本研究研究使用卷积架构的可训练替代 Mel 滤波器，对两种 end-to-end 系统进行修改并与 Mel 滤波器进行比较，结果表明可训练的过滤器相对于 Mel 滤波器在单词错误率方面表现更好。

Jun, 2018

本研究通过实验，评估了最先进的神经网络作为 “可计算的、优化的观察者” 在语音识别方面的表现，并发现了人类和人类机理学习中的不同之处，为听觉认知科学和工程之间建立更紧密的联系提供了启示。

Apr, 2022

本研究论文扩展了端到端的框架，以包含麦克风阵列信号处理以进行噪声抑制和语音增强，并能够共同优化束形成和识别架构。实验结果表明，我们的多通道端到端系统在去噪和语音增强任务上表现更好。

Mar, 2017

本文研究了口语理解系统的端到端学习方法，能够直接从音频特征中推断语义意义，而不需要中间文本表示。研究表明，该模型能够获得合理好的结果，并能直接从音频特征中捕捉语义注意力。

Feb, 2018

本文分析了自动语音识别中使用的端到端神经网络模型的内部表示学习，对音素和字母、不同发音特征进行了比较，并发现不同特征在深度神经网络的不同层中的表示具有明显的一致性。

Jul, 2019

本文分析了基于卷积和循环层、使用连结时序分类（CTC）损失函数训练的深度端到端模型所学习的语音表示，并评估模型不同层次的表示在预测电话标签方面的质量，以此为基础探讨了端到端模型的重要方面和设计选择。

Sep, 2017

通过对原始波形进行滤波及卷积神经网络训练，使得时域滤波器组近似于 Mel 滤波器组，并在 TIMIT 上的电话号码识别实验中，相较于使用 Mel 滤波器的模型，TD-filterbanks 在多个架构上均表现优异，这些滤波器在收敛时具有非对称脉冲响应，且一些滤波器几乎保持解析的情况。

Nov, 2017

本文提出了一种方法，通过从大规模语言模型的嵌入向量获取语义知识来缓解需要耗费大量成本的转录训练的问题，并扩展了注意力机制的解码器和神经音响模式的解码器，以实现错误率的降低。

Feb, 2022

通过对最先进的端到端语音识别系统的实证研究，本研究对自动儿童语音识别进行了关键性的评估，并提供了关于训练数据需求、适应儿童数据、儿童年龄、语音长度、不同架构和损失函数对端到端系统的影响以及语言模型对语音识别性能的作用的见解。

Feb, 2021

该研究论文介绍了端到端自动语音识别模型的分类和改进，讨论了它们对传统隐马尔科夫模型的影响，涵盖了模型、训练、解码和外部语言模型集成等各个方面，同时讨论了性能和部署机会以及未来的发展前景。

Mar, 2023