在搜索系统中处理词汇表外的（OOV）音频片段需要一些策略来弥合无法识别的音频内容与系统现有词汇表之间的差距。当音频包含系统中预定义词典中没有的单词、短语或声音时，例如罕见专有名词、俚语或新造词，就会出现 OOV 片段。为了解决这个问题，开发人员通常使用语音匹配、子词建模和外部数据集成相结合的方法来提高鲁棒性并保持搜索准确性。
一种常见的方法是语音搜索，它将音频转换为语音表示形式，而不是依赖于精确的单词匹配。例如，系统可以使用 CMU 发音词典或在语音数据上训练的神经网络等工具，将音频转录为音素（不同的声音单元）。这使得系统能够基于声音相似性匹配音频片段，即使词汇表中没有确切的单词。例如，像“Schwarzenegger”这样的 OOV 名称可以通过将其分解为语音成分（例如，“SH W AA R T S N EH G ER”）并将其与类似的索引术语进行比较来匹配到现有条目。此外，诸如使用音节、语素或字符级 n-gram 等子词建模技术使系统能够通过将 OOV 术语分解为更小、可识别的单元来处理它们。对于技术领域，这可能涉及拆分复合词（例如，将“blockchain”拆分为“block”和“chain”）或在 BERT 或 Wav2Vec 等机器学习模型中利用特定于领域的子词标记化。
另一种策略是集成外部数据源或上下文扩展。例如，如果音频剪辑提到了词汇表中没有的新产品名称，系统可以交叉引用外部数据库、用户查询或网络抓取的数据来识别潜在的匹配项。诸如查询扩展（向搜索查询添加同义词或相关术语）等后处理步骤也可以缓解 OOV 问题。例如，如果原始术语是 OOV，“AI 助手”的搜索可能会扩展到包括“聊天机器人”或“虚拟代理”。混合系统通常结合使用这些方法：用于广泛覆盖的语音索引、用于粒度的子词模型以及用于动态更新的外部数据。使用新鲜数据定期重新训练声学和语言模型，以及用户反馈循环以标记 OOV 实例，可以进一步提高随着时间的推移的准确性。开发人员还应该实施日志记录来跟踪 OOV 模式并迭代更新词汇表或模型以解决差距。