https://zhuanlan.zhihu.com/p/33464788
基于CTC的语音识别基础与实现
首先明确语音识别的任务是怎样的。输入input是音频wav文件，保存的一般是经过抽样量化编码之后数字信号，也就是每个样点的值，即我们经常看到的波形序列（图1的cat的波形）。输出是文字序列，代表这段音频的内容。很显然，按照现在对深度学习任务的划分，这是一个Sequence-to-Sequence的问题。也可以理解为是一个序列标注的问题。该问题与机器翻译，连续手写数字体识别类似，可以划分到一类。
但是语音识别的问题远没有这么简单。
想象一下如果人在听一句话的时候，如果这句话具有很强的领域性，在没有相关领域的知识情况下，可能很难得到这句话正确的内容。比如某个词你没有学过，你可能能复述发音，但是是无法书写出来并且理解的。
所以只有wav文件的信息是不够的，需要语言学的先验知识，所以语言模型(Language Model)在语音识别的过程中是必不可少的。
而对wav作为输入得到的模型叫做声学模型（Acoustic Model）。另外在传统的语音识别过程中，声学模型的输出单元一般为音素或者是音素的状态，而语言模型一般是词级别的语言模型，两者的联合解码（也就是一般的测试推断过程）时需要知道每个词（word）是由哪些音素（phoneme）组成的，也就是这个词是怎么发音的。所以中间需要一个发音词典，一般也被叫做音素模型（Phoneme Model）。
