有种解释是，LSTM+CTC之所以比较好用，是因为它是通过音素来识别的，如果是传统的语音识别，就是一个字一个字识别，灵活度更低。当然传统的ASR时代也有通过MFCC来做音素识别的，只不过在当时也是难度更大 https://weibo.com/mygroups?gid=201011110008380742
