待验证50% 置信事实精确时间

RNN-T由Graves于2012年提出，在CTC基础上增加了预测网络来捕捉输出序列内部的依赖关系

1

来源数

50%

置信度

长期有效

时效性

2026/9/8

首次发现

来源

ASR幻觉解析：语音识别为何产生虚假输出

涉及实体

RNN-Tconcept Gravesperson CTCconcept

相关事实

待验证百度的 DeepSpeech 系列采用 RNN-CTC 架构66% 相似待验证深度学习中CNN用于提取神经信号的空间特征，RNN/LSTM和Transformer架构用于捕捉时序依赖关系61% 相似待验证Deep CFR用函数逼近器（神经网络）直接学习信息集到策略/遗憾值的映射，由Brown等人在2019年提出56% 相似待验证基于深度学习的代码补全工具TabNine在2018年前后出现，利用循环神经网络预测下一个代码token56% 相似待验证精排层普遍使用深度学习模型如Wide&Deep、DeepFM或Transformer架构进行CTR预估和互动概率计算55% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/879159

API

curl https://kongchang.com/api/v1/knowledge/claims/879159

MCP

get_claim(id=879159)