# MiMo-4K无字幕第1016我在到1020自我标签标准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 为 T2 候选，只用于补充声画反读；不得覆盖 T0 台词账或 T1 本地音频/画面指标。可保留：#1016 `我在` 是短促、平稳、偏存在确认的句子；#1016 到 #1017 仍是同一膜面平台现场；#1017 具有流程性指令感；#1018-#1020 更像自我标签输出。必须降级：MiMo 对说话人性别/声源/口型/可见人物身份、设备/实验空间、心理事实、真实报告系统、电子音乐/鼓点/合成器旋律的强判断。

# MiMo-4K无字幕第1016我在到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-20260623/1016-i-am-here-nooffset/mimo-run` 下三次 MiMo 标准 API 成功报告：

```text
video-1016-to-1017-chain/01-34-23.000-01-34-27.966/mimo-report.md
audio-1016-exact/01-34-23.000-01-34-24.033/mimo-audio-report.md
audio-1016-to-1020-chain/01-34-23.000-01-34-39.700/mimo-audio-report.md
```

用量：

```text
video total_tokens=15648, prompt=13809, completion=1839, elapsed=37.463s
audio_exact total_tokens=2514, prompt=359, completion=2155, elapsed=44.838s
audio_chain total_tokens=2710, prompt=474, completion=2236, elapsed=47.726s
total_tokens=20872
```

## 可保留为 T2 的方向

MiMo 视频报告可保留以下方向：

- #1016 到 #1017 仍是同一透明塑料膜/平台/前景二人/后景旁观位构成的现场；
- 前景人物距离近，但没有看到报告 UI、屏幕、控制台、耳机、对讲机或无线电设备；
- #1017 `请上传你的心理监测报告` 在语气上具有正式、流程性、指令性的质感；
- 画面里后景人物更像旁观/工作人员式位置，但这个身份只能保留为候选，不能升级为事实。

MiMo #1016 精确音频报告可保留以下方向：

- 单独听 #1016，可清楚听到 `我在`；
- 语气平稳、短促、无明显呼喊、破音或强烈情绪爆发；
- 它更像存在确认或直接短回应，而不是完整解释；
- 单独 1 秒音频无法确认具体身份、说话对象或是否修复 #1015 的对象错位。

MiMo #1016 到 #1020 音频链报告可保留以下方向：

- 链条结构大致是：`我在` -> `请上传你的心理监测报告` -> `我是自大狂 / 我是焦躁症 / 不擅长团队协作`；
- #1017 之后声音转向报告和自我标签，#1016 的短确认很快被更强、更长的流程语言盖住；
- `自大狂 / 焦躁症 / 团队协作` 应写成片内自我标签输出，而不是现实临床诊断。

## 必须降级的内容

以下内容不能从 MiMo 升级为事实：

- MiMo 把 #1016 到 #1017 的声源、性别、口型和可见人物身份说得过实；说话人仍以 T0 台词账为准。
- MiMo 视频报告把透明膜面解释成实验/监测空间，并猜测上方设备；T1 只确认膜面、平台、人物和构图，不确认设备、实验空间或真实监测系统。
- MiMo 音频精确报告把 #1016 前后听成近乎绝对静音或数字剪辑点；T1 在更长上下文里显示相关间隙无 `silencedetect -45dB:d=0.3` silence event，且存在低能声床。
- MiMo 长链音频报告把背景说成“电子音乐、低音鼓、合成器旋律”，置信度过高。T1 只能确认低能声床、低频纹理和部分间隙低频占比高，不能确认旋律、节拍、和声、乐器、合成器或配乐高潮。
- MiMo 把 #1018-#1020 说成同一“人声2”连续陈述，可作为听感候选，但角色、句界和台词仍以 T0 为准。

## 与 T1 的对照

T1 本地复核对 MiMo 作如下校正：

- #1016 全句 RMS=`-23.4849dBFS`，比 #1015 高 `5.2407dB`，但比 #1017 低 `11.9526dB`，比 #1018 低 `11.4101dB`。
- #1016 不是句首强起：q1 RMS=`-28.6489dBFS`，q2=`-20.9633dBFS`，q3=`-21.0389dBFS`，q4=`-31.6651dBFS`；最高 50ms 窗落在 `01:34:23.445-01:34:23.495`。
- #1016 精确句 `voice_250_4000=0.945054`，`low20_300_ratio=0.043606`；它自身是干净人声确认，不是低频声床本体。
- #1015 到 #1016 间隙 `low20_300_ratio=0.652825`，#1016 到 #1017 间隙 `low20_300_ratio=0.747728`；低频压力主要在等待里，而不是 #1016 字句内部。
- #1016 精确窗和 #1016 到 #1017 间隙左右声道 `corr=1.000000`，不能写成声道空间打开或通信设备接入。
- #1016 精确窗、#1016 到 #1017 链条和 #1014 到 #1018 上下文链 `scene>0.04` 均无命中；#1016 不是硬切打开新空间。
- 接触图只支持同一平台、透明膜面、白衣二人、后景黑衣/蓝衣旁观位和近身构图；不支持报告 UI、设备、屏幕、控制台或真实任务空间。

## 综合使用口径

本轮 MiMo 的价值，是帮助 #1016 被听成“短促、平稳、偏存在确认”的句子，同时暴露模型容易过度推断的地方：它会把低频声床强说成电子音乐，把透明膜面强说成实验空间，把可见人物强说成声源和身份。最终写法仍以 T0/T1 为准：#1016 是对象错位之后的最小存在确认，它让流程继续，但没有修复对象问题；#1017 的心理监测报告和 #1018-#1020 的自我标签链才把这个未修复裂口回收到报告格式。