fix(asr): 用 verbose_json 元数据丢弃 Whisper 幻听段落（仅 OpenAI/Groq）

[katanumahotori]

User description

问题

Whisper 在静音 / 弱音 / 噪声段会生成「听起来合理但用户没说」的文本（已知的 hallucination 缺陷）。录音前后的沉默、麦克风底噪经常被转写成无关词，污染最终结果。当前 transcribe_chunk 直接取 json["text"]，没有任何过滤。

方案

当 provider 返回 verbose_json 时，每个 segment 带 no_speech_prob / avg_logprob / compression_ratio。用保守阈值丢掉明显不是语音的段落：

• no_speech_prob > 0.6 且 avg_logprob < -0.5（高静音概率 + 低置信）
• compression_ratio > 2.4（反复幻听，Whisper 标准阈值）
• avg_logprob < -1.0（置信极低，噪声被词化）

误删真实语音最糟，所以阈值偏保守。响应里没有 segments 时退回直接用 text（与旧行为一致）；某些指标字段缺失时按「保留」处理，所以对返回 segments 但缺指标的 provider 是无害空转。

Provider 门控（关键）

verbose_json 只对确证支持且有收益的 provider 开启，避免破坏其它后端：

provider	模型	verbose_json	处理
whisper（OpenAI）	Whisper	✅ 完整（含上述指标）	开启，过滤有效
groq	Whisper	✅ 完整（seek/avg_logprob/compression_ratio/no_speech_prob）	开启，过滤有效
zhipu（GLM-ASR）	GLM-ASR	接受该值但不产出上述指标	保持 json（过滤空转，最小化行为变更）
siliconflow	SenseVoice / TeleSpeech	文档无 response_format	保持 json（避免未知参数导致 4xx）

依据：OpenAI / Groq 现行文档均明确 verbose_json 返回上述 segment 指标；SiliconFlow 文档的转写接口没有 response_format 参数，模型为 SenseVoice/TeleSpeech；GLM-ASR 接受 verbose_json 但 segment 形态不同。

whisper_supports_verbose_json(provider_id) 决定是否开启；WhisperBatchASR 增加一个 verbose_json bool 参数。开启时同时把 temperature 固定为 0（转写是确定性任务）。

测试

• extract_confident_text：丢弃幻听段 / 保留可信段 / 无 segments 回退 text / 缺指标时保留。
• whisper_supports_verbose_json：仅 whisper/groq 为 true，siliconflow/zhipu 为 false。
• cargo check --lib --tests 通过。

平台 / 兼容性

仅改 transcribe_chunk 与构造参数。未开启的 provider 行为完全不变。

fork 维护者在日语环境实际使用中发现幻听问题；SiliconFlow 无法本地实测（无凭据），故按文档保守门控，不改其行为。命名 / 阈值如需调整请直接指出。

---

PR Type

Bug fix, Tests

---

Description

• Add verbose_json support to filter hallucinated segments via metadata (no_speech_prob, avg_logprob, compression_ratio)

• Gate the feature to only OpenAI/Groq to avoid breaking other providers

• Add extract_confident_text function with conservative thresholds

• Add unit tests for the new function and provider gating

---

File Walkthrough

Relevant files

Enhancement

whisper.rs Add verbose_json hallucination filter and tests                    openless-all/app/src-tauri/src/asr/whisper.rs Added verbose_json boolean field to WhisperBatchASR Modified transcribe to conditionally request response_format=verbose_json and use extract_confident_text filter Added extract_confident_text function to drop hallucinated segments using thresholds (no_speech_prob, avg_logprob, compression_ratio) Added unit tests for the filtering logic +138/-3  coordinator.rs Gate verbose_json support to whisper/groq providers            openless-all/app/src-tauri/src/coordinator.rs Added whisper_supports_verbose_json function to gate the feature only to providers "whisper" and "groq" Modified build_qa_asr_start to pass the flag when constructing WhisperBatchASR Added unit test to verify provider gating +25/-0    dictation.rs Pass verbose_json flag in dictation session                            openless-all/app/src-tauri/src/coordinator/dictation.rs Modified begin_session to pass the verbose_json flag when creating WhisperBatchASR +1/-0

---

[github-actions]

PR Reviewer Guide 🔍

Here are some key observations to aid the review process:

⏱️ Estimated effort to review: 3 🔵🔵🔵⚪⚪

🧪 PR contains tests

🔒 No security concerns identified

⚡ No major issues detected