Skip to content
P9-D1 男性对白声音验证结果

P9-D1 男性对白声音验证结果

状态:真实 H3 调用成功,视频可播放;音色由用户 L4 试听确认。

本阶段只新增 1 次真实 H3 视频提交;旧视频、历史快照和采纳指针未修改。

1. 原 01 问题的定性

原 s-e2e-1 不是结构化对白声音错配:

  • ShotDialogLine = 0
  • ShotCharacterLink = 0
  • voice_description 为空
  • 参考音频关闭
  • 高级 Prompt 写 female lead / she
  • 参考图实际是男性肖像,但资产名是“林晚”

因此原问题是“无结构化对白时模型擅自生成说话/声音”,叠加“女性文本指代 vs 男性参考图”的冲突。系统没有可执行的说话人和声音约束。

2. 专项输入

为避免修改正式剧情,在隔离测试项目 p-e2e 创建专项镜头:

  • Shot:s-p9d1-voice
  • Character:char-p9d1-male / 江屿
  • 参考图:男性肖像 + 办公室场景,共 2 张
  • 台词:你先听我解释。
  • speaker_character_id=char-p9d1-male
  • voice_description=年轻成年男性声音,音色清晰,语速适中,情绪克制。
  • 音频参考关闭
  • auto_adopt=false

准备脚本:backend/scripts/prepare_p9d1_voice_shot.py。

3. 真实调用

项值
内部 Task1722a29e118e4cfd9eb3839ee3bd5f00
供应商 task01a169a6-b9a6-799a-8f50-3cfc66f79d90
Snapshotdaeaedbc-4b7b-42ba-a144-fb17c9e5f866
input_hashb0f427df290805dd83cdf6e47c725d7bba080229ce9ac6ffe68204e8a823a5d2
request_keyp9d1-voice-b0f427df2908
FileItem1fefbc8f-065b-4fab-bf0d-b8a6e5eca302
参数5s / 768P / 9:16 / 2 参考图
结果succeeded,候选未采纳

4. 新旧 Prompt

旧 01 Prompt 关键句:

<Subject 1> is the locked female lead. ... she stands in the hospital duty room ...

新专项 Prompt 关键句:

<Subject 1> is 江屿 in <Picture 1>.
<Subject 1> (S1), using this voice profile: 年轻成年男性声音,音色清晰,语速适中,情绪克制, says, <d>[Chinese] 你先听我解释。</d>
Characters who are not speaking keep their mouths closed and only react physically.
Continuity: ... one continuous scene at 办公室 ... do not cut to another location.

新 Prompt 不再出现相反性别指代;GenerationTask.payload 中的 prompt 与快照完全一致,参考图顺序与 manifest 一致。

5. 真实视频

  • 本地:/tmp/opencode/p9d1-voice.mp4
  • 大小:1,285,861 bytes
  • 容器:MP4
  • 视频:H.264,768×1344,5.1667s
  • 音频:AAC,32kHz,双声道,5.175s
  • Chromium:duration=5.175,readyState=4,无错误
  • 候选:unrated,is_current=false,未自动采纳

画面抽帧显示男性角色、同一办公室背景、无可见切镜。

6. 声音分析

ASR 结果:

0.00–3.97  与中文画面描述对应的额外旁白
3.97–5.17  你先聽我解釋
  • 指定台词正确说出;
  • 但模型额外朗读了非 <d> 的画面描述,说明当前中文骨架正文可能被 H3 当作旁白;
  • 旧 01 尾部语音基频中位数约 225.35 Hz,本次台词段约 113.08 Hz;基频只作辅助,最终音色由用户试听确认;
  • 代码已补充“只有对白行会被朗读”的 no-narration 约束;本次真实调用发生在该约束之前,历史快照不修改。

7. 额度

类型上限已消耗剩余
图片40040
视频844
音频100001000

供应商余额读取为 5663.02 available。同账号在 16:37–16:42 存在多条非本会话发起的 H3 任务,因此不能用余额差单独结算本单;本单按同参数估算约 50 points,供应商未提供逐任务积分字段。

8. P9-D2 背景连续性准备

对 s-e2e-2 做不收费预览:

  • 场景版本有效,3 张参考图,场景图实际进入 H3 输入;
  • 新 Prompt 已包含同一场景、连续运镜、不切到另一地点;
  • 当前无 blocking;
  • 仍建议在 P9-D2 增加结构化轮流台词,清空旧高级 Prompt 后重新预览;
  • 如果真实重抽仍切镜,再考虑拆分 Shot。

9. P9-D2 后续结果

P9-D2 已按官方 Ref2VA 规范化并完成 1 次真实生成,背景连续性明显改善;详见 P9-D2 背景连续性真实生成结果。

10. 结论

  • 真实链路、视频回存、候选与播放均成功;
  • 指定台词成功;
  • 发现并修复了“非 <d> 文本被朗读”的下一项 Prompt 风险;
  • P9-D1 额度已用 1 次;P9-D2 已另行执行 1 次并完成背景连续性验证。