使用 Whisper 等 AI 转录工具时，最常见的问题就是背景音乐产生幽灵字幕——在没人说话的地方出现乱码文字、被误识别的歌词或重复的短语。如果你曾用 Whisper 处理过视频，并在纯音乐的片头看到类似「Thank you for watching」或随机英文单词的字幕，你一定深有体会。GeekLink 通过内置 VAD（语音活动检测）解决了这个问题——在转录之前自动检测并静音非语音片段，确保字幕只包含真正的人声内容。
背景音乐是 AI 转录质量的隐形杀手。当你将带有背景音乐的视频输入 Whisper 或任何语音转文字引擎时，模型无法区分人声和吉他旋律。它会试图转录听到的所有声音，而当没有语音可转录时，就会产生幻觉——生成从无意义的片段到听起来很自信但从未有人说过的句子的幽灵字幕。你会看到歌词（有时是错误的语言）、重复的短语如「Thank you」或「Subscribe」，或者像做了场噩梦一样的完全乱码。
几乎所有类型的视频内容都会遇到这个问题：带片头片尾音乐的 YouTube 视频、带过渡音乐的播客、持续有背景音乐的综艺节目、带背景音乐的企业培训视频、使用授权音乐的 Vlog、带 DJ 音乐的婚礼视频、以及带游戏原声的直播。音乐越突出，幻觉就越严重。即使是很安静的背景音乐，也可能在语音暂停时触发幽灵字幕。
为什么会这样？Whisper 和类似模型被训练来寻找音频中的语音。当音频包含音乐但没有语音时，模型不会输出静音——它会试图找到匹配语音的模式并生成它的最佳猜测，而这几乎总是错的。如果没有预过滤来告诉模型「这里没有语音，跳过这部分」，它会为每一秒音频都幻觉出文字。Reddit 上充满了人们的提问，比如「为什么 Whisper 总是把我的背景音乐转录成随机英文单词？」和「如何阻止音乐片段中的幽灵字幕？」答案就是使用 VAD 进行预过滤。
手动解决方案很痛苦：在 Audacity 中打开视频，找到并去除纯音乐片段，应用降噪滤波器，导出处理后的音频，然后重新导入转录工具。对于单个视频来说这已经够麻烦了——在你开始转录之前就需要 15-30 分钟的仔细音频编辑。对于需要处理多个视频的人来说，这完全不切实际。如果你有 50 个 YouTube 视频或一整季节目需要加字幕，仅音频预处理每个视频 15 分钟就累计超过 12 小时的手动工作。
云端转录服务按音频时长计费，而且大多数都有同样的背景音乐问题。你在为不应该被转录的音乐付费。有些服务将 VAD 作为付费附加功能，但你仍然需要将视频上传到别人的服务器并持续付费。大多数桌面版 Whisper 工具根本不包含 VAD——它们只是将原始音频直接传给 Whisper，听天由命。
可以。VAD 能检测包括唱歌在内的人声活动，所以如果视频中有人在唱歌，这些片段会被保留并转录。VAD 专门过滤纯器乐音乐、音效和非人声音频。如果视频中有歌手在伴奏上演唱，人声片段会被保留，而纯器乐间奏则会被过滤掉。
纯音乐片头会被 VAD 自动静音，转录会在主持人开始说话时启动。如果播客使用在语音下方播放的音乐（过渡时的常见技巧），VAD 会保持这些片段活跃，因为它检测到了音乐上方的人声。语音识别模型能较好地处理带音乐的语音——导致幻觉的是纯音乐片段，而这正是 VAD 所消除的。
语音活动检测会分析音频波形，将每个片段分类为语音或非语音。GeekLink 使用 Silero VAD，一个专门为此任务训练的神经网络模型。它在你的 Mac 上本地运行，实时处理音频，生成包含人声的时间范围映射。只有这些范围内的音频才会被发送到语音识别引擎。该模型在区分人声与音乐、噪声、掌声和静音方面有非常高的准确率。
几乎不会。无论视频多长，VAD 分析每个视频只增加几秒钟。事实上，它通常反而让整个过程更快，因为语音识别引擎需要处理的音频更少——它完全跳过了所有非语音片段。不再需要手动审查和删除幽灵字幕所节省的时间，远远超过 VAD 带来的微小开销。
可以。如果你希望获得未经任何预过滤的原始转录输出，可以在 GeekLink 的设置中关闭 VAD 预过滤。这在一些特殊情况下可能有用，比如你刻意想转录非语音音频，或用于测试和对比。默认情况下 VAD 是开启的，因为对于绝大多数视频它都能产生更干净的结果。