T8 音频双行协议 A/B 听审

ep-xiaojianghu-v2 · H3 i2va(FL2VA 首尾帧锁) 异步裸输出 · 同 seed 同帧数同分辨率 · 唯一变量 = prompt 尾部 overall_soundscape / non_diegetic_music 双行 · 2026-08-25

⚖️ 终审判定（Kai 人工听审后）

A/B 听感差异不显著——下方谱分析指标证明双行协议在统计层有牵引力，但属低层级声学纹理（更平/更噪/有脉动），非音乐内容。指定旋律、乐器、具体编排意图做不到。→ 集成方案撤回，BGM 维持 P12b 剥离+作曲替换链。本页保留作为实验存档。

6/6

渲染完成（含打捞）

99.4 ≈ 96

编排 BPM vs 检出 BPM ✓

-65%

Arm B 瞬态密度（持续音质感）

+48%

谐波占比（0.343→0.508）

-4.2dB

None 压制（部分生效）

成立编排音乐行生效（S2_a06）

「96BPM 号角+不安 drone」逐项落地：节拍精准、瞬态转持续音、能量弧线 -30→-63→-37dB 对应「号角起手→消隐→crane-up 托底」。基线则是自发碎打击无结构。

部分None 压制偏弱（S4_a04）

响度降 4.2dB、频谱更噪化，但离「近寂静」很远——CFG=1.0 下 H3 仍用自发声床填满场景，寂静纪律需后处理兜底。

无显著差纯环境镜头（S5_a08）

两臂均为安静环境床，指标接近；声音内容是否更贴合「风穿过空地+渐远脚步」请耳判。

🎬 逐镜 A/B 对比（点击播放，勿静音）

A 基线S2_a06 · 8s · 无音频行

H3 自发音频：密集打击瞬态 4.62/s，自发节奏 112 BPM，能量平直无结构。胜利场景零配乐感。

B 编排S2_a06 · 8s · 96BPM 号角+不安drone

检出 99.4 BPM；瞬态降至 1.62/s；谐波主导 0.508；弧线 -30→-63→-37 对应编排文本走向。← 重点听这条

A 基线S4_a04 · 12s · 无音频行

设计意图「绝对寂静+一声微弱碎裂」，实际被 H3 自发填了 4.16 次/秒声床——比对话镜头还吵。

B 寂静声景S4_a04 · 12s · music: None

响度降 4.2dB、平坦度升（更噪化少调性），但瞬态未降——「近寂静」未达成，None 只是倾向不是开关。

A 基线S5_a08 · 11.5s · 无音频行

安静环境床 -43.5dB；风声/脚步内容需人耳比对。

B 环境声景S5_a08 · 11.5s · 风/脚步清单

-44.6dB 与基线接近；「风穿过空地+渐远脚步」贴合度请耳判。

片段	响度 mean dB	瞬态/sec	谐波占比	检出 BPM	频谱平坦度
S2_a06 A	-39.6	4.62	0.343	112.3	0.071
S2_a06 B	-40.5	1.62	0.508	99.4 ≈请求96	0.101
S4_a04 A	-33.3	4.16	0.322	129.2	0.117
S4_a04 B	-37.5	4.41	0.362	123.0	0.177
S5_a08 A	-43.5	3.38	0.243	129.2	0.124
S5_a08 B	-44.6	4.24	0.317	136.0	0.094

⚠️ 局限：n=1/格；seed 按镜头锁定但 prompt 变化本身改变条件轨迹；beat_regulariry 在瞬态循环模式下会误锁（rustle 节奏），以谐波比+瞬态密度+能量弧线为主证据链。对白镜头未注入真实 TTS（异步 i2va 无 ttsAudio 字段），语音轨不参与本次判定。
📦 产物：/home/kai/shared/2026-08-25/t8-audio-ab/（mp4×6 · prompt 审计 txt ×6 · audio-analysis.json · ab-manifest.json）· Skill：h3-t8-audio-two-line-protocol @ kais-hermes-skills 9955425

🎧 T8 音频双行协议 A/B 听审

成立编排音乐行生效（S2_a06）

部分None 压制偏弱（S4_a04）

无显著差纯环境镜头（S5_a08）

🎬 逐镜 A/B 对比（点击播放，勿静音）