一句话定义：CTC（Connectionist Temporal Classification，连接时序分类）损失是一种专门为“输入和输出长度不一致、又没有逐帧对齐标注”的序列任务设计的损失函数，最典型的应用是语音识别。
假设你有一段 3 秒的“你好世界”录音，模型每 10 毫秒输出一帧，大约 300 帧；可你手里只有整句文字“你好世界”，不知道“你”对应哪几帧。CTC 的做法是：让模型在每一帧从“你、好、世、界、空（blank）”里选一个，得到一个长度 300 的路径；再定一条压缩规则——先把连续重复的标签合并成一个，然后删掉所有空白符。比如路径“你 你 空 好 好 空 世 界 界 空”，压缩后就是“你好世界”。训练时，CTC 把所有能压缩成“你好世界”的路径的概率加起来，最大化这个总概率。路径太多不能穷举，所以用动态规划（前向-后向算法）来算。这就像老师只要求你最终说出正确的句子，不管你中间怎么停顿、怎么重复，只要按规则压缩后对就行。
那张 blank（空白符）表是 CTC 的代价，也是它的关键。blank 不只是占位，它有两个作用：一是表示“这一帧没有输出”；二是隔开相邻的相同标签——想输出“你你”，必须写成“你 空 你”，否则连续两个“你”会被合并成一个。代价也来自这里：blank 和真实标签会竞争，训练初期模型容易“摆烂”一直输出 blank，需要学习率预热、课程学习等技巧来稳住。
和相邻方案的区别可以看这张表：
| 方案 | 需要逐帧对齐 | 是否需 blank | 输出独立性 | 典型场景 |
|---|---|---|---|---|
| 逐帧交叉熵 | 是 | 否 | 假设各帧独立 | 帧级标注任务 |
| CTC | 否，只需整句标签 | 是 | 假设各帧独立 | 语音识别、手写识别 |
| 注意力 seq2seq | 否 | 否 | 可建模标签依赖 | 机器翻译、语音识别 |
CTC 假设每个时间步输出条件独立，所以它不会自动学到“你好”后面接“世界”这种标签间的依赖，通常要外挂语言模型或 beam search 来补救。另外，它要求输出长度不能超过输入长度（考虑重复和 blank 后的扩展），太短的音频配太长的文本就无能为力。
对从业者，CTC 最大的好处是标注便宜：只要整句转写，不用时间戳，数据门槛低，语音识别、OCR（Optical Character Recognition，光学字符识别）都能用。对普通人，这意味着语音转文字、会议纪要等功能可以用更少的人工标注训出来。具体框架的实现细节和默认参数，以官方页面为准。