[Bug] 长音频分片的句末标点生成对前置上下文和静音长度高度敏感

[Bug] 长音频分片的句末标点生成对前置上下文和静音长度高度敏感

问题概述

同一段约 24 分钟的目标音频，在 MOSS 原始响应中几乎不生成句号。仅在音频开头增加一段约 0.72 秒的短语音和不同长度的静音，目标音频主体不变，句末标点数量却发生数量级变化。

该差异直接存在于服务端返回的原始 verbose_json 中，不是客户端解析、文本拼接或后处理造成的。

影响

• 长音频不同分片的标点质量明显不一致。

• 部分分片只有逗号，基本没有句号、问号或感叹号。

• 标点表现会被与正文无关的前置音频和静音长度显著改变。

• 下游分段、摘要、会议纪要和可读性处理会受到影响。

测试条件

• 模型：OpenMOSS-Team/MOSS-Transcribe-Diarize

• 输入格式：16 kHz、单声道 PCM WAV

• 响应格式：verbose_json

• temperature=0

• max_new_tokens=65536

• 标点统计直接基于原始 segments[].text

• 目标音频在所有测试中完全相同

• 本轮三个变体并发请求，每个变体执行一次

复现方法

1. 准备一段约 24 分钟、原始响应中缺少句末标点的目标音频。

2. 从另一音频分片中截取一个约 0.72 秒的独立短语音。

3. 构造以下三个输入：

   • 短语音 + 3 秒静音 + 目标音频

   • 短语音 + 5 秒静音 + 目标音频

   • 短语音 + 10 秒静音 + 目标音频

4. 使用完全相同的模型和请求参数分别转写。

5. 直接检查原始 JSON 中的 segments，统计中文逗号、句号、问号、感叹号等标点。

6. 检查前置短语音是否成为独立 segment，以及是否与目标音频首段合并。

实际结果

观察结果：

• 3 秒静音变体与原始目标音频相似，仍然几乎没有句末标点。

• 5 秒和 10 秒静音变体恢复了大量句号和问号。

• 三个变体中，前置短语音均被识别为独立的第一个 segment。

• 目标音频首段均被识别为第二个 segment，没有与前置短语音合并。

• 目标音频首段时间戳与理论偏移的误差不超过 40 ms。

• 除前置内容和静音长度外，目标音频及请求参数没有变化。

预期结果

• 同一目标音频主体的标点风格应保持基本稳定。

• 增加独立短语音和静音可以改变时间戳，但不应导致句末标点数量出现数量级变化。

• 静音从 3 秒增加至 5 秒，不应让句号数量从 0 突然增加到 141。

• temperature=0 时，相同主体内容的标点输出应具有可解释的稳定性。

No source file or test is named in the report. First reproduce the comparison with 16 kHz mono PCM WAV input, verbose_json output, and temperature=0, varying only the unrelated prefix audio and silence; done should mean sentence-ending punctuation no longer changes substantially while the target audio is unchanged.