Alex Graves 的 RNN-T 論文是當今幾乎每個上線串流 ASR 系統的無聲先驅，從 Google 的裝置內辨識器到 NeMo、ESPnet 及其他眾多開源轉導器堆疊。這個過程宣稱自己是關於序列轉導與遞迴神經網路最詳細的說明，並通過分解其他摘要忽視的模型的每個部分來贏得這個標籤，從損失推導到對齐格點的實際含義。

期待通過編碼器-預測器-連接器架構、轉導器損失及其對齐格點、空白符號及其在輸出時序中的角色，進行細心的導覽，以及 RNN-T 如何解決純 RNN 在語音辨識、機器翻譯、蛋白質二級結構預測和文字轉語音等任務上無法自行處理的對齐問題。TIMIT 音素結果將理論應用於具體事物，而圖表在公式單獨會讓你迷失的地方發揮重要作用。如果你曾試圖從頭實現 RNN-T、除錯轉導器損失並希望有人能再次繪製格點圖、或需要向團隊成員解釋為什麼轉導器不僅僅是花哨的 CTC，這個深入探討值得暫停你的開發。