعرّف هذا الشرح نفسه بأنه أكثر توضيح تفصيلي لـ Sequence Transduction with Recurrent Neural Networks هناك، ويستحق هذا الوصف من خلال تفكيك كل جزء من النموذج الذي تتجاهله الملخصات الأخرى، من اشتقاق الخسارة إلى الآثار العملية لشبكة المحاذاة.

توقع جولة دقيقة عبر معمارية encoder-predictor-joiner وخسارة transducer وشبكة المحاذاة الخاصة بها والرمز الفارغ ودوره في توقيت الإخراج، وسبب قيام RNN-T بحل مشكلة المحاذاة التي لا يمكن للـ RNNs النقية التعامل معها بمفردها للمهام مثل التعرف على الكلام والترجمة الآلية والتنبؤ بالهيكل الثانوي للبروتين والنص إلى كلام. تُرسّخ نتائج TIMIT على مستوى الفونيم النظرية في شيء ملموس، والرسوم البيانية تقوم بالعمل الثقيل حيث المعادلات وحدها ستُفقدك. إذا حاولت من قبل تطبيق RNN-T من الصفر أو قمت بتصحيح خسارة transducer وتمنيت أن يرسم شخص ما شبكة المحاذاة مرة أخرى، أو احتجت لشرح لعضو في فريقك لماذا transducer ليس فقط CTC فاخر، فإن هذا الغوص العميق يستحق إيقاف عملية البناء الخاصة بك لأجله.