Category ASR
本文从工程视角彻底拆透流式 ASR：算法延迟 vs 计算延迟、流式三大天敌、Chunked Attention 与 Dynamic Chunk Training、KV Cache、Causal Conv、Whisper 流式化、RNN-T 天然流式、VAD + Endpoint 工业架构、Moshi/GPT-4o Realtime 端到端语音 LLM。CTC、Whisper、RNN-T、Conformer、SSL 系列的姊妹篇。
本文是一篇详细的语音自监督预训练 (SSL) 拆解：从 Wav2Vec 2.0 的对比学习 + 量化、HuBERT 的 k-means 伪标签 + 掩码预测，到 WavLM 的话语混合与门控相对位置偏置。配 PyTorch 微调代码、SUPERB 性能表，与 Whisper / Conformer / RNN-T 系列互链。
本文是一篇详细的 Conformer 技术拆解：从纯 Transformer 在 ASR 上的局限、Macaron 双 FFN + Convolution Module 的设计哲学，到完整 PyTorch 实现、S/M/L 三种官方配置和 Squeezeformer / Zipformer 变体演进。CTC、Whisper、RNN-T 系列的姊妹篇。
本文是一篇详细的 Whisper 技术拆解：从整体架构、音频预处理、Multitask 训练范式，到 PyTorch 源码逐段精读和性能 / 生态对比，并配 SVG 原理图、参数表与可运行代码。
本文是一篇详细的 RNN-Transducer 技术拆解：从背景动机、三网络架构、T×(U+1) 对齐格栅、前向后向 Loss 推导，到 PyTorch 源码精读、现代变体演进和工业部署的实际工程坑。CTC 系列与 Whisper Explained 的姊妹篇。
转载本文请注明出处：https://yudonglee.me/ctc-expla… Continue Reading →
转载本文请注明出处：https://yudonglee.me/ctc-expla… Continue Reading →
转载本文请注明出处：https://yudonglee.me/ctc-expla… Continue Reading →