3.1 基本思想：直接从声学特征到文本序列映射

文档摘要

3.1 基本思想：直接从声学特征到文本序列映射 3.1 基本思想：直接从声学特征到文本序列映射端到端语音识别（End-to-End Automatic Speech Recognition, E2E ASR）的核心思想在于摒弃传统语音识别系统中独立建模的声学模型、发音词典和语言模型等模块，转而构建一个单一的神经网络模型，该模型能够直接将输入的声学特征序列映射到输出的文本序列。这种直接映射的理念是端到端方法最根本的突破，它极大地简化了系统架构，并带来了显著的性能提升。 3.1.1 传统语音识别的局限性与端到端思想的诞生为了更好地理解端到端思想的优势，我们首先回顾传统语音识别（Hybrid ASR）的典型架构及其存在的局限性。