2019年1月

语音识别两条路：

传统方法：GMM+HMM，DNN+HMM，kaldi工具实现

神经网络：CTC（Connectionist Temporal Classification）框架（deepspeech2, 科大讯飞DFCNN），注意力机制的 seq2seq 框架（谷歌的LAS）

俞栋所说：“只有当新模型比旧模型好很多的时候，替换才会发生。当然，这里的好是多方面的，不单单是识别率好，也可能是在其他指标不变的情况下你的运算量小了，或者是解码速度提升了。”

CTC 的好处是可以采用更大的建模单元，坏处是存在一个随机延迟的问题，即结果出来的时间不是预先可知的。随机延迟的后果是断句困难，这会给用户造成一种「你怎么比别人慢」的感觉。

语音助手类，大部分仍然在使用混合系统。而对实时性没有要求的产品，比如 YouTube 的字幕生成器，因为可以离线，所以有延时也没有关系。

语音研究方向：

    前端：主要围绕在家居和车载环境所必须的麦克风阵列、降噪、去回声、去混响、唤醒等功能

    声学模型：主要关注如何将声学信号建模

    语言模型：语言文字本身建模

CTC:

 

注意力机制：