1. 语音识别

语音识别主要要做的就是把语音输入转换为文字，如下图所示：

（1）Attention Model

可以通过注意力模型来实现语音识别，如下图所示：

（2）CTC

还有一种方法是使用CTC损失函数（Connectionist Temporal Classification）来做语音识别，相关论文可以参考 Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks。主要方法是使用一个输入和输出数量相等的RNN网络结构，例如：

输出可能为 ttt_h_eee___ ___qqq__……，其中下划线表示空字符，空格则为单词之间的分隔。因此这个输出通过空格来分割，然后将连续相同的字符合并为同一个字符，再去掉空字符，就可以得到输出的句子。

2. 触发字检测

许多电子设备可以通过语音唤醒，例如：

实现方法如下图所示：

使用一个RNN，对于触发字，标记为1，对于音频的其它部分，标记为0。然后进行训练。