# 4K无字幕第974：你在干嘛呢 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：2026-06-22 证据边界：T0 台词账锁定 #974 阿蒙 `你在干嘛呢` 为 01:32:02.333-01:32:03.733；本页使用 4K 无字幕母文件无偏移时间轴抽帧、音频、句内粗切、句链音频、scene detect 和 silencedetect。#974 可写为 #973 集体观看压力后对观看/记录/在场行为的短促追问，并可前向连接 #979 `我不知道我该干什么`、#980 `我也不知道我该说什么` 与 #981 `它有一种压力`；不得写成 `你` 已被可见对象裁决、手机拍摄事实已成立、白衣可见人物即说话人、口型同步、音乐转场、强硬切或他人心理事实。 # 4K无字幕第974：你在干嘛呢 本页复核工程 #974，并把它前后延伸到 #981： ```text #973 01:32:00.900-01:32:02.300 阿蒙：每一双眼睛都在看着我 #974 01:32:02.333-01:32:03.733 阿蒙：你在干嘛呢 gap 01:32:03.733-01:32:11.000 7.267s，低能非静音 #975 01:32:11.000-01:32:12.900 阿蒙：他们肯定都特别想要说话 #976 01:32:13.333-01:32:15.200 阿蒙：但是没有人 说出来 #977 01:32:21.266-01:32:22.433 阿蒙：就你知道吗 #978 01:32:24.400-01:32:27.966 阿蒙：平时我在这个时候都特别紧张 #979 01:32:31.400-01:32:32.966 阿蒙：我不知道我该干什么 #980 01:32:33.200-01:32:34.566 阿蒙：我也不知道我该说什么 #981 01:32:37.533-01:32:38.433 阿蒙：它有一种压力 ``` #974 的关键词不是某个被裁决出来的 `你`，而是 `干嘛`。它紧贴 #973 的 `每一双眼睛都在看着我`，把“我被看”的压力立刻翻成“你正在做什么”的活动追问。这个问句很短、音量偏低，但它会在后面回声式变成 #979 的 `我不知道我该干什么`，再和 #980 的 `我也不知道我该说什么`、#981 的 `它有一种压力` 连成一条行动/发声压力链。 ## 证据资产 核心目录： `inspool-wiki-zh/raw/assets/4k-nosub-restart-20260622/974-what-are-you-doing-nooffset/` 主要素材： - `clips/974_exact_5522.333_5523.733_720p_audio.mp4` - `clips/973_974_pair_5520.900_5523.733_720p_audio.mp4` - `clips/974_to976_context_5522.333_5535.200_720p_audio.mp4` - `clips/974_to981_pressure_chain_5522.333_5558.433_720p_audio.mp4` - `audio/974_exact_5522.333_5523.733_stereo.wav` - `audio/974_ni_5522.333_5522.533_stereo.wav` - `audio/974_zai_5522.533_5522.733_stereo.wav` - `audio/974_gan_5522.733_5523.033_stereo.wav` - `audio/974_ma_5523.033_5523.300_stereo.wav` - `audio/974_ne_5523.300_5523.733_stereo.wav` - `audio/975_exact_5531.000_5532.900_stereo.wav` 到 `audio/981_exact_5557.533_5558.433_stereo.wav` - `metrics/audio_summary_974.json` - `metrics/visual_summary_974.json` - `metrics/local_metrics_summary_974.md` - `metrics/audio_sentence_chain_974_to981.md` - `metrics/contact_sheet_974_exact_dense_sample.jpg` - `metrics/contact_sheet_974_to981_context_stills.jpg` - `metrics/audio_waveform_974_to981_pressure_chain.jpg` - `metrics/audio_spectrogram_974_to981_pressure_chain.jpg` - `metrics/silencedetect_974_exact_-35dB_d0.3.txt` - `metrics/silencedetect_974_to976_context_-35dB_d0.3.txt` - `metrics/silencedetect_974_to981_pressure_chain_-35dB_d0.3.txt` - `metrics/scene_detect_974_to981_pressure_chain_threshold0040.txt` - `metrics/scene_detect_974_to981_pressure_chain_threshold0015.txt` MiMo 标准 API 声画/音频复跑见 [MiMo-4K无字幕第974你在干嘛呢到981压力链标准API复跑-2026-06-22](/research/hs-b06cdf9c2eeb805f)。MiMo 只作 T2 补盲；T0 台词、说话人和时间码仍以逐时轴账为准。 ## 声音复核：#974 是低位追问，不是声学峰值 #974 精确窗： ```text duration=1.400s RMS=-30.9143dBFS Peak=-13.6614dBFS centroid=4959.3044Hz strongest50=-22.6691dBFS at 0.4789s ``` 与 #973 比较： ```text #973 exact RMS=-26.0576dBFS #974 exact RMS=-30.9143dBFS #974 exact - #973 exact = -4.8567dB ``` 所以 #974 不是 #973 后的情绪升级。#973 把观看者总称化，声音更靠前；#974 则低下去，像一个贴近前句的短促反扣。它不是把“看”继续放大，而是把被看压力转成行动问题。 句内粗分： ```text 你 duration=0.200s RMS=-31.1730dBFS Peak=-20.3015dBFS 在 duration=0.200s RMS=-28.3935dBFS Peak=-17.0369dBFS 干 duration=0.300s RMS=-27.9802dBFS Peak=-13.6614dBFS 嘛 duration=0.267s RMS=-34.8410dBFS Peak=-19.0941dBFS 呢 duration=0.433s RMS=-35.3332dBFS Peak=-19.8211dBFS ``` 粗分只作近似，但趋势清楚：最强不是句尾 `呢`，而是 `干` 和前面的 `在`。这让 #974 的声学动作落在“正在做什么”上，而不是落在疑问语气的尾巴上。`呢` 很弱，像把问句收掉，而不是把质问抬高。 ## 从 #974 到 #981：干嘛回声成干什么、说什么、压力 每句精确音频对照： ```text #974 你在干嘛呢 RMS=-30.9143dBFS #975 他们肯定都特别想要说话 RMS=-27.2006dBFS 比 #974 高 3.7137dB #976 但是没有人 说出来 RMS=-32.8810dBFS 比 #974 低 1.9667dB #977 就你知道吗 RMS=-23.6666dBFS 比 #974 高 7.2477dB #978 平时我在这个时候都特别紧张 RMS=-26.0025dBFS 比 #974 高 4.9118dB #979 我不知道我该干什么 RMS=-26.4011dBFS 比 #974 高 4.5132dB #980 我也不知道我该说什么 RMS=-30.8377dBFS 约等于 #974，高 0.0766dB #981 它有一种压力 RMS=-28.7895dBFS 比 #974 高 2.1248dB ``` 这说明 #974 的 `干嘛` 不是一个局部小问句。它后来被阿蒙自己吞回： ```text 你在干嘛呢 -> 我不知道我该干什么 -> 我也不知道我该说什么 -> 它有一种压力 ``` #974 原先像是在问别人或问现场行为；到 #979/#980，它变成阿蒙自己的行动和发声欠账。这里有一个很细的结构：`你` 的被追问，最后回到 `我` 的不知道。观看压力没有找到一个外部对象来解决，反而变成“我该如何行动/如何说话”的内部压力。 #977 和 #978 比 #974 更强，说明后面真正被声学抬高的不是 #974 的质问，而是知道权回钉和紧张自述。#980 则几乎回到 #974 的低位，像是“说什么”并没有获得和“干什么”同样的声学推进。 ## 非静音：停顿里没有音乐，也没有死寂 `silencedetect -35dB:d=0.3`： ```text 974_exact silence_start_count=0 974_to976_context silence_start_count=0 974_to981_pressure_chain silence_start_count=0 ``` 所以这段不能写成绝对静音。它也没有可确认音乐、旋律、节拍或配乐转场。#974 后到 #975 前的长低能间隔为： ```text duration=7.267s RMS=-40.1526dBFS Peak=-18.4256dBFS centroid=9457.6200Hz strongest50=-28.1852dBFS at 6.7685s ``` 这个间隔很低，但不是空。更稳的写法是：低能现场底噪、材料声/脚步声候选和视觉换载继续存在。MiMo 音频专用报告也支持“无音乐”和“低位环境/材料/脚步候选”，但它对具体脚步来源、声音性别和部分词句存在误听，不能覆盖本地 T1/T0。 ## 画面复核：#974 仍在观看场内 #973 末帧到 #974 起帧： ```text 973_end -> 974_start mean_abs_rgbdiff=0.0000 diff_gt8=0.000000 ``` 这表示 #974 不是换场后的新话题。它仍处在 #973 的观看场内：黑色垂挂遮挡、中央白衣身体、右侧坐着的观看者、左侧边缘人物和半透明塑料/薄膜仍在同一空间关系里。 #974 精确窗内部有遮挡/姿态变化，但不是强硬切： ```text 974_start -> 974_mid mean_abs_rgbdiff=8.7261 diff_gt8=0.354281 974_mid -> 974_end mean_abs_rgbdiff=13.4261 diff_gt8=0.473842 ``` 可见变化主要来自黑色垂挂物、白衣身体和观众区位置关系的微调。画面在问句中没有把 `你` 裁决成一个明确对象：不能说 `你` 就是右侧手机/发光物持有者，不能说 `你` 就是白衣可见人物，也不能说 `你` 是某个被镜头点名的人。 ## 视觉换载：从观看追问到压力场 #974 到 #975 起点的变化明显： ```text 974_end luma=47.1988 warm=0.055107 975_start luma=69.1804 warm=0.838433 974_end -> 975_start mean_abs_rgbdiff=29.7275 diff_gt8=0.882755 diff_gt20=0.577730 ``` #975/#976 转向更暖、更近的低角度脸部/上半身场；#979/#980/#981 又进入塑料薄膜、坡道/高处、站立人物、摄影设备和暖橙光扩散的场。这个换载让 #974 的问题变得更具体：问句不是停在“你在干嘛”，而是进入一个被拍摄、被观看、被设备和塑料布承载的压力空间。 `scene detect`： ```text threshold=0.040 scene_event_count=2 pts_time=[30.75, 33.125] threshold=0.015 scene_event_count=16 pts_time=[5.75, 10.958333, 13.958333, 20.875, 20.916667, 23.833333, 23.875, 28.75, 29.166667, 29.208333, 30.75, 30.791667, 33.125, 33.166667, 33.708333, 33.75] ``` 相对 #974 起点，`threshold=0.040` 的强变化到约 `30.75s` 才出现，对应 #980 附近，而不是 #974 紧接 #975 的瞬间。#974 到 #975 的换载更适合写成长间隔内的视觉转向/遮挡改构图，不写成 #974 后立刻强硬切。 ## 稳定结论 #974 的稳定写法是： ```text #974 紧接 #973，并不裁决一个具体的 `你`。 它把 `每一双眼睛都在看着我` 的被看压力低位翻成 `你在干嘛呢` 的行动追问。 句内最强在 `干` 附近，句尾 `呢` 明显落低； 这说明声学重心不是疑问尾音，而是“正在做什么”的动作核。 后面 #979 `我不知道我该干什么`、#980 `我也不知道我该说什么` 和 #981 `它有一种压力` 把这条追问回收到阿蒙自己身上。 ``` 不能写： - `你` 已经被画面裁决为某个具体人； - 手机/发光物候选已经等于拍摄事实； - 白衣可见人物就是 #974 说话人； - #974 有可靠口型同步； - #974 到 #975 是音乐转场、绝对静音或强硬切； - #975 的 `他们想说话` 是他人真实心理事实； - #981 的压力已经在 #974 被完全解释完。 ## 文中引用的图像资料 以下图像由本篇已有文件引用对应；保留历史引用范围，图像展示不增加新的事实判断。 ![contact_sheet_974_exact_dense_sample.jpg](/research/images/31ff1f9d06ac1729ef36.webp) ![contact_sheet_974_to981_context_stills.jpg](/research/images/b1654f1026c86629880a.webp) ![audio_waveform_974_to981_pressure_chain.jpg](/research/images/003f2cbdd9b48dc9352f.webp) ![audio_spectrogram_974_to981_pressure_chain.jpg](/research/images/0a556beb8f073128d7bd.webp)