传统的语音理解（SLU）系统通常将语音映射为文本，然后再将文本映射为意图，而端到端的SLU系统则通过单一可训练模型直接将语音映射为意图。在没有大量训练数据的情况下，实现这些端到端模型的高精度是非常困难的。我们提出了一种方法来减少端到端SLU的数据需求，即首先对模型进行预训练以预测单词和音素，从而学习适用于SLU的良好特征。我们引入了一个新的SLU数据集——Fluent Speech Commands，并展示了我们的方法在使用完整数据集进行训练以及仅使用小部分数据集时都能提高性能。此外，我们还描述了初步实验，以评估模型对未在训练过程中出现的新短语的泛化能力。