语音识别：经典模型【LAS、CTC，RNA，RNN-T、Neural Transducer，MoChA】

语音模型：即将 sound 转为 text。

Text： a sequence of Token 长度：N，总种类数量：V

Sound： vectors sequence 长度：T，维度：d

RNN Transducer（RNN-T）

RNA 再改动改动就能成为 RNN-T。

• 考虑一个问题，我们是否能将一个 vector map 识别为一串 token ？比如说听到了 “/θ/、/ð/”，识别为 th
• RNN-T 就可以这样，RNA是只输入一个 vector，输出一个 token，而 RNN-T 却可以在同一个 vector 上一直输出 token，直到model觉得满意为止（可以以 ∅ 为号来作为结束标志）
  
  比如下面这个例子：

• 这里，每一个 ∅ 都代表一