参考 https://zhuanlan.zhihu.com/p/33464788语音识别有时候输入长度远大于输出长度，这是因为语音信号的非平稳性决定的，我们只能做短时傅里叶变换，这就造成了一个句子会有很多帧，即很多时刻。而标签（输出词序列）中的一个词往往对应了好几帧。最后输出的长度会远小于输入的长度。CTC就是为了解决这个问题。CTC是怎么做的呢？如果不考虑标签的话，使用RNN，每帧语音都会有一个输出，比如输入是200帧，输出有20个词。这样就会得到200个输出序列，这200个输出序列如何与标签的20词计算loss的呢？首先，在多对少的映射中，我们很容易想到应该会有很多重复的词，把这些词去掉就行了，然后因为帧长很短，有些帧的输出没有任何意义，可能只包含静音。所以CTC增加了一个blank标签，也就是每帧softmax的时候增加一个类别（增加一个输出blank的类别）。最后CTC的映射规则就出来了，200->20，去blank+去重。
