上節回顧[深度學習與人類語言處理-語音識別(part2)](https://www.cnblogs.com/gongyanzh/p/12515971.html)，這節課我們接著看seq2seq模型怎麼做語音識別 ---  上節課我們知道LAS做語音識別需要看完一個完整的序列才能輸出，把我們希望語音識別模型可以在聽到聲音的時候就進行輸出，一個直觀的想法就是用單向的RNN，我們來看看CTC是怎麼做的 ### CTC 根據上面說的，線上語音識別，模型在聽到聲音的時候就需要輸出，我們看下使用RNN的基本架構  ``` input: 長度為T的聲學特徵 Encoder：單向RNN ouput：長度為T的token,每一個輸出位置對應詞典中每個詞的概率 ``` 但是對每一個輸入的聲學特徵不總是會有對應的輸出token，每一聲學特徵所包含的資訊是非常少的，所以CTC在輸出的詞彙表中加入了一個標記$\phi$，表示什麼也沒有，詞典大小變為V+1 ``` ouput：長度為T的token,其中包括