以前的语音识别系统基于高斯混合模型(Gaussian Mixture Model, GMM)和隐马尔可夫模型(Hidden Markov Model),即 GMM-HMM 模型。
发展到端对端
目前的端到端系统基本上基于两个框架,
一个是 CTC(Connectionist Temporal Classification)框架,
一个是基于注意力机制的 seq2seq 框架。
CTC典型的有百度的deepspeech2, 科大讯飞DFCNN
基于注意力机制seq2seq:谷歌的LAS
2018年阿里开源自研语音识别模型 DFSMN,准确率高达96.04%,识别率最高