近年来，端到端自动语音识别模型的演变令人瞩目。研究人员通过重新评分音素模型的最佳假设，提高了E2E模型的准确性。联合训练E2E模型与多样的建模单元可以显著提高模型准确性，为开发更可靠准确的ASR系统提供了新的见解。

使用端到端的自动语音识别模型代替传统的语音活动检测器，在处理长音频时表现更好，提供更好的声学特征和语义特征。实验结果显示，相比于传统方法，改进了8.5%的相对WER和减少了250ms的分割延迟。