feat: 转写支持静音段幻觉抑制参数（HST）

无 VAD 的 decode_full 会在无语音段"编"出字幕（`こんにちは`/`おはようございます`/
`東京都交通局8800形電車`）。实测这类幻觉与"呻吟间隙里的真实短台词"在
`no_speech_prob`、`avg_logprob`、silero VAD 与音频能量四个维度上都不可分，
只能用 faster-whisper 自带的 `hallucination_silence_threshold`（HST）抑制：
怀疑幻觉时跳过超过阈值的静音部分（需 `word_timestamps=True`）。

- `nodes/whisper.py` 透传 `word_timestamps` / `hallucination_silence_threshold` /
  `no_speech_threshold` / `log_prob_threshold` / `compression_ratio_threshold`，
  未配置的键不传，保持 faster-whisper 默认值与改造前行为。
- `learn-translate` 默认 HST=2.0 + word_timestamps：同一片头 120 秒无对话段由 15 条
  字幕降到 4 条且无套话幻觉残留，呻吟段基本保留；代价转写约慢 1.8×。
- 实测数据与取舍记录见 docs/workflows.md#decode_full-与幻觉呻吟清洗。

docs/workflows.md

@@ -45,6 +45,18 @@ Expecting value: line 1 column 1 (char 0)`），也会直接渲染成超长字
 展示时长 ≥15s 且同一 1–6 字单元连续重复 ≥6 次且覆盖正文 ≥70%；真实短促呻吟
 （`ぇ`×15、`ああああああ`）靠时长区分，零误删。VAD 开关都会生效。
 
+**静音段幻觉抑制**（2026-09）：decode_full 的固有副作用是"无语音段照样写字幕"——
+whisper 会在静音/音乐段输出 `こんにちは`、`おはようございます`、`東京都交通局8800形電車`
+这类短幻觉。实测这类幻觉与"呻吟间隙里的真实短台词"在 `no_speech_prob`、`avg_logprob`、
+silero VAD 与音频能量四个维度上**都不可分**（数据见 `data/experiments/regen_plan/REPORT.md`），
+所以走 faster-whisper 自带的 `hallucination_silence_threshold`（HST，需
+`word_timestamps=True`）：怀疑该段是幻觉时，跳过超过阈值的静音部分。learn-translate
+默认 `hallucination_silence_threshold=2.0` + `word_timestamps=true`：同一片头 120 秒
+无对话段由 15 条字幕降到 4 条（无套话幻觉残留），呻吟段基本保留；代价是转写约慢 1.8×。
+参数由工作流直接传给节点（`_guard_transcribe_params` 透传 `word_timestamps` /
+`hallucination_silence_threshold` / `no_speech_threshold` / `log_prob_threshold` /
+`compression_ratio_threshold`，未配置的键保持 faster-whisper 默认值）。
+
 调研过程与结论见 [调研-whisper漏句与decode_full验证.md](./调研-whisper漏句与decode_full验证.md)。
 
 ## 切换模型不改代码

nodes/whisper.py

@@ -170,6 +170,24 @@ def _wav_duration_seconds(path: Path, fallback: float) -> float:
         return fallback
 
 
+# 静音段幻觉抑制参数：无 VAD 的整段解码会在无语音处"编"出字幕，这些参数直接
+# 交给 faster-whisper（不传时保持其内置默认值，行为与改造前一致）。其中
+# `hallucination_silence_threshold` 需要 `word_timestamps=True` 才生效：它按词级
+# 时间戳跳过幻觉段里的静音部分，是"无语音段别写字幕"的主要开关。
+_GUARD_PARAM_KEYS = (
+    "word_timestamps",
+    "hallucination_silence_threshold",
+    "no_speech_threshold",
+    "log_prob_threshold",
+    "compression_ratio_threshold",
+)
+
+
+def _guard_transcribe_params(params: dict) -> dict:
+    """挑出工作流显式传入的幻觉抑制参数，未传的键交给 faster-whisper 默认值。"""
+    return {key: params[key] for key in _GUARD_PARAM_KEYS if params.get(key) is not None}
+
+
 def _append_srt_lines(lines: list[str], segments, offset: float, start_index: int) -> int:
     """把一段转写结果按 SRT 格式追加到 lines，时间加上 offset 偏移。
 
@@ -287,6 +305,8 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
                 condition_on_previous_text=bool(
                     request.params.get("condition_on_previous_text", False)
                 ),
+                # 静音段幻觉抑制（未配置时不传，保持默认行为）。
+                **_guard_transcribe_params(request.params),
             )
             # 进度日志：块序号/总数、单块耗时、实时倍率（块音频时长/墙钟耗时）
             # 与转写累计耗时，直观反映数据处理速度。

tests/nodes/test_whisper/test_transcribe.py

@@ -565,3 +565,53 @@ def test_invoke_drops_repetition_artifact_in_decode_full(tmp_path: Path, monkeyp
     content = Path(response.outputs["srt_uri"]).read_text(encoding="utf-8")
     assert artifact not in content
     assert "そこ、だめ" in content
+
+
+def test_invoke_passes_hallucination_guard_params(tmp_path: Path, monkeypatch) -> None:
+    """数据：工作流传入幻觉抑制参数（HST + word_timestamps + 两个阈值）。
+
+    过程：调用 invoke。
+
+    验证：参数原样传给 faster-whisper——静音段幻觉只能靠这些参数抑制：
+    `hallucination_silence_threshold` 需要 word_timestamps 才生效。
+    """
+    # 数据：无语音段也能"编"出字幕的假模型 + 显式传入的抑制参数。
+    model = FakeModel([FakeSegment(0.0, 2.0, "こんにちは")])
+    _inject_model(monkeypatch, model)
+
+    # 测试过程
+    invoke(_request(
+        tmp_path, SPEECH_WAV, chunk_seconds=0, language="ja",
+        word_timestamps=True, hallucination_silence_threshold=2.0,
+        no_speech_threshold=0.3, log_prob_threshold=-1.2,
+        compression_ratio_threshold=2.4,
+    ))
+
+    # 验证结果
+    call = model.calls[0]
+    assert call["word_timestamps"] is True
+    assert call["hallucination_silence_threshold"] == 2.0
+    assert call["no_speech_threshold"] == 0.3
+    assert call["log_prob_threshold"] == -1.2
+    assert call["compression_ratio_threshold"] == 2.4
+
+
+def test_invoke_omits_guard_params_by_default(tmp_path: Path, monkeypatch) -> None:
+    """数据：不传抑制参数（默认工作流）。
+
+    过程：调用 invoke。
+
+    验证：不透传这些键，保持 faster-whisper 自身默认值，行为与改造前一致。
+    """
+    # 数据：普通假模型。
+    model = FakeModel([FakeSegment(0.0, 1.0, "x")])
+    _inject_model(monkeypatch, model)
+
+    # 测试过程
+    invoke(_request(tmp_path, SPEECH_WAV, chunk_seconds=0))
+
+    # 验证结果
+    call = model.calls[0]
+    assert "hallucination_silence_threshold" not in call
+    assert "no_speech_threshold" not in call
+    assert "word_timestamps" not in call

workflows/learn-translate.json

@@ -31,6 +31,10 @@
           "condition_on_previous_text": false,
           "chunk_seconds": 60,
           "vad_filter": false,
+          "word_timestamps": true,
+          "hallucination_silence_threshold": 2.0,
+          "_note_word_timestamps": "开启词级时间戳：hallucination_silence_threshold 只在该模式下生效（它按词级时间戳跳过幻觉段里的静音部分）。代价是解码更慢（实测同段音频约 1.8×），换来的是无语音段不再产生\"こんにちは/おはようございます\"这类套话幻觉。",
+          "_note_hallucination_silence_threshold": "静音段幻觉抑制：怀疑该段是幻觉时，跳过超过 2 秒的静音。实测片头无对话段的字幕条数由 15 降到 4、且不再出现套话幻觉，呻吟段基本保留。设 0 或删除该键即关闭（回到改造前行为）。",
           "beam_size": 1,
           "_note_decode_full": "【本次修复核心】decode_full=true 强制无 VAD 整段解码，绕过 silero VAD 对呻吟/轻语/快速讲解/BGM 混叠人声的切段误杀。实测 savr-1054 全片：生产 VAD 仅召回 115 条，decode_full 召回 340 条（弱语音全找回）。正例：教师快速带过一句'つまりね'（弱语音），decode_full 能捕捉；反例（decode_full=false 默认）：该句被 silero 概率<阈值当静音剔除，字幕整句消失。代价是无语音段会产生长时'おやすみなさい/ご視聴ありがとうございました'幻觉——处理方式：whisper 转录后立即**连带时间戳把整条 cue 删除**（不留下 '-' 占位污染下游，占位会渲染进 ASS 成减号），短时（≤15s）相同词可能是剧情真实道晚安则保留。实测 speech_60s：前 30s 无语音幻觉被整条剔除，字幕直接从 30s 真实内容开始、序号连续。",
           "_note_vad_filter": "本工作流 decode_full=true 时 vad_filter 被强制置 false（两者互斥，decode_full 优先）。保留 vad_filter=false 仅为显式声明'不启用 VAD 切段'。正例：学习视频讲解者偶有停顿、翻页声，无 VAD 不误删。反例：vad_filter=true + 讲解者语速快/带气声，弱音节被整段吞掉（见 decode_full 反例）。",