MiMo-4K无字幕第1019焦躁症到1022更开心一点标准API声画音频复核-2026-06-23

MiMo-4K无字幕第1019焦躁症到1022更开心一点标准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-20260623/1019-self-label-anxiety-nooffset/mimo-run 下三次成功报告和若干失败记录。

成功报告：

audio-1019-exact/01-34-32.266-01-34-35.200/mimo-audio-report.md
video-1019-to-1022-chain/01-34-32.266-01-34-50.233/mimo-report.md
video-1019-to-1022-counter-music/01-34-32.266-01-34-50.233/mimo-report.md

成功用量：

audio_exact total_tokens=1642, prompt=349, completion=1293, elapsed=25.361s
video_chain total_tokens=67685, prompt=64569, completion=3116, elapsed=59.984s
video_counter_music total_tokens=6920, prompt=5642, completion=1278, elapsed=37.722s
successful_total_tokens=76247

失败记录：

audio-1019-to-1022-chain/01-34-32.266-01-34-50.233/error.txt
audio-1019-to-1022-counter-music/01-34-32.266-01-34-50.233/error.txt
audio-1019-to-1022-chain-mp3/01-34-32.266-01-34-50.233/error.txt
audio-1019-to-1022-counter-music-mp3/01-34-32.266-01-34-50.233/error.txt

长音频单独入口返回 Multimodal data is corrupted or cannot be processed 或 prefill failed。同一内容经视频通路成功读取音频，因此该失败只记录为端点/封装处理限制，不作为片段声画内容证据。

可保留为 T2 的方向

MiMo 视频链可保留以下方向：

• 1019 我是焦躁症 期间画面主体仍是膜面下近脸，表情和身体状态平静、静止、低动，不出现明显躁动、挣扎、加速或身体失控；

• 1019 到 #1020 没有明显断裂，更像同一串自我说明继续往下滑；

• 1019 所在空间仍是半透明膜面/近身空间，未见系统界面、数据图表、报告 UI 或上传设备；

• 1021 然后呢 具有继续追问/索取的功能；

• 1022 你应该更开心一点 是对情绪状态的外部要求，可读作建议、纠正或情绪管理，但不能裁决真实动机。

MiMo #1019 精确音频可保留以下方向：

• 单独听 #1019，可清楚听到 我是焦躁症；
• 这句不是强爆发、喊叫或急躁发作；声音更接近平稳、低落、收住的自我陈述；
• 人声占主导，背景为低频嗡声、轻微材料摩擦/呼吸候选和极短瞬态声；
• 无可辨认音乐、旋律或节奏性配乐。

MiMo 视频通路音乐反查可保留以下方向：

• 未听见明确配乐、旋律性音乐或音乐性铺垫；
• 声景由干声对话、材料摩擦、低频环境音、设备/录音底噪组成；
• 不存在真正静默，声音连续性来自材料摩擦和环境低频；
• 声场窄、近、干，左右分离或宽声场难以确认；
• 最容易被误读成音乐的是塑料/织物摩擦的持续高频纹理和结尾动作带来的密集材料声，保守解释应是物理材料音效。

必须降级的内容

以下内容不能从 MiMo 升级为事实：

• 1019 不能写成现实心理诊断、临床病症发作或病症典型表现。

• MiMo 对人物性别、可见人物身份、口型同步、可见人物即声源的判断，不能覆盖 T0 台词账。
• 焦躁症 不能由词义直接反推人物真实情绪；声音和画面反而显示低动、平稳和标签化。
• 你应该更开心一点 不能证明子丑现实情绪状态，只能说明话语方向转向外部纠正或情绪管理。
• 长音频独立入口失败不能被解读成片段音频损坏；同段视频通路成功，因此只作为 MiMo 接口限制记录。

与 T1 的对照

T1 本地复核对 MiMo 作如下校正：

• 1019 RMS=-17.1448dBFS，比 #1018 低 5.0700dB，比 #1022 低 4.7446dB；它不是同等强度的第二个标签。

• 1019 前半 RMS=-24.1536dBFS，尾半 RMS=-14.5899dBFS；中段空落，后段局部抬起，不是持续躁动。

• 1019 精确窗 voice_250_4000_ratio=0.914384，主要是人声。

• 1019 到 #1022 链条最高短窗落在 #1022 附近，说明纠正式关怀重新抢到声学高点。

• 1019 精确窗及链条左右声道 corr=1.000000，无声道空间打开。

• 所有精确句、间隙和长链均无 silencedetect -45dB:d=0.3 silence event；不是静音，但也不能写成配乐。

• 1019 精确窗后段有 scene 命中，只能写作近脸、膜面、光线和位置变化，不支持新空间、报告 UI 或真实上传系统。

综合使用口径

本轮 MiMo 的价值，是帮助确认 #1019 的反差：台词词义是 焦躁症，但声画没有把它演成焦躁发作；它更像在 #1018 之后继续提交第二条自我标签。音乐反查也支持 T1 的保守边界：可确认材料声、低频环境声和干声对话，不确认配乐、无线电或设备声场。最终写法仍以 T0/T1 为准：#1019 是第二条降声自我标签，不是现实诊断；它没有结束报告链，而是被 #1020 延长、被 #1021 继续索取、被 #1022 的 更开心一点 覆盖。