来源：so.csdn.net 发布时间：Nov 21, 2020, 3:53:07 AM 原地址：https://blog.csdn.net/weixin_44223902/article/details/109903619 端到端语音识别的输入和输出 输入：主流的输入特征是fbank.一些论文中也用MFCC以及raw waveform.fbank特征的处理过程一般是对一段语音进行进行预加重、分帧、加窗、短时傅里叶变换、mel滤波、去均值等。一个fbank向量往往对应10ms的语音。 输出：可以是字母，子词，词等等，目前以子词（subword)当作输出比较流行。