我想预测演讲中“重复”一词的出现次数以及该词的大致持续时间。对于这个任务，我计划建立一个深度学习模型。我有大约 50 个正面和 50 个负面的话语（我无法收集更多）。
最初，我搜索了任何用于关键字发现的预训练模型，但我找不到一个好的模型。
然后我尝试了语音识别模型（Deep Speech），但由于我的数据遵循印度口音，它无法预测确切的重复词。此外，我认为为这项任务选择 ASR 模型将是一种过度杀伤力。
现在，我将整个音频分成 1 秒的块，重叠 50%，并尝试在每个块中进行二进制音频分类，即该块是否包含“重复”一词。为了构建分类模型，我计算了 MFCC 特征并在其之上构建了一个序列模型。似乎没有什么对我有用。
如果有人已经处理过此类任务，请为我提供正确的方法/资源来为该任务构建 DL 模型。提前致谢！