# MiMo #1028 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 #1028 `你不要那么害怕` 及 #1028-#1030 负向链的 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、时间码和身份裁决。说话人性别、可见人物身份、口型同步、心理动机、真实害怕事实、音乐物理来源和空间象征过度解释均需降级。

# MiMo #1028 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-20260623/1028-fear-body-ban-nooffset/mimo-direct`
- API 线路：standard-api
- 可用报告数：3
- 总 token：`23366`
- completion token：`7498`
- prompt token：`15868`
- video token：`14424`
- audio token：`66`
- 本页不保存、不引用任何密钥。

报告列表：

```text
1028-exact-audio-sound
  01:35:01.233-01:35:02.500
  audio exact, total_tokens=2618

1027-to-1028-video-gesture
  01:34:59.500-01:35:02.500
  video deep-film, fps=8, media_resolution=max, total_tokens=14561

1028-to-1030-video-formal
  01:35:01.233-01:35:07.766
  video formal-safe, fps=4, media_resolution=default, total_tokens=6187
```

## 可保留的 T2 观察

第一，MiMo 音频报告确认 #1028 可听转写为 `你不要那么害怕`，并未听到音乐或音效。它提到轻微背景噪声、近场人声、很轻的房间反射和句尾衰减；这些可以作为 T2 候选，但具体强度和频段仍以 T1 为准。

第二，MiMo 视频 #1027-#1028 报告观察到低机位、白衣前景身体、露肩白衣、黑衣坐姿人物、后方白衣人物、银灰色/半透明膜面、手部微动和无明显设备标识。这个方向与 T1 联系图合拍：#1028 不是心理特写，而是身体/膜面/旁观结构。

第三，MiMo #1028-#1030 formal-safe 报告可保留“声音主动施压、画面人物相对静止”的声画关系：对白从 `不要害怕` 接到 `胆小鬼 / 一直这样`，而画面中人物多保持静止、沉默或低反应。这个方向支持 #1028 不是孤立安慰，而是负向链的前一级。

第四，MiMo 三路均没有给出可确认的背景音乐、设备提示、无线电声像、报告 UI 或真实任务空间。这个方向与 T1 指标合拍：#1028 exact 的 `voice_250_4000_ratio=0.968482`，`stereo_corr=1.000000`，`side_mid_ratio=0`。

## 必须降级的内容

MiMo 的声线性别判断必须降级。音频和视频都倾向“女性声音”，但 T0 台词账锁定 #1028 为 ACT-AMENG / 阿蒙；MiMo 不能覆盖 T0。稳定写法只保留“清楚人声 / 平稳但施压的规劝或命令感”，不采用声线性别为事实。

MiMo 视频 #1027-#1028 把“紧张/恐惧被视觉化”说得偏强。T1 不能确认真实恐惧表情或心理状态，只能确认低机位身体、膜面、旁观者和声画反差。#1028 的恐惧主要由语言命名，而不是由画面表情签收。

MiMo #1028-#1030 对“茧”“禁闭”“集体困境”等空间象征可作为 T3 候选，不应写入事实层。T1 能确认的是半透明塑料膜、临时隔断、可见线画、人物静止、空间逐渐被揭开；不能把这些直接写成明确叙事寓意。

MiMo 音频中的“安抚或指导”语气判断需要降级。文本表面确有安抚词形，但 T1 声强和 T0 后续链条显示 #1028 接入 `胆小鬼 / 一直这样`，稳定读法应是平稳施压的身体禁令，而不是单纯安慰。

## 与 T1 的综合关系

T1 锁定：

```text
#1028 RMS=-15.9486dBFS
#1028 比 #1027 高 1.2369dB
#1028 比 #1026 高 5.7573dB
#1028 voice_250_4000_ratio=0.968482
#1028 high_4000_12000_ratio=0.009575
#1028 air_12000_20000_ratio=0.000114
stereo_corr=1.000000
side_mid_ratio=0
1028_to1030_fear_moral_chain scene>0.04 hits=0
```

MiMo 的有用补充不是“证明画面里的人真的害怕”，而是把声画关系说清楚：声音把 `害怕` 命名为需要停止的状态；画面则给出低机位身体、膜面、旁观者、逐渐揭开的临时空间和人物静止，形成“声音主动、画面承受”的反差。

稳定采用方式：

```text
T0：#1028 阿蒙 `你不要那么害怕`
T1：#1028 比 #1027 更响，频谱更清楚地回到人声；画面不给恐惧表情、音乐/设备/硬切证据
T2：MiMo 支持低机位膜面、旁观结构、无音乐设备、声音施压/画面静止方向
T3：#1028 是第二条身体反应禁令，并接入 #1029/#1030 人格化质问
```

## 待复核

- #1029 单句需要独立 T1/MiMo 复核：`胆小鬼` 如何把 `害怕` 转为人格标签。
- #1030 单句需要独立 T1/MiMo 复核：`一直这样下去吗` 如何把人格标签拉成长时段/存在质问。
- MiMo 对膜面线画、空间全貌的提示可作为后续视觉细读问题，但不能提前替代本地帧图判断。