ute2e/reports/bridge-005-moss-refined-20260920

2026-09-20 讲解连贯性与口型复核

005 第一步旧 MOSS 原始 WAV 在 -38dB 阈值下存在约 1.69s、2.77s 长静音。成片音轨与源 WAV 的估计整体偏移约 29ms；尚无证据表明双播放时钟是主要原因。相同音频按 48kHz 与 16kHz 输入得到不同的 WASM blendshape 轨迹，录制时采样帧率约 25fps。生成入口现统一转换为此前验证样片使用的 16kHz、单声道、PCM16 WAV，播放和口型使用同一转换结果；重采样不改变音高和时长。

独立第一步样片改用连贯文稿，在 -48dB、至少 0.65s 的长静音内部缩短留白至 0.32s，非静音区间保留；处理规则尚未全局应用到 MOSS 或其他脚本。浏览器播放、解码和重采样单测通过，不代表逐字口型和发音已通过人工验收。未更改已发布任务视频。

样片：TASK-VIRTUAL-005-step-01-Junhao-refined.mp4；对比页 index.html。音频 5.582s，成片 5.76s，480×640。

ASR 辅助复核识别出完整操作句，存在“故障现象”同音字误识别；ASR 不能代替人工听感和口型评估。

额外 greedy 采样实验触发上游 codec 内存分配失败及降级，不采用；当前样片使用正常完成的 seed42 采样结果。