近年来，循环神经网络转换器（Recurrent Neural Network Transducer, RNN-T）因其天然的流式处理能力以及优异的性能而受到越来越多的关注。然而，RNN-T的训练过程需要大量的时间和计算资源，主要原因是其损失函数的计算效率较低且内存开销较大。此外，RNN-T的一个固有局限在于，为获得更优性能，模型倾向于访问更多的上下文信息，从而导致在流式自动语音识别（Streaming ASR）中产生较高的输出延迟。针对这一问题，本文提出了一种边界感知转换器（Boundary-aware Transducer, BAT），旨在实现高效内存利用与低延迟的流式ASR。在BAT中，RNN-T损失计算所依赖的解码格（lattice）被限制在由连续积分-放电（Continuous Integrate-and-Fire, CIF）模型对齐结果所确定的局部区域内，该区域与RNN-T模型联合优化。大量实验结果表明，相较于传统的RNN-T，BAT在训练阶段显著降低了时间和内存消耗，并在推理阶段实现了良好的词错误率（CER）与延迟之间的权衡，适用于实时流式语音识别场景。