面向语音转文本结果：如何检测句子音节/词汇层面的相似性？

我们需要检测句子在音节/词汇层面的相似性（非语义层面），符合特征的句子标记为「相似」，无此类相似性的标记为「不相似」。如果有能输出相似度得分的算法，可自行测试确定判定阈值。若存在结合原文本与音频的更精准音节对比方法，也可采用。

当前采用正向、反向索引匹配单词的方法（匹配≥10个单词则判定相似），但所有示例均无法通过该方法正确判定。

需判定为「相似」的句子示例 #

每组示例中，上方为随机生成的原句，下方为语音转写神经网络对原句朗读音频的转写结果：

• 示例1

刚才传来一阵极其不寻常的声响，她的身体在迅速缩小，很快她就看清了状况
刚才传来一阵极其不寻常的声响，她的身体在迅速缩小

• 示例2

那应该会很小，爱丽丝知道这有可能，它确实是
你会变得很小，爱丽丝，我知道这有可能，得加上点什么

• 示例3

不过最后它坐了下来，非常焦急地盯着她的脸
不过住在伤心镇的那个家伙，正非常焦急地盯着他的脸看

• 示例4

她去找她，或者想说点什么，只是简单鞠了个躬
她去找她自己，或者想说点什么

• 示例5

她踮起脚把自己缩成一团，从他的假发上方偷看，他确实是这样做的
她踮起脚把自己缩成一团，从她的假发上方偷看，他确实是这样做的

• 示例6

她之前没注意到，在它后面，她很高兴发现这一点
她之前没注意到，在它后面，它很高兴发现这一点

• 示例7

士兵们刚要倒下，一个长长的水烟袋，没在拿
士兵们刚要倒下，一个长长的水烟袋，拿着绳结

较难的边缘案例（需识别但非必需） #

• 案例1

于是她把它夹在胳膊下，它的头不肯凑过来
她把它夹在胳膊下，带着它的头

• 案例2

让我想想，四乘五是十二，四乘五是十二
让我想想， 乘 是 ， 乘 是

• 案例3

让我想想，四乘七是——哦天哪，马上跑回家
乘 是——哦天哪，马上跑回家

• 案例4

一两分钟后，她难过地走到中间，被人扶着
然后呢，我们看你难过地走到中间，身体状况不错

内容的提问来源于stack exchange，提问作者BLOCKCRAFT 2.0