想象这样一个晚上：你窝在沙发里，点开一部没有字幕的外语剧。演员说了一长串话，声音一帧接一帧地涌来，而你的任务是把它写成屏幕上短短几行字幕。最大的麻烦是——声音又长又连续，字幕又短又离散，到底哪一帧对应哪个字？如果一帧一帧地人工标注，怕是天亮也标不完一集。 CTC（Connectionist Temporal Classification）就像一位专治这个麻烦的“听写员”。它先给每一帧声音都记下几个候选字符，连成一条长长的工作草稿，再用一套折叠规则——把拖长的音合并、把含糊的空位跳过——把草稿整理成真正的字幕。更妙的是，它训练时根本不需要你标注每帧对应哪个字，只要给它一句完整的字幕，它自己就能学会对齐。接下来，我们会跟着这位听写员，看看 blank 空位如何工作、贪心解码如何快刀斩乱麻、Beam Search 如何稳扎稳打，以及它和另一位听写员 RNN-T 的区别。

岗位关联

理解 CTC 解码，是踏入语音识别工程的第一道门槛。无论你是在训练端到端 ASR、调试解码器延迟，还是上线语音产品，都绕不开这套“听音写字”的基本功。

目录
  1. 可视化演示
  2. 认识CTC
  3. 对齐机制
  4. 贪心解码
  5. Beam Search
  6. 与RNN-T对比
  7. 端到端训练
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

交互式演示CTC解码的blank标签对齐、贪心解码、Beam Search搜索过程，通过滑块调节束宽观察解码路径变化。

本节配有交互动效（进入视口后自动加载，约 3KB）。

CTC对齐模式 blank标签 字符标签 多对一映射实现无需对齐的端到端训练

认识CTC

你正在追一部外语剧，想给每一集配上字幕。演员语速飞快，声音像流水一样涌来，而你手里的纸只有几行空格。最难的不是“听懂”，而是“对位”：这么长一串声音，哪一段对应哪个字？如果逼你把每一帧画面都标上一个字，这活儿根本没法干。

CTC 就是来解决这个“长语音对短文本”问题的。它的全称是连接时序分类（Connectionist Temporal Classification），听起来很唬人，内核却是一位聪明的听写员。它不需要你提前告诉它“哪个音帧对应哪个字”，只需要最终的那句字幕，它自己就能把声音和文字的对齐关系学出来。

具体怎么做呢？对于一段输入语音 $X$（可以理解为一长串声学快照），模型在每一帧都会输出一个概率分布：可能是字母、也可能是 blank 占位符。把每帧挑一个标签连起来，就是一条“路径”$\pi$。一句字幕 $Y$ 对应的概率，等于所有能折叠成 $Y$ 的路径概率之和：

你看，听写员并不需要逐帧知道“这是哪个字”，它只需要在最后交出一句正确的字幕。所有草稿路径的概率加起来，就是这句字幕被“听对”的总把握。这就是 CTC 登堂入室的第一课：用路径求和，绕开逐帧对齐。

P(Y∣X)=∑π∈B−1(Y)∏t=1Tpt(πt∣X)\displaystyle P(Y \mid X) = \sum_{\pi \in \mathcal{B}^{-1}(Y)} \prod_{t=1}^{T} p_t(\pi_t \mid X)
这个公式是 CTC 的总纲：先给每帧打分，再把“能整理成同一句字幕”的所有草稿路径概率全部加起来，得到整句字幕的概率。
  1. 草稿路径模型在每一帧 $t$ 都会输出一个候选标签 $\pi_t$，把这些标签按时间连起来，就是一条听写草稿。
    π=(π1,π2,…,πT)\displaystyle \pi = (\pi_1, \pi_2, \ldots, \pi_T)
  2. 单条路径的打分每一帧的候选概率相乘，得到这条草稿路径整体的可信度。
    ∏t=1Tpt(πt∣X)\displaystyle \prod_{t=1}^{T} p_t(\pi_t \mid X)
  3. 折叠函数$\mathcal{B}$ 是听写员的整理规则，把草稿路径变成最终字幕。$Y$ 是目标文本，$\mathcal{B}(\pi) = Y$ 表示这条草稿能整理成目标字幕。
    B:π↦Y\displaystyle \mathcal{B}: \pi \mapsto Y
  4. 汇总所有可能$\mathcal{B}^{-1}(Y)$ 是所有能折叠成 $Y$ 的路径集合，把它们全部求和，才是字幕 $Y$ 的总概率。
    ∑π∈B−1(Y)\displaystyle \sum_{\pi \in \mathcal{B}^{-1}(Y)}

对齐机制

听写员上岗第一天就碰到两个麻烦。第一个麻烦是“拖音”：演员把“好”字拖了整整一秒，这一秒里有几十帧，总不能写几十个“好”吧？第二个麻烦是“含糊音”：有些帧既像这个音又像那个音，硬选一个反而容易错。于是听写员发明了一个记号——blank，写作 _，专门表示“这一帧我先空着，不急着定”。

这里要特别注意：blank 不是静音，也不是句间停顿。它是“无标签”的占位符，作用就像草稿纸上的空格键。最妙的是，这个空格键还能解决“重复字”的问题。比如要表达字幕 aa，如果路径是 a a，折叠时两个相邻的 a 会被合并成一个 a，字幕就丢了。但如果写成 a _ a，中间的 blank 把两个 a 隔开，折叠后就能保留 aa。

CTC 的折叠规则 $\mathcal{B}$ 只有两步：先合并连续相同的标签，再删掉所有 blank。我们用一个小例子看，假设路径是 a _ a a _ b：

blank 就像字幕编辑里的“空格键”：它让相同字符可以连续出现而不被合并，也给了模型一个缓冲地带去处理那些含糊的音段。理解了折叠规则，你就掌握了 CTC 的核心玄机——声音再长，也能被这张折叠规则“压”成一句干净字幕。

B(a,_,a,a,_,b)=(a,a,b)\displaystyle \mathcal{B}(a, \_, a, a, \_, b) = (a, a, b)
这就是 CTC 的“对齐魔法”：不管声音拖得多长、多含糊，只要最终能折叠成同一句字幕，就算对齐成功。
  1. 原始草稿听写员逐帧记下的序列，_ 表示这一帧先空着。
    π=(a,_,a,a,_,b)\displaystyle \pi = (a, \_, a, a, \_, b)
  2. 合并拖音相邻且相同的标签只保留一个，像拖长音的 a a 只算一个 a。
    (a,_,a,a,_,b)⇒(a,_,a,_,b)\displaystyle (a, \_, a, a, \_, b) \Rightarrow (a, \_, a, \_, b)
  3. 跳过空位把所有的 blank 标记删掉，剩下的就是正式字幕。
    (a,_,a,_,b)⇒(a,a,b)\displaystyle (a, \_, a, \_, b) \Rightarrow (a, a, b)

贪心解码

听写员是个急性子，他发明了一套“速记法”：每一帧画面，哪个候选字符看着最顺眼就写哪个，绝不留恋，绝不回头。就像考试时做一道选择题，不检查前后文，直接选当下概率最大的那个答案。

这套方法在 CTC 里就叫贪心解码。它把解码拆解成 $T$ 个独立的小问题：每一帧只做一次 $\arg\max$，挑出该帧概率最高的标签，连成一条路径，最后折叠成字幕。优点是速度飞快——每帧只比较几十个候选，延迟极低；缺点是容易犯“局部最优”的错误：单帧看着最合理的标签，连起来未必是整句最优。

急性子听写员的优点是快，缺点是“一着不慎，满盘皆输”——某一帧选错，可能让整句字幕跑偏。但在延迟敏感的实时场景里，比如直播字幕、语音助手，贪心解码依然是最常用的第一版方案。

π^t=arg⁡max⁡ℓ∈L∪{blank}pt(ℓ∣X),Y^=B(π^1,…,π^T)\displaystyle \hat{\pi}_t = \arg\max_{\ell \in \mathcal{L} \cup \{\text{blank}\}} p_t(\ell \mid X), \qquad \hat{Y} = \mathcal{B}(\hat{\pi}_1, \ldots, \hat{\pi}_T)
贪心解码是“最快的近似解”：每帧取最大值，拼路径，再折叠。它不保证全局最优，但胜在简单高效。
  1. 每帧选最可能标签在词典 $\mathcal{L}$ 和 blank 中，挑出概率最大的那个标签 $\hat{\pi}_t$。
    π^t=arg⁡max⁡ℓpt(ℓ∣X)\displaystyle \hat{\pi}_t = \arg\max_{\ell} p_t(\ell \mid X)
  2. 拼成完整草稿把所有帧选出的标签按时间顺序连起来，得到一条完整的贪心路径。
    π^=(π^1,π^2,…,π^T)\displaystyle \hat{\pi} = (\hat{\pi}_1, \hat{\pi}_2, \ldots, \hat{\pi}_T)
  3. 折叠成字幕用折叠规则 $\mathcal{B}$ 把草稿路径整理成最终字幕。
    Y^=B(π^)\displaystyle \hat{Y} = \mathcal{B}(\hat{\pi})

Beam Search

老练的听写员从不只带一个草稿本，而是同时摊开 $B$ 个草稿本。每听到新的一帧，他就在每个本子上分别记下候选字，然后把最不像真字幕的本子撕掉，始终保持 $B$ 本最有希望的草稿。这，就是 Beam Search，其中 $B$ 叫束宽。

束宽 $B$ 是个超参数。$B = 1$ 时，Beam Search 退化成贪心解码；$B$ 越大，越接近全局最优，但每一步要维护的候选路径也越多，计算成本线性上涨。每一步，算法会先从已有的 $B$ 条路径出发，给每条路径接上所有可能的下一标签，然后按对数概率排序，只保留前 $B$ 名：

多本草稿的好处是“东方不亮西方亮”：某一帧声学特征有歧义时，几条候选路径可以互相兜底。工业界的离线识别常常用 Beam Search 配合语言模型，把声学分数和语言分数合在一起排序，识别准确率比贪心解码高出一大截。

Ht=top-B⁡{log⁡P(π∣X1:t)  |  π∈Ht−1ext}\displaystyle \mathcal{H}_t = \operatorname{top\text{-}B}\left\{ \log P(\pi \mid X_{1:t}) \;\middle|\; \pi \in \mathcal{H}_{t-1}^{\text{ext}} \right\}
Beam Search 是“多本草稿同时推进”的搜索方法：每一步扩展候选、打分、剪枝，最终留下总分最高的那条路径。
  1. 长出候选每步先把上一步保留的路径，分别接上词典里所有可能的下一标签，得到一个更大的候选集合。
    Ht−1ext={(π,ℓ)∣π∈Ht−1,  ℓ∈L∪{blank}}\displaystyle \mathcal{H}_{t-1}^{\text{ext}} = \{ (\pi, \ell) \mid \pi \in \mathcal{H}_{t-1},\; \ell \in \mathcal{L} \cup \{\text{blank}\} \}
  2. 计算得分对每条新路径计算对数概率，兼顾了从第 1 帧到第 $t$ 帧的所有声学证据。
    log⁡P(π∣X1:t)\displaystyle \log P(\pi \mid X_{1:t})
  3. 保留前 B 条按得分从高到低排序，只留下前 $B$ 条路径进入下一轮，其余全部淘汰。
    Ht=top-B⁡(⋅)\displaystyle \mathcal{H}_t = \operatorname{top\text{-}B}(\cdot)

与RNN-T对比

很快，团队里来了另一位听写员 RNN-T，他的工作风格完全不同。CTC 是“先录音、后整理”——把整段草稿记完再统一折叠；而 RNN-T 是“边听边确认”——每写一个字，都要回头看一眼已经写出的内容，再决定下一个字是什么。他的手里多了一个“提示器”，叫预测网络，专门把已写出的字幕喂回来，辅助下一步预测。

结构上的核心差异在于输出节奏。CTC 的每一帧最多输出一个标签，所有字符必须靠 blank 隔开；RNN-T 则允许在一个输入帧内连续输出多个标签，直到输出一个特殊的 blank 才跳到下一帧。这使得 RNN-T 在流式识别中更灵活——它可以不等一句话说完，就能一个字一个字地“吐”出来。

RNN-T 的条件概率可以近似写成逐字生成的级联形式：

一句话总结：CTC 是把语音“压扁”再去匹配文本，RNN-T 是把文本“拉长”去贴合语音。CTC 设计简单、训练稳定，适合短句和离线场景；RNN-T 更流畅、更适合长句和实时交互。选谁，要看你的产品更在意延迟还是更在意长文本的连贯性。

P(Y∣X)=∏u=1UP(yu∣X1:tu,y<u)\displaystyle P(Y \mid X) = \prod_{u=1}^{U} P(y_u \mid X_{1:t_u}, y_{<u})
RNN-T 逐字生成字幕：每一个字既依赖当前已经听到的声音段，也依赖已经写出的字幕前缀，像人一样边听边组织语言。
  1. 逐字生成字幕被拆成 $U$ 个字符，一个一个地输出，整体概率是所有字符概率的乘积。
    ∏u=1UP(yu∣⋅)\displaystyle \prod_{u=1}^{U} P(y_u \mid \cdot)
  2. 双重依赖生成第 $u$ 个字符时，既要看当前语音消费到的声学段 $X_{1:t_u}$，也要看已经写好的字幕前缀 $y_{<u}$。
    P(yu∣X1:tu,y<u)\displaystyle P(y_u \mid X_{1:t_u}, y_{<u})

端到端训练

传统的语音识别系统，训练前得先请人把每一帧声音都标上对应的音素，就像要求听写员给每一帧画面都写注释——费时费力，还容易标错。CTC 最大的贡献，就是把这套繁琐的逐帧标注彻底扔掉，实现真正的端到端训练。

端到端是什么意思？就是训练时只需要给模型一对数据：语音 $X$ 和它对应的字幕 $Y$。模型会自己穷举所有可能的对齐路径，把能折叠成 $Y$ 的路径概率全部加起来，然后让这个总概率尽量大。全程没有任何人告诉它“第 3 帧对应字母 a”，它自己就能学会怎么对齐。

训练目标的数学形式是负对数似然损失：

于是，这位听写员不再需要老师手把手地教每一帧怎么写。只要整句字幕对了，它就自己摸索出了声音和文字之间的对齐规律。这正是 CTC 能成为语音识别主流方案的原因：数据获取成本大幅降低，模型却能学到高质量的对齐能力，在输入法、字幕、会议转写等场景里遍地开花。

LCTC=−ln⁡P(Y∣X)=−ln⁡∑π∈B−1(Y)∏t=1Tpt(πt∣X)\displaystyle \mathcal{L}_{\text{CTC}} = -\ln P(Y \mid X) = -\ln \sum_{\pi \in \mathcal{B}^{-1}(Y)} \prod_{t=1}^{T} p_t(\pi_t \mid X)
CTC 的损失函数：对“目标字幕的总概率”取负对数。模型要做的，就是让这个损失尽量小，也就是让目标字幕的总概率尽量大。
  1. 取负对数把“最大化概率”变成“最小化损失”，方便用梯度下降训练。
    L=−ln⁡P(Y∣X)\displaystyle \mathcal{L} = -\ln P(Y \mid X)
  2. 枚举所有路径求和符号遍历所有能折叠成目标字幕 $Y$ 的草稿路径，一部剧的同一句台词可能对应无数种“口音拖音”的路径。
    ∑π∈B−1(Y)\displaystyle \sum_{\pi \in \mathcal{B}^{-1}(Y)}
  3. 逐帧连乘每条路径的概率，来自每一帧候选标签概率的连乘，任何一帧的低置信度都会拉低整条路径的分数。
    ∏t=1Tpt(πt∣X)\displaystyle \prod_{t=1}^{T} p_t(\pi_t \mid X)

AI 应用场景

语音输入法与语音搜索

阶段：模型训练与部署

解决的问题：传统语音识别需要逐帧音素标注，数据制作成本极高。CTC 端到端训练只需要“语音-文本”对，就能让输入法学会把声音转成文字，省掉了最贵的人工标注环节。

具体案例：某手机厂商训练中文语音输入法，收集了数万小时无标注的语音数据和对应文本。使用 Conformer + CTC 结构训练声学模型，配合贪心解码完成首版识别，上线后识别延迟低于 200ms，让用户“边说边出字”。

直播实时字幕生成

阶段：模型推理与延迟优化

解决的问题：直播场景要求低延迟，不可能等整句话说完了再开始识别。贪心解码每帧只做一次概率比较，速度快、无回溯，能够以极低延迟跟随说话人的语速。

具体案例：某视频平台的直播字幕功能，使用 CTC 声学模型 + 贪心解码做流式识别，每 100ms 刷新一次字幕。虽然偶尔有错别字，但观众能实时看到字幕，体验远胜无字幕。

会议纪要离线转写

阶段：推理精调与后处理

解决的问题：会议录音噪音多、说话人重叠、专业术语密集，单纯贪心解码容易出错。Beam Search 同时维护多条候选路径，再配合语言模型重新打分，能从全局视角选出最通顺的转写结果。

具体案例：某企业会议纪要系统，对 1 小时录音用 CTC + Beam Search（束宽 8）离线转写，并叠加领域语言模型纠错。相比贪心解码，字错误率降低了约 18%，生成了可直接存档的会议纪要。

Python 演示

python59 行
import math # 模拟 8 帧、每帧 4 个标签（0:a 1:b 2:c 3:blank）的概率输出LABELS = ['a', 'b', 'c', '_']probs = [    [0.5, 0.2, 0.2, 0.1],    [0.3, 0.4, 0.1, 0.2],    [0.4, 0.3, 0.2, 0.1],    [0.2, 0.5, 0.2, 0.1],    [0.1, 0.3, 0.5, 0.1],    [0.4, 0.3, 0.2, 0.1],    [0.2, 0.4, 0.3, 0.1],    [0.3, 0.2, 0.4, 0.1],]  def collapse(path):    """CTC 折叠：合并连续重复标签，再移除 blank。"""    text = []    prev = None    for token in path:        if token == 3:  # blank 打断连续字符            prev = None            continue        if token != prev:            text.append(token)            prev = token    return text  def greedy_decode(probs):    path = [max(range(4), key=lambda t: probs[i][t]) for i in range(len(probs))]    return [LABELS[x] for x in collapse(path)]  def beam_search_decode(probs, beam_size=3):    beams = [([], 0.0, None)]  # (路径, 对数概率, 最近非blank标签)    for frame in probs:        candidates = []        for path, log_p, prev in beams:            for token, p in enumerate(frame):                if p == 0.0:                    continue                new_path = list(path)                new_prev = prev                if token == 3:                    new_prev = None                elif token != prev:                    new_path.append(token)                    new_prev = token                candidates.append((new_path, log_p + math.log(p), new_prev))        candidates.sort(key=lambda x: x[1], reverse=True)        beams = candidates[:beam_size]    best = max(beams, key=lambda x: x[1])    return [LABELS[x] for x in best[0]]  print('贪心解码结果:', ''.join(greedy_decode(probs)))print('Beam Search结果:', ''.join(beam_search_decode(probs, beam_size=3)))
目的：用一份模拟的逐帧概率矩阵，分别实现 CTC 贪心解码和 Beam Search，直观对比两种解码方式的输出。
  1. def collapse(path):定义 CTC 折叠函数，先合并连续重复、再删除 blank，是解码的“最后一步整理”。
  2. if token == 3:判断当前标签是否为 blank（索引 3），blank 会把连续字符关系重置。
  3. if token != prev:只有当前标签与上一个输出不同时才追加，实现“合并拖音”。
  4. path = [max(range(4), key=lambda t: probs[i][t]) ...]贪心解码：每一帧直接取概率最大的标签索引。
  5. beams = [([], 0.0, None)]Beam Search 的初始状态：一条空路径、对数概率 0、无最近标签。
  6. for token, p in enumerate(frame):遍历当前帧每个标签及其概率，做路径扩展。
  7. candidates.sort(key=lambda x: x[1], reverse=True)按对数概率从大到小排序所有候选路径。
  8. beams = candidates[:beam_size]只保留前束宽条路径，其余全部淘汰。
  9. best = max(beams, key=lambda x: x[1])最终取整体概率最高的那条路径作为解码结果。

常见误区

误区我一直以为 blank 就是检测到没人说话、纯粹的静音时段，所以它的概率在安静时会变高。

正解blank 并不是声学上的“静音”，而是模型对“当前帧该输出什么还不确定”的占位符。它可以出现在任何帧上，哪怕是响亮的语音段。它的真正作用是消化多出来的时间帧，并隔开相邻的相同字符。静音是声学现象，blank 是序列标签，两者不是一回事。

为何常见：blank 的英文直译是“空白”，初学者很容易把它和无声、静音联系起来。

误区CTC 解码不就是每帧取最大概率的标签吗？训练完直接取 argmax 就是最终结果了。

正解贪心只是最快的一种近似解码，不是唯一方法。每帧的 argmax 组合起来未必是全局最优——某一帧的小错可能毁掉整句。Beam Search 从整句视角维护多条候选路径，通常准确率更高。就像考试时只顾眼下这题，不如同时检查几份草稿。

为何常见：很多开源工具默认提供 greedy 解码，初学者上手即用，误以为它就是 CTC 的标准答案。

误区P(Y|X) 是不是把目标文本 Y 里每个字符的概率直接相乘？比如"hello"就是五个字符概率连乘。

正解不对。目标文本 Y 的概率等于所有能折叠成 Y 的路径概率之和。同一个字幕“aa“可以由”a _ a”、"a a a"等多条路径产生，每条路径概率不同，全部相加才是 P(Y|X)。单一路径只是其中一个草稿，不能代表整句字幕。

为何常见：模型的输出天生定义在路径上，而我们的目标是文本，初学者容易忽略这两层之间的“折叠映射”。

误区折叠规则会把相邻重复字合并，那“hello“里的两个”l”是不是永远识别不出来？

正解完全可以识别。只要两条“l“中间隔着 blank，比如”l _ l“，折叠时 blank 会重置”相邻“关系，两个”l“就都能保留。折叠规则不是无脑去重，而是”相邻相同且中间无 blank”才合并。

为何常见：只记住了“合并重复”这半句话，忽略了 blank 的间隔作用，导致对重复字符产生误解。

误区束宽 B 是不是设得越大越好？比如 B=1000 肯定比 B=10 更准，反正算力够用。

正解B 越大，搜索越全面，但收益递减，计算量却线性增长。工程上束宽通常取 4～20，配合语言模型已经足够。B 过大时大量候选路径高度相似，白白消耗算力，甚至可能引入低概率噪声路径干扰判断。

为何常见：直觉上“搜得越多越准”，忽略了模型的表达能力上限和工程成本。

面试题

Q1. CTC 中的 blank 标签最核心的作用是？

单选题 · easy

  • A.表示一段安静的静音帧
  • B.标记语音段结束符号
  • C.作为间隔符分隔重复字← 正确答案
  • D.指示模型无输出字符

答案：C。blank 是“无标签”的占位符，最核心的作用是隔开相邻相同的字符，使“a _ a“能折叠输出”aa“。它不等同于静音，也不是结束符。D 只描述了表象”无输出“，没有点出它”分隔重复字符”的关键机制，所以选 C。

Q2. 路径 "a a a" 经 CTC 折叠后输出的文本是？

单选题 · easy

  • A.保留完整的aaa三个字符
  • B.只输出单个的字符a← 正确答案
  • C.变成带下划线的标记
  • D.输出空串不含有字符

答案：B。CTC 折叠规则第一步是合并相邻相同标签，三个连续的“a“会合并成一个”a“，且没有 blank 把它们隔开，所以输出是单个字符”a”。

Q3. 贪心解码每一帧采用的选择策略是？

单选题 · easy

  • A.随机采样一个候选标签
  • B.选取概率最大的标签← 正确答案
  • C.选取概率最小的标签
  • D.综合前后帧重新判断

答案：B。贪心解码的核心是“每帧独立做 argmax”，即选取当前帧概率最大的标签，不做前后文综合判断。这也是它快但不保证全局最优的原因。

Q4. 路径 "b _ b b a" 折叠后的输出结果是？

单选题 · mid

  • A.输出结果为b b a字符← 正确答案
  • B.输出结果为b a字符
  • C.输出结果为b b b a
  • D.输出结果为b _ b a

答案：A。先合并连续重复：路径中的“b b“合并为一个”b“，得到”b _ b a“；再删除 blank，得到”b b a“。所以选 A。B 漏掉了一个”b”，C 未合并重复，D 未删除 blank。

Q5. 下列关于贪心解码的说法，正确的有？

多选题 · mid

  • A.每帧取最大概率标签← 正确答案
  • B.中间不回溯不修改← 正确答案
  • C.搜索过程是全局最优
  • D.计算快延迟低适合实时← 正确答案

答案：ABD。贪心解码每帧独立取概率最大的标签，且不回溯、不修改，因此计算极快，适合实时场景。但它只是局部最优的近似，不是全局最优搜索，所以 C 错误。

Q6. CTC 训练的损失函数本质是？

单选题 · hard

  • A.目标文本的负对数似然← 正确答案
  • B.目标文本的交叉熵误差
  • C.预测帧数的均方误差
  • D.模型权重的L2正则项

答案：A。CTC 的损失是序列级的负对数似然，即对“能折叠成目标文本的所有路径概率之和”取负对数。它不是在帧级别做交叉熵，也不是回归误差或正则项，因此选 A。

Q7. Beam Search 中束宽 B 表示的是？

单选题 · mid

  • A.每步保留的候选路径数← 正确答案
  • B.输入语音帧的总数
  • C.输出词典的大小规模
  • D.模型的隐藏层维度

答案：A。束宽 B 是 Beam Search 每步保留的候选路径数量。B=1 退化为贪心解码；B 越大搜索越全面，但计算量也越大。其余选项都与束宽无关。

Q8. CTC 相比传统逐帧标注的优势有？

多选题 · mid

  • A.不需要帧级对齐标注← 正确答案
  • B.模型自动学到对齐关系← 正确答案
  • C.必须人工标注每个音素
  • D.只能使用单向循环网络

答案：AB。CTC 端到端训练只需要“语音-文本”对，不需要帧级对齐标注，对齐关系由模型自动学习。C 恰恰相反，正是不需要人工标每个音素。D 错误，CTC 不限定网络结构，可用 Transformer、Conformer 等。

Q9. 关于 CTC 与 RNN-T 对比，正确的说法是？

多选题 · hard

  • A.RNN-T用预测网络辅助输出← 正确答案
  • B.CTC每帧最多输出一个标签← 正确答案
  • C.RNN-T可在一帧内输出多标签← 正确答案
  • D.CTC的延迟一定低于RNN-T

答案：ABC。RNN-T 引入了预测网络，把已输出的文本前缀喂回模型；CTC 每帧最多输出一个标签；RNN-T 可以在一个输入帧内连续输出多个标签直到 blank。D 错误，延迟高低取决于具体实现和应用场景，不能一概而论。

Q10. 3 帧输入且每帧 p(a)=p(blank)=0.5，文本 "a" 的总概率是？

单选题 · extreme

  • A.0.500
  • B.0.625← 正确答案
  • C.0.750
  • D.1.000

答案：B。共有 8 条等概率路径（每条 0.125）。折叠为"a"的路径有 5 条：_ _ a、_ a a、a _ a、a a _、a a a，总概率 5 × 0.125 = 0.625。A 是只数了 4 条路径的错误答案，C 和 D 都高估了。