不决定边界，先把所有合法对齐加起来

一句话心智模型

训练样本只给声学帧序列和最终音素序列，不给每个音素的起止帧。CTC 让网络在每帧输出“标签 + blank”的分布，再把所有能折叠成目标转写的路径都算作正确答案。

blank 真正解决了什么

blank 不是静音类别，也不要求对应真实声学静音。它是路径字母表里的结构符号：允许网络在尚不输出新标签的时间步停留，并把相邻相同标签分开。例如要输出连续两个 a，路径必须在两次 a 之间插入 blank；否则重复折叠后只剩一个 a。

折叠次序是“先合并连续重复，再删除 blank”。因此 -aa--abb 会得到 aab，而不是 ab。

forward-backward 在算什么

把目标标签首尾及标签之间插入 blank，得到一条扩展标签链。Forward 变量累计“到当前时刻、走到链上某位置”的总概率；backward 变量累计余下部分。动态规划避免显式枚举指数数量的对齐路径。

最终 loss 是目标标签序列总概率的负对数。梯度不是只奖励一条 Viterbi 对齐，而是按当前模型下各合法路径的后验贡献分配到不同时间步。

训练与解码必须分开看

• 训练：对所有能折叠为目标序列的路径求和，是精确的动态规划边缘化。
• best path：逐帧取最大类再折叠，计算便宜，但不保证得到概率最高的标签序列。
• prefix search：在标签前缀空间搜索，通常更好；原论文还利用高 blank 概率切段控制计算量。

三个常见误解

• “CTC 学不到对齐。” 它不使用人工帧级边界，但会在路径边缘化中形成单调的隐式对齐。
• “CTC 完全不建模上下文。” 输出路径按时间条件独立，但 RNN 隐状态本身可以编码过去与未来上下文；它不显式建模的是标签序列之间的语言依赖。
• “blank 就是 silence。” blank 是“不发出新标签”的建模符号；静音若是任务标签，可以另外进入标签集合。