端到端语音识别的输入和输出 输入:主流的输入特征是fbank.一些论文中也用MFCC以及raw waveform.fbank特征的处理过程一般是对一段语音进行进行预加重、分帧、加窗、短时傅里叶变换、mel滤波、去均值等。一个fbank向量往往对应10ms的语音。 输出:可以是字母,子词,词等等,目前以子词(subword)当作输出比较流行。