Conformer 是悄然佔據端到端 ASR 的模型，其方法是在每個 Transformer 區塊加入卷積模組，這個看似簡單卻非常有效的想法被證實就是有效的。Transformer 擅長全域文脈，CNN 擅長局部聲學模式；Conformer 無需選擇即可兼得，並在沒有語言模型的情況下在 LibriSpeech 上達到最先進的 WER 2.1%/4.3%。

這篇關於 Gulati 等人論文的長篇評論逐個分解了完整架構：馬卡龍前饋三明治、卷積模組的門控和深度卷積，以及多頭自注意力如何與相對位置編碼交互。它還深入探討了參數效率的故事，包括仍能達到 2.7%/6.3% WER 的 10M 參數小型模型。如果 Conformer 在你的生產堆棧中，或你正在根據 Whisper 風格的純 Transformer 基線評估它，這篇深入探討會逐一介紹每項值得理解的設計決策。