H3 BGM A/B 测试对比

v1: 当前对照

"Strictly diegetic in-world sound, no scored music."

BGM 风险: HIGH 3/5 段可疑

RMS 53.3dB Peak 71.2dB

频谱能量分布 & 调性比:

tonal 0.39

0.16

0.01

0.30

v3: 强力否定

"Absolutely no background music, no instruments, no melody, no orchestral score, no soundtrack."

BGM 风险: HIGH 3/5 段可疑

RMS 51.6dB Peak 69.7dB

频谱能量分布 & 调性比:

0.32

0.21

0.29

0.01

v5: 简短否定

"No BGM, no background music, no score."

BGM 风险: MEDIUM 2/5 段可疑

RMS 53.9dB Peak 72.0dB

频谱能量分布 & 调性比:

0.40

0.12

0.01

0.00

0.30

变体	时段	RMS (dB)	Low <200Hz	Mid 200-2kHz	Hi >2kHz	调性比	BGM?
v1 对照 no scored music	0s	50.3	1%	82%	17%	0.39 ⚠️	可疑
1s	46.0	1%	76%	23%	0.16	–
2s	54.6	0%	71%	28%	0.01	–
3s	58.1	0%	52%	48%	0.01	–
4s	42.7	2%	70%	28%	0.30 ⚠️	可疑
v3 强力否定 no instruments, no melody...	0s	42.4	4%	69%	28%	0.32 ⚠️	可疑
1s	39.2	5%	63%	31%	0.21	–
2s	38.0	6%	62%	32%	0.29 ⚠️	可疑
3s	54.1	1%	66%	33%	0.01	–
4s	56.6	0%	62%	38%	0.01	–
v5 简短否定 no BGM, no background music, no score	0s	50.5	1%	82%	17%	0.40 ⚠️	可疑
1s	46.1	0%	70%	30%	0.12	–
2s	55.6	0%	69%	31%	0.01	–
3s	58.7	0%	52%	47%	0.00	–
4s	43.1	2%	69%	29%	0.30 ⚠️	可疑

指标	v1 对照 no scored music	v3 强力否定 no instruments, no melody...	v5 简短否定 no BGM, no music, no score
BGM 风险	HIGH	HIGH	MEDIUM
可疑段数	3/5	3/5	2/5
RMS	53.3 dB	51.6 dB	53.9 dB
调性比最高段	0.39	0.32	0.40
音频是否被杀死	否（正常）	否（正常）	否（正常）

关键发现：

✅ 没有触发 Pitfall 1——三个变体的音频 RMS 都在 51~54dB，没有暴跌到 -57dB。之前的 "No music" 毒药效应没复现。
⚠️ 负面提示词效果有限——三个变体的 BGM 可疑段数差异不大（2~3/5），说明 H3 模型对负面文本约束不敏感。
📉 v3 强力否定反而没有更好——写了 5 种否定词（instruments/melody/score/soundtrack），可疑段数跟 v1 一样 3/5。
🤔 v5 简短否定略优——只有 2/5 段可疑，但差异在统计误差范围内。
🎵 可疑段的调性可能来自人声谐波——tonal_ratio 0.30~0.40 的段恰好是对白活跃段，不一定全是 BGM。

最终判断：Prompt 级别的负面提示词无法可靠禁用 BGM。H3 的联合 DiT 架构中，音频生成不完全受文本约束。要真正去掉 BGM，需要后期处理（Demucs 分离 / 纯 TTS 替代 / 素材混音）。

🔇 H3 BGM 负面提示词 A/B 测试