深度学习与人类语言处理-语音识别(part3)

上节回顾[深度学习与人类语言处理-语音识别(part2)](https://www.cnblogs.com/gongyanzh/p/12515971.html)，这节课我们接着看seq2seq模型怎么做语音识别 ---  上节课我们知道LAS做语音识别需要看完一个完整的序列才能输出，把我们希望语音识别模型可以在听到声音的时候就进行输出，一个直观的想法就是用单向的RNN，我们来看看CTC是怎么做的 ### CTC 根据上面说的，在线语音识别，模型在听到声音的时候就需要输出，我们看下使用RNN的基本架构  ``` input: 长度为T的声学特征 Encoder：单向RNN ouput：长度为T的token,每一个输出位置对应词典中每个词的概率 ``` 但是对每一个输入的声学特征不总是会有对应的输出token，每一声学特征所包含的信息是非常少的，所以CTC在输出的词汇表中加入了一个标记$\phi$，表示什么也没有，词典大小变为V+1 ``` ouput：长度为T的token,其中包括