本发明公开了一种基于Transformer的中文语音离线识别方法及系统，该中文语音离线识别方法包括：输入语音，在语音中提取Mel频率倒谱系数并转化成输入序列，输入神经网络模型；神经网络模型的编码器对输入序列进行编码，得到字符向量；神经网络模型的解码器对字符向量进行解码，得到输出特征；对输出特征进行融合处理，得到整合特征；对整合特征进行softmax处理，得到预测字符集；对预测字符集基于词组字典进行权重计算，得到准确字符。本发明将Transformer的解码器中的特征融合到顶层，更好地提取音频信号的泛化特征，通过词组字典进行权重计算，能够有效的解决同音词的问题。