标准回答
CTC：对齐无关的逐帧建模
CTC（连接时序分类）让声学模型对每个时间帧预测字符（含特殊 blank）的概率，再对所有能折叠成目标文本的对齐路径求和作为损失。它解决了语音帧数远多于文本字符、且无逐帧对齐标注的问题。优点是结构简单、可流式；缺点是假设各帧输出条件独立，没有显式语言建模，通常需外接语言模型提升准确率。
Whisper：大规模弱监督 seq2seq
Whisper 是标准的编码器-解码器 Transformer。编码器处理对数梅尔频谱，解码器自回归生成文本 token，并通过特殊 token 控制语言、是否翻译、是否加时间戳等多任务。其关键不在架构创新，而在用约 68 万小时网络弱监督多语数据训练，带来很强的鲁棒性和零样本泛化。
对比与选型
CTC 轻量、低延迟，适合资源受限或流式；Whisper 准确鲁棒但偏离线、计算重；RNN-T 兼顾流式与语言建模，是工业实时 ASR 常用方案。
常见误区
⚠️ 常见踩坑
CTC 的 blank 不是「静音」标签，而是用于路径折叠与去重的占位符。Whisper 的强项来自数据规模与弱监督，而非新颖架构。
追问
追问 1：CTC 中的 blank 符号有什么作用？
blank 有两个作用：一是允许模型在「无明确输出」的帧上输出 blank，对齐语音帧与较短文本；二是区分连续重复字符——折叠规则会先合并相邻相同字符，blank 插在中间可保留如「hello」的双 l。它使逐帧预测能映射到变长文本而无需对齐标注。
追问 2：为什么 Whisper 比传统 ASR 更鲁棒？
因为它在 68 万小时覆盖多语言、多口音、多噪声、多领域的弱监督数据上训练，分布覆盖广，对真实世界口音、背景噪声、专业术语泛化更好。多任务训练（识别+翻译+语言检测+时间戳）也让表示更通用，无需针对每个数据集微调即可零样本使用。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。