语音识别（ASR）基础介绍第四篇——当今流行做法与CTC-阿里云开发者社区

本篇开始，就进入到了asr当前的流行做法。 这里单独提到了CTC算法。  这个算法对当前asr使用deep learning的方法有重大影响。

总体感觉，写到本篇，工作量反而变得很小。因为进入deep learning时代后，神经网络模型基本都是那么几种，已经不再需要挨个详细介绍。而且看图就能理解的很明白。 所以本篇后半部分基本就是贴图了。。:D

一、CTC

在CTC之前，训练语料要配合上一篇中提到的方法，需要人工把音频中每个时间段对应的是哪个音素的信息标注清楚。  这个工作量和对人及金钱的需求是巨大的。基本都是百万级别手笔。 有个CTC之后， 给定一个音频，就只要告诉这个音频说的是什么文本就好了。 省掉了对齐的那一步。 由此，其重要性可自行判断。

关于CTC，感觉与其这里坑坑洼洼的介绍，不如直接参考这篇知乎的文章——https://zhuanlan.zhihu.com/p/36488476， 一看就懂。

这里就大概说明下CTC的大致原理，详情还是需要直接看下知乎的那篇文章。

CTC 大致原理

半定义性质的讲：CTC 要解决的问题是，算法输入序列的长度远大于输出序列长度的问题。语音识别问题的输入长度是远大于输出长度的，这是因为语音信号的非平稳性决定的，就比如说 “nihao”， 如果按时间片切分，就变成了"nnnnn iiiiii hhh aaa oo" ，但不论怎么表达，这句话最后的标签都是 “nihao”

CTC 为解决这个问题，做了两个操作：

其一是引入了blank 标签。 还记得wav音频的格式吗？ 这里面声音有高峰也有趋近于0的时候。 CTC中认为， 高峰（spike）段的声音对应着音素的labelÿ