端到端语音识别系统

本文主要观点来自于 google论文。

Towards End-to-EndSpeech RecognitionUsing Deep Neural Networks。
问题背景：

传统语音识别系统需要经过提特征,声学建模（state-phoneme-triphone），语言建模系列过程，其中声学建模需要对上下文相关的音素模型进行状态聚类，对每一帧特征需要做对齐。

端到端系统主要提出了下面的问题：

1. 特征表示：

     神经网络既然可以用来做特征学习，是否可以直接从原始音频信号中直接提取特征，不需要手工的提取log-mel特征？

2. 声学建模： 

     DNN,CNN 和 LSTM通常用来进行声学建模，通过结合这些结构是否可以更好建模？

3. 是否可以减少对现有CD-state（通过HMM训练和聚类得到）和aligment的依赖？例如利用CTC