問題番号: No.622 (しっかりモード)

音声認識システムにおいて入力される音声波形のフレーム数と出力されるテキストの文字数は一致しないためどのフレームがどの文字に対応するかを厳密に紐付けることは困難である。この問題に対し空白を表す特殊なラベルを導入しすべてのアライメントの可能性を周辺化してモデルを直接エンドツーエンドで学習させるための損失関数はどれか。