我正在开发 ASR 应用程序，虽然我知道使用 VAD 或质量更好的音频只能在一定程度上最大限度地减少幻觉，但转录中仍然存在错误的空间。我使用 Seamless M4T Large-V2 进行转录。我正在考虑在这种情况下做最后的努力，那就是对输出文本进行字符串操作。是可能吗？例如对于本文，
“我身体不太好，我想我不会去，我不会去，我不会去，我不会去，我不会去，我不会去，我不会去。也许明天.. .”
我尝试过使用正则表达式，但它只查找连续重复的单词，我正在考虑有一个可变长度缓冲区，它将检测重复出现的序列，无论长度如何（或者也许我可以指定缓冲区的长度） .
我可能有一个可行的想法，但也许有一些我没有看到的边缘情况。
首先，您可以尝试为文本构建一个图表，其中每个单词都是一个节点。然后，如果您在文本中获得序列“word_A word_B”，则添加从 word_A 到 word_B 的有向边。如果这条边已经存在，您可以将权重加 1。
然后您可以使用 DFS 等算法来查找循环。 对于每个周期，您都会获取相关的单词序列，并尝试查找该序列是否有任何连续的重复。例如，如果找到了循环“word_A word_B”（这意味着至少出现了一次“word_A word_B word_A”），您可以尝试查看该序列在文本中是否与其自身相邻。
您可以对权重进行一些修改，并根据循环中的最高权重（重复次数最多的循环）对循环进行排序，以快速找到重复次数最多的循环，或者仅考虑所有边上具有相似权重的循环。这将防止在一个序列中经常使用 2 个单词（A 然后 B）的情况，并且碰巧您出现了一次“A B A”，从而创建了一个循环。
无论如何，我有兴趣看看这是否有效，请随时通知我，祝你好运！