# MiMo-4K无字幕第997幻想句到998塔台999反问标准API声画音频复核-2026-06-23

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：MiMo 只作 T2 候选。可保留其对 #997 无硬切、无幻想空间显影、前景肉色/橙色肢体遮挡持续、#997 后现场身体数量增加、#998/#999 形成叠声呼叫/反问结构的辅助观察；必须降级可见人物等同说话人、口型同步、声源性别/身份、无线电/塔台真实空间、梦现实裁决、心理状态、音乐确认和任何以 MiMo 覆盖本地 T1 音量/频谱/边界的判断。

# MiMo-4K无字幕第997幻想句到998塔台999反问标准API声画音频复核-2026-06-23

## 运行对象

本轮使用标准 MiMo API 对 #997-#999 连续链做视频与音频两路复核：

```text
视频：#997-#999 连续段，01:33:44.100-01:33:53.366，fps=8，media_resolution=max。
音频：#997-#999 连续段，analysis mode。
重点：#997 子丑 `你是我幻想出来的` 如何被 #998 甲瑞 `塔台呼号 塔台呼叫7号宇航员` 和 #999 阿蒙 `我是你幻想出来的？` 接走。
```

原始报告、redacted 响应与 prompt 位于：

```text
inspool-wiki-zh/raw/assets/4k-nosub-restart-20260623/997-fantasy-sentence-nooffset/mimo-api-997-20260623
```

手工合计 usage：

```text
video total_tokens=35775
audio total_tokens=2928
manual_total=38703
video_tokens=32560
audio_tokens=115
reasoning_tokens=1382
```

## 可保留的 T2 观察

### 画面

- #997 时没有硬切，也没有幻想空间、梦境空间、文字、书页、屏幕、作者空间或后台空间显影。
- 透明平台、半透明塑料膜/膜面、观众席和近前肉色/橙色身体或肢体遮挡继续在场。
- #997 后画面没有清空，平台和观众席仍然持续；有新的身体进入或站到平台/近前位置，使现场更拥挤。
- #998/#999 进入时仍然是同一连续现场，不是塔台、太空舱或外部通讯空间的画面切换。

### 声音

- #997 听起来比 #996 更完整，更像完成陈述。
- #997 后到 #998 前有低能环境/材料/底噪和短促瞬态，不是绝对静音。
- #998 与 #999 形成时间重叠，声音结构从 #997 的单句判断转入呼叫/反问的叠声结构。
- #998/#999 的声场密度明显高于 #997；这一点与本地 T1 的 `0dBFS` 峰值和更高 RMS 方向一致。

## 必须降级的部分

以下内容不能升为事实：

- 视频报告把白衣可见人物、黑衣可见人物与 T0 声音角色直接对应的判断。T0 锁定说话人，但画面不能据此裁决口型同步或可见声源。
- 视频报告对人物性别、身份和“正在操作某物”的过强裁决。可保留为身体进入、身体站立、手部/物件候选，不能坐实身份或动作目的。
- 音频报告中任何“真实塔台”“真实宇航员”“外部广播系统”的可能误读。#998 只能写成塔台呼叫文本/声音结构，不是外部空间事实。
- 把 #997 台词内容写成梦/现实真相、人物身份真相或心理诊断。
- 把 #997 后等待中的瞬态声写成确定人声、乐器、合成器、音乐提示音或具体物体声。
- MiMo 对 #996 的音频时间线补述不能替代本轮音频文件范围；#996 仍以本地 T1 和前一来源页为准。

## 与 T1 合并后的用法

本地 T1 给出的硬指标是：

```text
#997_exact       RMS=-20.0483dBFS  Peak=-2.1039dBFS
#997_to998_gap   RMS=-33.4931dBFS  Peak=-1.1456dBFS
#998_exact       RMS=-14.0408dBFS  Peak=0.0000dBFS
#999_exact       RMS=-12.9098dBFS  Peak=0.0000dBFS
#997 比 #996 高 4.7833dB
#997 比 #998 低 6.0075dB
#997 比 #999 低 7.1385dB
```

MiMo 的可用部分应压缩成：

```text
#997 完成 #996 的断句，
但画面没有打开幻想空间；
#997 后现场没有变空，
反而继续被身体、观众席和平台挤满；
#998/#999 把幻想句改写成塔台呼叫与反问的叠声公共现场。
```

最终判断仍以本地 T1 为主：#997 是完整幻想句，但不是影片真相；它的后果是被更强的公共声场和多人观看现场接管。