H3 统一管线 E2E v6 — 音频归一化验证

修复：dynaudnorm 替代 loudnorm + 最小 124 帧 (5.2s) 保证音频质量

音频电平对比

版本 帧数 时长 raw Foley mean raw Foley max final mean final max 状态
v4 (旧)391.6s -55.3 dB-41.2 dB -55.4 dB-41.3 dB 环境音过小
v5 (loudnorm)391.6s -85.5 dB-58.5 dB -85.5 dB-58.5 dB loudnorm 失效
v6 Case11245.2s -43.3 dB-23.0 dB -26.6 dB-4.7 dB ✅ 修复
v6 Case2 (TTS)1245.2s -36.4 dB-22.4 dB -23.3 dB-4.0 dB ✅ 修复

Case 1: t2va 无 TTS (124帧, 15步)

🐱 窗台看雨的猫

帧数
124
时长
5.2s
mean
-26.6 dB
max
-4.7 dB

Case 2: t2va + TTS (124帧, 15步)

🍂 公园散步 + 对白

帧数
124
时长
5.2s
mean
-23.3 dB
max
-4.0 dB

修复总结

三层修复

  1. dynaudnorm 替代 loudnorm — loudnorm 在极低信号 (-50 LUFS) 下单 pass 失效，dynaudnorm 动态归一化稳定有效
  2. 最小帧数保障 — 39帧 (1.6s) 时 LTX 音频 VAE 输出近静音，124帧 (5.2s) 正常
  3. TTS+环境音混音 — 环境音 dynaudnorm 后 volume=0.4 降低，不抢对白