# MiMo #1029 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 #1029 `不要一直做一个胆小鬼` 及 #1029-#1030 负向人格标签链的 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、真实胆小事实、黑胶/设备声物理来源、音乐事实和空间象征过度解释均需降级；第二段视频报告误转写台词，不得作为对白依据。

# MiMo #1029 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-20260623/1029-coward-personality-label-nooffset/mimo-direct`
- API 线路：standard-api
- 可用报告数：3
- 总 token：`25572`
- completion token：`6690`
- prompt token：`18882`
- video token：`17444`
- audio token：`60`
- 本页不保存、不引用任何密钥。

报告列表：

```text
1029-exact-audio-coward-label
  01:35:03.700-01:35:05.266
  audio exact, total_tokens=1996

1028-to-1029-fear-to-coward-video
  01:35:01.233-01:35:05.266
  video deep-film, fps=8, media_resolution=max, total_tokens=18404

1029-to-1030-coward-to-duration-question-video
  01:35:03.700-01:35:07.766
  video formal-safe, fps=4, media_resolution=default, total_tokens=5172
```

## 可保留的 T2 观察

第一，MiMo 音频报告确认 #1029 可听转写为 `不要一直做一个胆小鬼`，并且未观察到明显音乐、环境声或沉默段。它把人声描述为近、清楚、语速中等、语气坚定；这个方向可以保留为 T2，但声压和频谱仍以 T1 为准。

第二，MiMo 视频 #1028-#1029 报告观察到低机位、白衣男性前景近脸、半透明塑料膜、膜面黑色线画、右侧黑衣旁观者、背景人物、人物视线不直视镜头和空间临时搭建感。这个方向与 T1 联系图合拍：#1029 不是抽象心理句，而是落在近脸、膜面、旁观和临时空间内。

第三，MiMo 视频 #1029-#1030 报告可保留“镜头缓慢移动/空间扩展、半透明塑料布、背景模糊人物、暖黄光和冷白环境光并置、声音带轻微空间感”的形式观察。它帮助说明 #1029 的人格标签不是孤立音频，而是立刻进入 #1030 的更宽空间和更长质问。

第四，三路报告均没有稳定支持可确认背景音乐、设备提示、无线电声像、报告 UI 或真实治疗空间。这个方向与 T1 一致：#1029 有局部高频/摩擦候选，但仍无旋律、节拍、配器、声道空间或可见声源互证。

## 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 #1029 为 ACT-AMENG / 阿蒙；MiMo 不能覆盖 T0。稳定写法只保留“清楚人声 / 坚定施压 / 评价性人格标签”。

MiMo 音频报告把背景声猜成“黑胶唱片静电/模拟录音底噪”。这只能作为 T2 候选，不得写成 T1 事实。T1 能确认的是：#1029 存在局部中高频/摩擦性材料，尤其 `0.85-0.95s`，但没有可确认设备、黑胶、无线电或音乐事实。

MiMo #1029-#1030 formal-safe 视频报告误把对白写成“难道你要一直做一个胆小鬼”并漏掉 T0 里的 `下去吗`。该报告不能作为台词依据；对白必须回到 T0：#1029 `不要一直做一个胆小鬼`，#1030 `难道你要一直这样下去吗`。

MiMo 的心理词和象征链也要降级。它提到“被审视的脆弱”“内在恐惧投射”“束缚/压抑”等，可作为 T3 问题，不是事实。T1 只确认近脸、膜面线画、旁观者、暖光、空间临时性和无明显硬切证据；不能据此裁决人物真实胆小或真实恐惧。

## 与 T1 的综合关系

T1 锁定：

```text
#1029 RMS=-16.8951dBFS
#1029 比 #1028 低 0.9465dB
#1029 比 #1027 高 0.2904dB
#1029 比 #1026 高 4.8109dB
#1029 first_half 比 tail_half 高 3.8691dB
#1029 q1 比 q4 高 12.4524dB
#1029 exact voice_250_4000_ratio=0.759278
#1029 exact high_4000_12000_ratio=0.148037
#1029 exact stereo_corr=1.000000
#1029 exact side_mid_ratio=0
1029_exact_coward_label_720p scene>0.04 hits=0
1029_to1030_coward_to_duration_question_720p scene>0.04 hits=0
```

MiMo 的有用补充不是“证明某人就是胆小鬼”，而是提示形式结构：声音把 `害怕` 转成 `胆小鬼`，画面则给出近脸、膜面线画、旁观者和暖光空间；它们共同形成“声音裁决，画面不签收”的关系。

稳定采用方式：

```text
T0：#1029 阿蒙 `不要一直做一个胆小鬼`
T1：句首强开、前半句强、尾部撤落；无音乐/设备/硬切/表情签收事实
T2：MiMo 支持膜面线画、低机位近脸、旁观结构、无音乐设备和声画施压方向
T3：#1029 是把 `害怕` 人格化为 `胆小鬼` 的裁决句，并为 #1030 的时间/存在质问做前奏
```

## 待复核

- #1030 单句需要独立 T1/MiMo 复核：`一直这样下去吗` 如何把 #1029 的人格标签拉成长时段。
- MiMo 对膜面线画和暖光变化的观察可进入后续视觉细读，但不能提前替代本地帧图判断。
- #1029 的高频/摩擦材料可以做下一轮听辨，尤其要分开辅音、材料噪声、录音底噪和真正音乐结构。