🔇 H3 视频生成禁用 BGM 调研报告

做法：修改 prompt，去掉所有负面描述，只写正面 diegetic 声音。

# ❌ 当前（触发 Pitfall 1）
"Strictly diegetic in-world sound, no scored music."

# ✅ 改为正面描述
"Footsteps on wooden floor, rustling leaves, wind howling, 
 wooden bowls clinking, distant crowd murmurs. 
 Natural ambient sound, cinematic foley."

效果预估：BGM 会减弱但不一定完全消除——H3 的 DiT 音频生成分支不完全受文本约束，模型在训练数据中见过大量配乐，可能自发放出旋律。

原理：用 AI 音源分离模型（Demucs/Spleeter）把 H3 输出音频拆成人声+环境 vs 配乐，丢弃配乐轨。

# Demucs 4 分轨：drums / bass / other / vocals
pip install demucs

# 分离出 vocals（对白）+ 其他非音乐成分
demucs --two-stems vocals h3_audio.flac -o /tmp/separated

# 结果：
#   vocals.wav      → 对白（保留）
#   no_vocals.wav   → 环境音+BGM（需进一步判断）

问题：Demucs 的 "vocals" 只留人声，环境音（脚步、风声）会被分到 "no_vocals" 轨，跟 BGM 混在一起。

更精准方案：用 Demucs 4-stem 分出 other（通常含环境音）vs bass+drums（通常含配乐节奏），自定义混音。

做法：H3 渲染时仍生成音频（架构无法关闭），但最终输出只用 TTS 对白，丢弃 H3 音频。

# 批量脚本中，直接跳过 H3 音频的 mux
ffmpeg -y -i video.webm -i tts_dialogue.wav \
  -c:v libx264 -crf 20 -c:a aac -b:a 128k \
  -map 0:v:0 -map 1:a:0 \
  -shortest output.mp4

优点：零风险，对白干净清晰。

缺点：完全没有环境音，场景沉浸感降低。

做法：H3 只取视频流，音频完全后期制作：

1. TTS 对白：来自 P10 voice 产物
2. 环境音：从 freesound.org / 预制素材库按场景匹配（室内→回响、室外→风声、战斗→碰撞）
3. 混音：ffmpeg amix 混合，对白 -3dB，环境音 -12dB

# 三轨混音示例
ffmpeg -y -i video.webm \
  -i tts_dialogue.wav \
  -i ambient_room_tone.wav \
  -filter_complex "[1:a]volume=-3dB[a1];[2:a]volume=-12dB[a2];[a1][a2]amix=inputs=2:duration=shortest[aout]" \
  -map 0:v:0 -map "[aout]" \
  -c:v copy -c:a aac -b:a 192k \
  output.mp4

优点：100% 可控，零 BGM，环境音按需定制。

缺点：需要环境音素材库 + 按分镜匹配的自动化逻辑。