尽管近年来已有多种端到端的语音语言理解模型被提出，但本文可能是首次尝试应对极具挑战性的端到端语音问答（Spoken Question Answering, SQA）任务。受在多种文本处理任务中表现卓越的BERT模型启发，本文提出了一种音频与文本联合学习的SpeechBERT模型。该模型在包含语音识别（ASR）错误的答题片段的数据集上，优于传统的级联式方法（即先进行ASR，再接文本问答TQA模型），原因在于端到端模型能够在ASR产生错误之前，直接从音频数据中提取有效信息。进一步地，将所提出的端到端模型与级联架构进行集成，取得了更优的性能表现。除了在端到端SQA任务中的潜力外，SpeechBERT还可类比BERT在多种文本处理任务中的应用，广泛适用于其他语音语言理解任务。