Connectionist Temporal Classification (CTC)
CTC可以用于线上实时地语音识别，编码器用的是单向的RNN，解码是用MLP来预测文字分布。
编码器将语音输入(x^i)编码成(h^i)，MLP再对它乘上一个权重，接上Softmax，得到词表V大小的概率分布。
但有时候当前的语音输入可能并不能对应实际的文本token，所以预测要额外多一个为空的类别，表示模型不知道要输出什么。
CTC中没有使用下采样，所以输入和输出的序列长度都是T。
模型预测完后要进行后处理，一是把重复的token合并，二是把空类别去掉，得到最终的预测序列。
CTC的这种预测方式，会让它的数据标注变得很难，因为要确保刚好每个输入声音特征都对应一个正确的token。而标注语料的不足，会直接影响模型评测的表现。
此外，一个序列正确的标注方式又可以存着很多种，造成标注多标准问题。这也加大标注数据选择的困难。
由此采用的方法是穷举所有的可能的标注去训练。在数据集充足的情况下，CTC的效果还是不错的。
CTC模型的问题主要在，每个MLP的解码器工作是独立的。它可能会遇到一个奇怪的问题。
比如语音数据部分前三帧都在发音c，第一个隐层(h^i)解码出是c后，后面两个隐层就无须再解码出c了。
但由于它们是独立工作的，后面的解码部分不知道前面解码的是什么，所以第二个可能解码成空或c，第三个也可能解码成空或c。
但如果编码器是足够深的RNN，它也可能在编码过程中考虑这种前后关系的依赖，让第一个输出隐层包含更多关于c的信息，而后面两个隐层包含更多关于空类别的信息。
Recurrent Neural Aligner (RNA) and RNN Tansducer (RNN-T)
RNA：RNA是一个介于CTC和RNN-T的过渡模型，针对CTC独立解码问题，把MLP换成了RNN。
RNN-T：可以输出多个token。比如要输出th，CTC只能先输出t，然后在下一个时间点解码输出h，而RNN可以输入一个隐层，预测多个tokens。
不过，RNN-T与CTC一样会遇到训练数据难标注，标注多标准的问题。对此也是穷举所有可能的标注给模型训练。
RNN-T在解码过程中是如何确保输入一个隐层，输出多个token的呢？
输入一个(h^t)，RNN-T会决定要产生一个"t"。这个"t"会被放到另一个RNN单元中，输出的隐层会放回RNN-T的解码器中作为隐层和之前的(h^t)输入，来产生新的输出"h"。
再反复一次，由于那一个RNN单元看到过"h"了，就会输出新的东西。这个新东西再与之前的(h^t)输入RNN-T，可能会得到一个空类别。
而后一个RNN单元会无视掉这个空类别，把之前输出的"h"，与下一个隐层(h^{t+1})输入到RNN-T得到的新输出"e"。
这里的另一个RNN实际上扮演的角色是一个语言模型LM。它只看token输出。我们可以用大量的文本语料去训练这个RNN，再和编码器一起去做训练。
这样一来，我们就能确保接上语言模型之后的RNN-T的输出不会有空类别，这样对训练数据的标注就会容易许多。
Neural Transducer
CTC，RNA和RNN-T都是每次只读一个声学特征，这样效率很低。
Neural Transducer做了一个改变，用注意力机制来允许模型一次能读很多个声学特征。
首先我们会让声学特征通过编码器产生隐层输出，再对一个窗口的小范围隐层做注意力后，再输出给解码的RNN。
若窗口大小内信息已经用完了，解码的RNN就会输出空类别。接下来我们再移动窗口，对下一个窗口内的隐层重复刚才的操作。
窗口大小要如何设计呢？
Neural Transducer做了实验发现，没有注意力时，窗口一长，结果就会烂掉。但用了注意力后，窗口大小又没那么重要。
它尝试了各种计算注意力的方法，有DOT-Attention和MLP-Attention，甚至还有LSTM-Attention（它把注意力权重读进LSTM中去，通过LSTM来考虑前一个时间步的注意力的位置）。
Monotonic Chunkwise Attention (MoChA)
MoChA能动态地调整移动窗口的距离。它用的是一个类似注意力机制的模块来做这个调整的操作。这个模块输入(z^0)和隐层(h^1)，输出yes/no，表示要不要把窗口开头放在此处位置。
如果不要，就往右移动窗口，再检查下一个位置的隐层(h^2)。一旦确定放置窗口，就对窗口内的隐层向量做注意力，解码出的token不会包含空类别。
各模型的总结对比
