语音端点检测识别错误

[sealofyou]

请问各位大佬，语音端点检测将两个人说的话识别为一句如何解决。
一般是另一个人说的比较短，导致识别到一起了。
请问如何提高其识别精度，防止下面的情况发生

例子

[{'key': 'crop', 'text': '喂，你好，我是交通银行服务中心客服代表，为防范微信诈骗保障账户安全。我行，对您进行间断的回访。请问您是郭先生本人吗？嗯，是。'
中： 将客服的话和回答放到了一起。
还有这种也是：
[{'key': 'crop', 'text': '好的，请问这个账户是你本人在使用吗？呃，是。', 'timestamp': [[250, 390], [390, 630], [670, 810], [810, 990], [990, 1090], [1090, 1230], [1230, 1390], [1390, 1630], [1630, 1730], [1730, 1930], [1930, 2090], [2090, 2270], [2270, 2470], [2470, 2610], [2610, 2850], [2850, 3090], [3730, 3970], [4050, 4435]]}]