本文研究了基于端到端模型训练语音模型的近期方法进展，发现针对语音文本对齐的时长模型是最重要的，同时共享编码器能够学习到更紧凑重叠的语音文本表示，这也是 Maestro 共享语音文本表示性能优异的部分原因。

本文研究了基于端到端模型训练语音模型的方法进展，通过分析共享语音文本表示的两种方法，扩展了对其理解。研究发现时长模型对语音文本对齐非常重要，有助于学习共享语音文本表示。同时，比较了单一编码器和共享编码器的激活相似性，发现共享编码器能够学习到更紧凑重叠的语音文本表示，这也是Maestro共享语音文本表示性能优异的原因之一。