每一个用Whisper的开发者，迟早都会被这个“YouTube幽灵”缠上

闫蕊芝

【每一个用Whisper的开发者，迟早都会被这个“YouTube幽灵”缠上】

快速导读：OpenAI的语音识别模型Whisper有个诡异的特性：在没有声音时，它不会输出空白，反而会自信地编造一些句子。一线开发者们汇总了135个这样的“幻觉”，发现这些胡话竟是模型训练数据——海量YouTube视频——留下的“胎记”。

---

一个开源会议机器人的开发者们，在处理了数千小时的音频后，发现了一个比bug更诡异的现象。当会议陷入沉默时，OpenAI的Whisper模型并没有安静下来，而是开始自信地胡说八道，比如像卡壳一样无限循环：“感谢总统先生，感谢总统先生，感谢总统先生……”

你以为AI在没声音时会输出空白或乱码，这很符合直觉。但事实是，Whisper的架构决定了它必须生成文本。当它监听到一片寂静，无法匹配任何声音时，就会从它最熟悉的“记忆”——68万小时的YouTube训练数据——里寻找最可能的句子。结果就是，它开始自动播放各种YouTube视频的片尾语：“感谢观看！”、“我们下期再见”、“本字幕由Amara.org社区提供”。

这不仅仅是英文世界的奇观。很快，全球开发者们都发现了这个模式。中文版的Whisper会说“请不吝点赞订阅转发”；日文版是“ご視聴をありがとうございます！”；芬兰语、俄语、土耳其语……无一例外，全在复读各自语言里最常见的视频结束语。有人精准地评价：Whisper的潜意识，就是一个巨大的YouTube评论区。

这个看似好笑的发现，在严肃场景下可能极其危险。一篇论文发现，38%的幻觉内容包含了暴力或有害信息。在医疗转录场景，一句凭空捏造的话可能是致命的。开发者们为此整理了一套“组合拳”来解决问题：用一个专门的VAD（语音活动检测）工具先把静音片段筛掉，再关掉一个关键的“联系上下文”参数，防止一句胡话引发连锁反应。

如果你正在用Whisper构建任何应用，这个“YouTube幽灵”是你绕不过去的一道坎。它暴露了一个更深层的事实：我们使用的AI，不过是它被投喂的海量数据留下的一个回声。而这些回声里，藏着我们尚未知晓的一切。

所以，下一次当你的AI工具表现得有点奇怪时，它可能不是坏了，只是它的“潜意识”浮出了水面。

---

简评：

这简直是对“垃圾进，垃圾出”最诗意的诠释。AI的幻觉不是随机的，而是其数字起源的“语言学X光片”。我们等于发现了一个方法，可以窥探一个封闭模型的“潜意识”，而这个潜意识的底色，竟然是全球各地视频博主的片尾客套话，荒诞又真实。

---

ref: www.reddit.com/r/LocalLLaMA/comments/1rlqfd7/we_collected_135_phrases_whisper_hallucinates

##