# MiMo-4K无字幕第998999塔台呼叫与幻想反问重叠标准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 #998/#999 与 #1000/#1001 双重叠、无真实塔台/太空/通信中心画面、膜面/观众/前景身体遮挡持续、塔台呼叫具有通信口令式语气、无可确认音乐和无清楚口型同步的辅助观察；必须降级可见人物身份、说话人归属、口型同步、宇航员字样、左右声道位置、真实无线电处理、真实塔台空间、真实宇航员事实和任何覆盖本地 T1 边界的判断。

# MiMo-4K无字幕第998999塔台呼叫与幻想反问重叠标准API声画音频复核-2026-06-23

## 运行对象

本轮使用用户更新后的 MiMo key，标准 API 连通性确认后，对 #998-#1001 连续链做视频与音频两路复核：

```text
视频：01:33:49.533-01:33:56.266，#998-#1001，fps=8，media_resolution=max。
音频：01:33:49.533-01:33:56.266，analysis mode。
重点：#998/#999 塔台呼叫与 `我是你幻想出来的？` 的重叠，以及 #1000/#1001 的第二次呼叫/反问重叠。
```

原始报告、redacted 响应与 prompt 位于：

```text
inspool-wiki-zh/raw/assets/4k-nosub-restart-20260623/998999-tower-call-overlap-nooffset/mimo-api-998999-20260623
```

手工合计 usage：

```text
video total_tokens=26892
audio total_tokens=2316
manual_total=29208
video_tokens=23760
audio_tokens=85
completion_tokens=4047
reasoning_tokens=1662
```

## 可保留的 T2 观察

### 画面

- MiMo 明确倾向：画面不是真实塔台、太空、通信中心或外部广播空间，而是室内公共表演/观看现场。
- 半透明塑料膜/膜面、观众席、平台、白衣坐姿人物和黑衣站立身体构成核心画面。
- #998/#999 重叠时，黑衣站立身体进入前景并遮挡画面，膜面成为视觉界面。
- #1000/#1001 第二次重叠时，空间仍未改变，仍在同一公共现场中。
- MiMo 也未能确认清楚口型同步；#998/#1000 没有对应可见说话人，#999/#1001 也不能由画面人物裁决声源。

### 声音

- MiMo 音频支持两次双层人声重叠：#998/#999 和 #1000/#1001。
- `塔台呼叫7号宇航员` 具有通信口令式呼叫语气，听感上区别于普通对话。
- #999 不是弱插入，而是在 #998 进行中以反问方式抢入。
- #1000/#1001 重复形成第二次类似的呼叫/反问模板。
- MiMo 未听到可确认音乐、乐器、旋律、节拍或合成器。这个方向与本地 T1 频谱一致。

## 必须降级的部分

以下内容不能升为事实：

- MiMo 视频报告把黑衣人动作写成“书写”可以保留为候选，但不能直接采用其“写下类似宇航员字样”的判断。本地帧只支持笔状物、膜面书写/画圈和线痕候选，不足以确认可读文字。
- MiMo 对白衣男子、黑衣人、性别和画面人物身份的描述不能替代 T0 台词账，也不能裁决可见人物就是说话人。
- MiMo 音频的“第一次偏左、第二次偏右”不能采用。本地立体声复核显示左右声道完全一致：`L-R=0.0000dB`，`corr=1.000000`。
- “无线电失真”只能降级为通信口令式听感候选，不能写成真实无线电处理、真实广播系统或真实塔台空间。
- #998/#1000 的塔台呼叫不能被写成外部空间事实；#999/#1001 的反问也不能被写成画面人物口型同步。
- MiMo 不能覆盖本地 T1 的 RMS、峰值、静音检测、scene detect、声道和视觉边界。

## 与 T1 合并后的用法

本地 T1 的硬指标是：

```text
998_exact          RMS=-14.0408dBFS  Peak=0.0000dBFS
999_exact          RMS=-12.9098dBFS  Peak=0.0000dBFS
998999_overlap     RMS=-12.2695dBFS  Peak=0.0000dBFS
1000_exact         RMS=-12.6165dBFS  Peak=0.0000dBFS
1001_exact         RMS=-15.8700dBFS  Peak=-0.2613dBFS
1000_1001_overlap  RMS=-14.3915dBFS  Peak=-0.2613dBFS
```

MiMo 的可用部分应压缩成：

```text
#998/#999 与 #1000/#1001 都是呼叫/反问重叠；
画面没有切到塔台或太空；
膜面、观众、平台和身体遮挡持续在场；
塔台呼叫是声音/语言层面的通信口令形式；
音乐不足以确认；
口型同步和可见声源不能确认。
```

最终判断仍以本地 T1 为主：#998/#999 把 #997 的幻想句转入公共呼叫和反问叠声系统，而不是把它带到真实塔台、真实宇航员空间或音乐化结案。