MiMo-4K无字幕第1015和谁说话到1020自我标签标准API声画音频复核-2026-06-23

MiMo-4K无字幕第1015和谁说话到1020自我标签标准API声画音频复核-2026-06-23

运行材料

本页汇总 inspool-wiki-zh/raw/assets/4k-nosub-restart-20260623/1015-who-are-you-speaking-to-nooffset/mimo-run 下三次 MiMo 标准 API 成功报告：

1015-video-object-question-to-selflabel-standard-api/mimo-report.md
1015-audio-exact-object-question-standard-api/mimo-audio-report.md
1015-audio-chain-object-to-selflabel-standard-api/mimo-audio-report.md

用量：

video total_tokens=56900, prompt=55028, completion=1872, elapsed=40.328s
audio_exact total_tokens=1875, prompt=513, completion=1362, elapsed=29.311s
audio_chain total_tokens=3097, prompt=911, completion=2186, elapsed=36.360s
total_tokens=61872

可保留为 T2 的方向

MiMo 视频报告可保留以下方向：

• 1015 发生时，画面里同时存在白衣二人、黑衣边缘移动身体和蓝衣旁观者，构成多个可被 谁 指向的位置；

• 白衣二人相对而坐，黑衣身体从左侧边缘移动/退出，蓝衣旁观者在较低、更靠后的旁观位；

• 1017 之后画面推进到更近的人脸关系，#1018-#1020 转向自我标签式陈述；

• 没有看见报告 UI、屏幕、控制台、耳机、对讲机、无线电、飞船、太空或真实任务空间；
• 即便把对象错位降级成普通舞台调度或视线变化，白衣男子从双人关系转向镜头方向、构图从双人中景变为单人近景这一点仍成立。

MiMo #1015 精确音频报告可保留以下方向：

• 1015 音量不强，语速平稳，语气是清楚疑问，但没有强烈挑衅、逼迫或高压审问；

• 句尾自然收束，较适合写成较弱但语义明确的对象追问；
• 单独听 #1015 不能证明对象错位，只能支持轻微困惑或确认；
• 没有可确认音乐、节拍、旋律、乐器、合成器、设备提示音、无线电声像或声道空间打开；
• 声音里可能有高频/空气感，但来源不能直接判定为设备或音乐。

MiMo #1015 到 #1020 音频链报告可保留以下方向：

• 声音换手呈现为：对象追问 -> 我在 -> 心理监测报告指令 -> 自我标签链；

• 1015 声学上很弱，但语义裂口被保留下来；#1017 更强地把对话转向流程性指令；

• 1018-#1020 的 我是自大狂 / 我是焦躁症 / 不擅长团队协作 应作为片内自我标签/报告输出，而不是现实心理诊断；

• 没有听到典型无线电传输、设备接入、系统提示音、机械音或声道空间打开。

必须降级的内容

以下内容不能从 MiMo 升级为事实：

• MiMo 对可见人物、性别、声源和口型的判断必须降级；#1015/#1016/#1017/#1018-#1020 说话人仍以 T0 台词账为准。
• MiMo 把 #1015 到 #1020 说成 A问 -> B答 -> C命令 -> B遵命陈述，可作为结构性候选，但不能替代 T0/T1 的角色和声画分层。
• MiMo 对“持续音乐声床、合成器长音、心跳或鼓点”的说法必须降级。T1 只能确认低能声床和低频纹理持续存在；不能确认独立配乐主题、旋律、和声、乐器、合成器或设备声。
• MiMo 关于“白衣男子直视镜头打破第四面墙”的说法只能作为画面关系候选；不能直接写成人物心理、声源或观众地址的最终裁决。
• 自大狂 / 焦躁症 / 团队协作 只能写成片内自我标签链，不能升级为真实临床事实或人物现实诊断。

与 T1 的对照

T1 本地复核对 MiMo 作如下校正：

• 1015 全句 RMS=-28.7256dBFS，比 #1014 低 14.3507dB，比 #1017 低 17.1933dB，比 #1018 低 16.6508dB。因此 #1015 不是强声中心。

• 1015 第一半 RMS=-27.4506dBFS，第二半 RMS=-30.5382dBFS；q4 低到 -37.3998dBFS，说明它前部点出、尾部撤低。

• 1015 最高 20ms 窗为 01:34:19.536-01:34:19.556，RMS=-20.8873dBFS；不能可靠裁给具体字词。

• 1015 精确窗 voice_250_4000=0.724025、air_8000_16000=0.046916，支持较薄、较亮的人声质感，但不能写成设备声或无线电声。

• 1015 精确窗左右声道 corr=1.000000，不能写成声道空间打开。

• 1015 到 #1016、#1016 到 #1017、#1017 到 #1018 相关间隙均无 silencedetect -45dB:d=0.3 silence event。

• 本地音乐诊断支持低能声床和低频纹理：例如 #1015_to1016_gap RMS=-38.6300dBFS、low20_300_ratio=0.652825，但这不足以确认旋律、节拍、和声、乐器、合成器或配乐高潮。
• 画面上 #1015 仍是平台、膜面、白衣二人、黑衣边缘身体、蓝衣旁观位和反光地面；没有报告 UI、通信设备或新任务空间。

综合使用口径

本轮 MiMo 的价值，是帮助 #1015 变成“对象问题”的证据节点：它不靠音量接管，却发生在多个可被指向的位置同时在场时。MiMo 同时提醒：后面 #1017/#1018 的报告和自我标签声音，会把 #1015 开出的对象裂口重新收进流程。

最终写法仍以 T1 为准：#1015 是低位、短促、尾部撤低的对象追问；它把 #1014 的没有回复推进到“话到底朝向谁”。#1016 的 我在 没有真正回答这个问题；#1017 的心理监测报告和 #1018-#1020 的自我标签链，才用更强声学位置把它回收。