我正在寻找有关识别音频文件中重复语音片段的最佳方法的信息。
假设有人正在录制自己说的一段文字，有时他会被一句话噎住，停下来，然后从乞求的句子重新开始。他还可能对同一部分进行两到三次拍摄，以便在最终剪辑中保留最好的部分。
所以我的问题是：检测这些片段是否相同或围绕同一文本的变化的最佳方法是什么？
我的想法是进行一些语音到文本的转换，然后对结果进行一些文本比较。我将能够识别非常接近的字符串，然后将相应的音频片段标记为“相同”。
但我想知道是否有某种方法可以直接在音频文件上执行此操作。我听说过音频指纹识别，但我不确定它在这里是否有效，因为这个人可能不会以完全相同的方式发音这两个句子（添加静音，甚至稍微改变一些单词）。
是否有人已经做过类似的事情，或者已经使用过这些工具，并且可以就其可能性和局限性向我提供反馈？
在这种情况下，您可以使用任何在线转录器并上传音频以生成相同的转录。然后你可以使用chatGPT来纠正这个问题。