文档摘要

自动语音识别 自动语音识别（Automatic Speech Recognition，ASR）把 spoken audio 转换为书面文字，在人类语音与机器可读语言之间架起桥梁。本文件涵盖 GMM-HMM、CTC 损失、RNN-T 转录器、基于注意力的编码器-解码器模型（LAS）、Whisper 以及端到端 ASR——从经典流水线到现代神经架构。 自动语音识别（ASR）的任务是把口语音频转换为书面文字。它是 AI 中最古老的问题之一（20 世纪 50 年代的最早系统只能识别单个数字），也是商业部署最广泛的技术之一（语音助手、转录服务、字幕生成）。 困难之处在于语音的巨大可变性：不同的说话人、口音、语速、背景噪声、麦克风特性，以及把连续声学信号映射到离散词语这一根本性的歧义。

---