# MiMo #1030 标准 API 声画复核

本文为研究档案公开版，保留来源版本的论述与限制。公开时间：2026-09-08；不表示已完成同行评审。 本文属于公开研究资料（历史笔记、研究稿或来源记录）：已完成格式、来源限制与重复项筛查，尚未完成逐篇独立事实复核；原文中的解释、候选判断和未确认内容均按其原有限制阅读。

来源版本日期：2026-06-23

证据边界：本页只记录 MiMo 对 #1030 `难道你要一直这样下去吗` 到 #1031 `哎` 的 T2 观察。MiMo 不覆盖 T0 台词账、T1 本地音频/画面指标、说话人归属、时间码、声源位置和身份裁决。声线性别、录音棚/小房间空间判断、心理动机、口型同步、可见声源、绝对沉默、情感指向和象征过度解释均需降级。

# MiMo #1030 标准 API 声画复核

## 运行信息

- 本地素材目录：`inspool-wiki-zh/raw/assets/4k-nosub-restart-20260623/1030-duration-existence-question-nooffset/mimo-run`
- API 线路：standard-api
- 可用报告数：2
- 总 token：`32716`
- completion token：`5493`
- prompt token：`27223`
- video token：`25520`
- audio token：`55`
- 本页不保存、不引用任何密钥。

报告列表：

```text
1030-exact-sound-music-boundary
  01:35:06.066-01:35:07.766
  audio exact, total_tokens=2589

1030-to1031-duration-question-space
  01:35:06.066-01:35:13.166
  video deep-film, fps=8, media_resolution=max, total_tokens=30127
```

## 可保留的 T2 观察

第一，MiMo 音频报告把 #1030 描述为清楚、连贯、一气呵成的反问，并认为声学重心偏向句首和 `一直`。这个方向可以保留为 T2，并由 T1 指标进一步校正：#1030 的最强 50ms 窗在 `0.39-0.44s`，250ms 高点在 `0.19-0.44s`，前半句比尾半句高 `2.7990dB`。

第二，MiMo 音频报告明确没有可确认音乐、旋律、节拍、和声、配器或设备提示。这个方向与 T1 合拍：#1030 exact `voice_250_4000_ratio=0.755908`、`high_4000_12000_ratio=0.011698`、`stereo_corr=1.0`、`side_mid_ratio=0`。

第三，MiMo 视频报告观察到 #1030 起点是白衣男性近脸和半透明塑料膜线画，随后镜头连续后拉/升高，揭示高台、黑衣站立者、观众/参与者、手机记录和大面积半透明塑料围合。这个方向与本地联系图和静帧完全合拍，是本轮最有价值的 T2 补充。

第四，MiMo 视频报告没有确认音乐、设备声、无线电、UI 或报告界面；并指出口型、可见说话人和具体声源位置无法由画面确认。这些边界可直接采用。

## 必须降级的内容

MiMo 音频报告把人声说成“男性语音”，这不能覆盖 T0 的 ACT-AMENG / 阿蒙，也不能作为声线性别证据。本页只保留“清楚人声 / 反问语气 / 时间持续性被强调”。

MiMo 音频报告把声音空间说成“较小封闭空间 / 录音棚或安静房间”，与视频窗口里可见高台、观众和公开装置空间不完全吻合，必须降级。T1 稳定说法是：单声道音频不能定位具体声源位置；可以确认有低能房间/材料声床，但不能确认录音棚、小房间或具体吸声环境。

MiMo 视频报告把 #1030 到 #1031 的等待写成“完全的等待与沉默”。T1 `silencedetect -45dB:d=0.3` 对等待段无 silence event，等待段 RMS=`-23.0775dBFS`，因此必须改成“低能非静音等待 / 环境或材料声床持续”，不能写成绝对静音。

MiMo 对“集体凝视”“被观看者”“权力视角”的词可作为 T3 概念入口，但不能替代 T1 事实。T1 只确认：高台、观众/参与者、手机记录、塑料围合、站立者和坐姿观看结构可见。

## 与 T1 的综合关系

T1 锁定：

```text
#1030 RMS=-16.0118dBFS
#1030 比 #1029 高 0.8833dB
#1030 比 #1028 低 0.0632dB
#1030 first_half 比 tail_half 高 2.7990dB
#1030 q1 比 q4 高 5.5665dB
#1030 exact voice_250_4000_ratio=0.755908
#1030 exact high_4000_12000_ratio=0.011698
#1030 exact stereo_corr=1.000000
#1030 到 #1031 等待 RMS=-23.0775dBFS，无 silence event
#1030 到 #1031 视频 scene>0.04 hits=0
```

MiMo 的有用补充不是证明“谁真的会这样下去”，而是补出声画组织：声音把 #1029 的 `一直做胆小鬼` 转成 `一直这样下去吗`；画面则从白衣近脸连续拉开到高台、观众和塑料围合，使质问从脸部压力变成公开观看结构。

稳定采用方式：

```text
T0：#1030 阿蒙 `难道你要一直这样下去吗`
T1：前半句较强、尾部落下；无音乐/设备/绝对静音/硬切证据；画面连续拉开到公开场
T2：MiMo 支持白衣近脸到高台观众空间的连续重构，以及无音乐设备方向
T3：#1030 是把 #1029 人格化裁决推成未来持续压力的时间化质问
```