# MiMo 4K无字幕第986做些什么到987你说话呀标准 API 声画音频复核

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：2026-06-22

证据边界：本页为 MiMo 标准 API T2 候选摘要，用于补充 #986 精确句、#986 后到 #987 前等待段和 #987 入声的声画观察与音乐边界。T0 台词、说话人、时间码以逐时轴账为准；T1 声音、峰值、scene detect、silencedetect 和画面指标以本地 4K 复核页为准。MiMo 对可见人物性别/身份、声源、口型、工具、图案、动作意图、空间归属、静音和音乐裁决不得覆盖 T0/T1。

# MiMo 4K无字幕第986做些什么到987你说话呀标准 API 声画音频复核

本页记录对 #986 阿蒙 `我也不知道我该做些什么`、#986 后到 #987 前等待段，以及 #987 `你说话呀` 入声的 MiMo 标准 API 复核。运行素材来自本地 4K 无字幕母文件切片；运行过程不保存、不复述任何密钥。

## 运行记录

素材目录：

`inspool-wiki-zh/raw/assets/4k-nosub-restart-20260622/986-do-what-nooffset/`

| 报告 | 时间窗 | 模式 | usage | 状态 |
|---|---:|---|---:|---|
| `mimo-newkey-20260622/986-exact-do-what-video-standard-api/mimo-report.md` | `01:32:53.566-01:32:55.066` | video deep-film, fps=8, max | total `7306`; video `5280`; audio `9` | 可用，T2 |
| `mimo-newkey-20260622/986-exact-do-what-audio-sound-music-standard-api/mimo-audio-report.md` | `01:32:53.566-01:32:55.066` | audio analysis | total `1614`; audio `10` | 可用，T2 |
| `mimo-newkey-20260622/986-to987-chain-video-standard-api/mimo-report.md` | `01:32:53.566-01:33:10.400` | video deep-film, fps=6, max | total `48515`; video `44880`; audio `105` | 可用，T2 |
| `mimo-newkey-20260622/986-to987-wait-audio-sound-music-standard-api/mimo-audio-report.md` | `01:32:55.066-01:33:09.233` | audio analysis | total `2142`; audio `89` | 可用，T2 |

## 可保留的 T2 方向

- #986 精确视频报告支持：画面是低角度、近距离、局部身体和黑色遮挡，缺少清楚面部、口型、任务物和目标物。
- #986 精确视频报告支持：台词中的 `做些什么` 没有被画面解释成具体任务；可见的是身体在场和空间/材料压力，而不是行动答案。
- #986 精确音频报告支持：人声前强后弱，`我也不知道` 更清楚，`做些什么` 尾部气声化、衰减；背景是底噪和低频持续声，无可确认音乐。
- #986 到 #987 连续视频报告支持：#986 后画面转向半透明塑料/膜面、暖橙光、黑色线条/弧线/圆线候选和黑衣身体靠近材料动作；#987 入声时画面没有切到清楚说话者口型，而是压在持续材料动作上。
- #986 到 #987 等待音频报告支持：等待段不是沉默，全程无人声台词但有低频底噪、窸窣/摩擦类材料声候选和接近 #987 前的高频短促事件。
- 四条报告一致支持：无旋律、和声、节拍、固定音高中心或可确认配乐进出；更稳应写为非音乐性声场。

## 必须降级或不采用

### 可见身份、声源与口型降级

MiMo 把 #986 精确段描述为某种 POV/持机者视角，并把声音标成男性；连续视频报告也对画面中人物性别作了推断。所有这些都不能覆盖 T0/T1。稳写只保留：

```text
低角度身体局部；
黑色遮挡；
无清楚面部；
无可裁决口型；
可见人物身份不裁决。
```

### 工具、图案和动作意图降级

连续视频报告把工具写成黑色马克笔，把图案写成螺旋/圆形，并把动作解释为绘制。T1 只支持黑色线条/弧线/圆线候选、膜面/塑料、黑衣身体靠近材料动作和暖橙光。稳写为：

```text
膜面/塑料上的黑色线条或弧线候选；
手/工具/绘制动作只作候选；
图案、工具类型和意图均不裁决。
```

### 等待不是静默，但材料声源不裁决

MiMo 等待音频报告说有柔软材料摩擦和高频点击/碰撞声，这与本地 T1 的非静默、高频峰值方向相合。但具体声源不能裁决为塑料、金属、按键、工具或设备。T1 已确认：

```text
等待段 RMS=-29.6550dBFS
Peak=-0.0631dBFS
最强 250ms 在 01:33:07.166-01:33:07.416
无 silence event
```

所以采用“材料/空间声候选”和“高频短促事件”，不采用具体物件来源。

### 音乐边界压低

MiMo 四条报告都没有确认可辨识音乐。结合本地频谱和波形，本段不能写成配乐段、音乐高潮或音乐重音。稳写是：

```text
人声缺席不等于静音；
材料/空间声不等于音乐；
高频瞬态不等于音乐重音。
```

## 对逐句细读的贡献

MiMo 本轮最有价值的是把 #986 和 #987 之间的声画关系说清：

```text
#986 不解释行动目标；
#986 后不是空白；
等待段由材料/空间声和膜面动作继续运行；
#987 的 `你说话呀` 不是切到对话正反打，
而是压在仍在发生的材料动作上。
```

本地 T1 进一步钉住：

```text
#986 exact       RMS=-33.1797dBFS  Peak=-14.8157dBFS
做些             RMS=-38.5724dBFS
什么尾声         RMS=-39.7117dBFS
986_to987_wait   RMS=-29.6550dBFS  Peak=-0.0631dBFS
wait strongest   01:33:07.166-01:33:07.416
#987 exact       RMS=-28.8629dBFS  Peak=-12.0370dBFS
```

因此 #986 稳写为：`一件事情` 被撤回到 `做些什么` 的不确定；随后长等待不是静音，而是由材料动作和非音乐性声场继续承担；#987 再把这种材料化的沉默逼回“你说话呀”。