端到端模型相比於傳統的hmm-gmm模型，有如下幾個優點：
- 不需要發音詞典。因爲模型直接輸出character或word；在中英混輸場景下，中文的發音體系和英文的發音體系不一樣(中文有第一聲，第二聲等)，如果使用傳統的hmm-gmm，需要做音素的映射。
- 不同語言可以使用同一套端到端框架。而在傳統的hmm-gmm中，比如英文，中文甚至混輸，他們使用hmm state數是不一樣的，所以不能使用同一套hmm-gmm結構；
- 不需要強制對齊。
等等。。。。。
因此端到端模型越來越受到各大公司的青眯，比如百度的Deep Speech，facebook的wav2letter++等。在端到端模型中，我們不需要像傳統的HMM-GMM模型那樣構建HCLG圖，而是直接在輸出label上做prefix beam search。
推薦幾篇比較好的prefix beam search學習資料：
這篇文章形象的解釋了什麼是beam search:
https://www.zhihu.com/question/54356960/answer/293804923
這篇博客詳細介紹了prefix beam search，以及如何引入語言模型作爲輔助:
https://towardsdatascience.com/intuitively-understanding-connectionist-temporal-classification-3797e43a86c
這篇博客主要介紹了greedy search、Beam Search和prefix beam search的區別，並給出代碼實現:
https://github.com/DingKe/ml-tutorial/blob/master/ctc/CTC.ipynb