使用单一的深度神经网络模型，直接从输入的音频特征（如梅尔频谱图）映射到输出的文本序列。避免了传统流水线中复杂的模块（如声学模型、发音模型、语言模型）的设计和优化，以及它们之间的依赖关系和错误传递问题。

　　基于自注意力机制，擅长捕捉序列中的长距离依赖关系，是目前主流的端到端模型骨干网络，如 Conformer（CNN + Transformer 混合）。

　　结合了循环神经网络（如LSTM、GRU）和Transducer结构，在序列建模上表现出色。

　　CTC (Connectionist Temporal Classification)：

　　也是一种端到端训练方法，允许输入和输出序列在时间上不对齐，但在解码时通常还需要结合语言模型。

　　模型结构简化，开发周期缩短；端到端优化理论上性能上限更高；减少了传统方法中的特征工程和领域知识需求。

　　训练需要海量标注数据；模型通常较大，计算资源消耗高；对训练数据噪声和领域漂移可能更敏感；解释性相对较差。

　　这是深度学习早期进入语音识别领域时取代传统GMM的方法。它保留了传统统计模型中的

　　训练一个DNN网络：输入是声学特征向量（通常结合上下文帧），输出是HMM状态（音素状态）的概率分布。

　　或其他神经语言模型（如RNNLM），使用Viterbi算法或加权有限状态转换器搜索最优的词序列。

　　相比传统GMM，DNN提供了更强大的声学建模能力，显著提升了识别率；利用了HMM在建模时序上的成熟性；语言模型可以独立训练和更新。

　　系统仍然相对复杂（需要设计声学单元、训练HMM拓扑、训练DNN、训练语言模型、设计解码器）；对领域知识（如发音词典）有依赖；训练流程分阶段。

　　这是语音识别技术发展史上影响最大、统治时间最长的经典方法。核心由三部分组成：

　　建模音素（或更小的单位，如三音素）的声学表现及其随时间的变化（通常每个音素对应一个小的HMM状态序列）。

　　用于计算在每个HMM状态下，观测到特定声学特征向量（如MFCC）的概率。

　　在解码搜索时，结合声学似然度（HMM-GMM输出）、发音词典信息、N-gram语言模型概率，搜索所有可能的词序列路径（通常构建一个巨大的搜索图），找到概率最高的路径作为识别结果（常用Viterbi算法）。

　　方法成熟稳定；对数据和算力的要求相对较低（在HMM-DNN之前）；理论基础扎实。

　　GMM建模能力有限，尤其是对复杂的声学特征分布（如区分性特征）；系统非常复杂，模块众多，依赖大量领域知识（HMM设计、GMM训练、发音词典构建）；性能上限低于基于深度学习的模型；N-gram语言模型的建模能力有限。

　　，曾极大推动了性能提升，在新系统中已逐渐被端到端取代，但在部分场景仍有应用或作为基础。

　　，代表了技术发展的方向，因其简化流程和潜在的性能优势被广泛采用。Tra星空体育官方入口 星空体育官网nsformer (如Conformer) 和RNN-T是其中最重要的代表。

　　在现代语音识别系统中都扮演着极其重要的角色，用于显著提升识别结果的语言流畅度和准确性。在HMM-DNN/HMM-GMM中作为独立模块使用，在端到端模型中可以通过浅融合、重打分或深融合等方式集成。

　　引言： 随着人工智能的飞速发展，离线语音识别技术成为了一项备受瞩目的创新。离线