Conformer 通过做一件几乎无聊的事——在每个 Transformer 块中添加卷积模块，使模型一次性捕捉全局上下文和局部声学细节——震撼了 ASR 世界。收益是巨大的，在 LibriSpeech 上实现 2.1%/4.3% WER，无需语言模型，现在它是大量生产语音系统的默认骨干网络。

这份关于 Gulati 等人论文的短篇评论涵盖要点：macaron 前馈结构是什么样的、为什么卷积模块很重要，以及仅有 1000 万参数的小型变体如何仍能提供 2.7%/6.3% WER 的竞争力数字。如果你不断在 NeMo、ESPnet 或基准排行榜上看到 Conformer，想要了解所有这些热议是怎么回事，这是最快上手的方式。在深入研究完整论文之前值得快速观看。