一句话定义：Whisper 幻觉（ASR hallucination）指语音识别系统在一段没有人说话、只有静音、噪声或背景音乐的时间里，凭空“听写”出一句或一整段文本。
展开说原理。ASR（Automatic Speech Recognition，自动语音识别）的任务，是把声音序列映射成文字序列。Whisper 是 OpenAI 推出的语音识别模型系列，用大量带字幕的音频训练，解码时逐词预测下一个词。问题在于：它没有天然学会“这里没人在说话，我应该输出空”。打个比方，像一个特别怕冷场的同声传译，听见话筒电流声也要硬翻一句出来。更麻烦的是，训练语料里很多视频的结尾都带着“感谢观看”“请订阅频道”这类字幕，模型学到这些词常出现在音频尾部或低能量段，于是遇到静音，就把它们“补”了上去。所以幻觉往往不是乱码，而是流畅、像模像样、甚至语法完美的句子，这让它更难被发现。
和相邻概念的区别可以这样看：
| 现象 | 输入 | 输出 | 特点 |
|---|---|---|---|
| 静音段幻觉 | 无人声 | 完整句子 | 流畅，与音频无关 |
| 普通识别错误 | 有人声 | 错词 | 通常与真实内容相关 |
| 漏字漏词 | 有人声 | 缺词 | 内容相关，只是没识别全 |
它和大语言模型幻觉有相似之处：都是生成模型倾向于输出“像那么回事”的序列；区别在于，LLM 幻觉是无据生成事实，ASR 幻觉是无语音生成文本。
为什么需要 VAD 与置信度过滤？VAD（Voice Activity Detection，语音活动检测）先判断“哪段有人声”，把静音、纯音乐段直接跳过或标记，从源头减少让模型自由发挥的机会。置信度过滤则看模型对每个词的概率，把低置信度的片段丢弃或标出来人工复核。两者分工是：VAD 管“哪里该识别”，置信度管“识别结果可不可信”。
对普通职场人，这意味着用转写工具时，看到静音处冒出来的句子，别急着以为录音里真有人说过。对从业者，做会议记录、播客转写、字幕生成时，在管线里加 VAD 和置信度阈值是基本的工程卫生；如果使用 Whisper 类模型，具体参数和默认行为以官方页面为准。