local proof / raw materials from worker3

这次把每段原片都摆出来

我前面没先把 worker3 的原始产物拉回来，这是错的。现在这页按真实文件链路贴：Seedance 原片、TTS、sync audio、lipsync 输出、final segment。当前结论要收窄：Seedance 请求确实传了 ref audio；后处理又丢掉原片音轨，贴了另一条 sync_audio，再跑第二层 lipsync。音画错位从这里开始。

当前结论

root cause

后处理改了音轨和时间

Seedance-2-Omni any2video 请求里有 ref_audio_url。它返回的 seedance.mp4 也自带音轨。后面我们又把它的音轨扔掉，另做 sync_audio，再跑第二层 lipsync。现在看的错位主要来自这一层。

proof direction

先按原片校准，再决定要不要换 TTS

无台词动作段直接拼原片。说话段先看 Seedance 原片的嘴和音是否已经自洽；如果要换成干净 TTS，必须按原片嘴部真实说话起点和时长处理，不能再用手写 offset 硬贴。

w1 / a0 是最简单的规则：无台词动作段直接整段拼 Seedance 原片。它不进 TTS，不进 lipsync，不替换音轨，不裁成别的节奏。

视频到底怎么出的

worker3 / out_plan_coord

不是本机凭空出的

当前 proof 的真实中间产物在 worker3：/tmp/kamila-hook-local-proof-agent-plan/out_plan_coord/。我已拉回本机：/tmp/kamila-hook-local-proof-agent-plan/worker3_out_plan_coord/。

review target

这页只为定位后处理

每段都按同一顺序看：先看无音频原片，再听 TTS / sync audio，再看 lipsync 输出，最后看 final segment。哪里开始错，就在哪里修。

最终成片

当前坏 proof 最终片。它经过了第二次 lipsync 和后混音。

base 拼接版本。用于看进入最终混音前，段与段的拼接有没有已经错。

诊断候选：5 段 Seedance 原片直接拼，31.441s。它证明第二层 lipsync 不是必要条件；但如果最终要求使用干净 TTS，还需要单独处理 TTS 与原片嘴部节奏的差异。

当前不能再走的路

speech_start_offset、delay_audio、手填 lipsync 坐标、第二次 sync-3 这一整层先停。它没有用 Scribe 或真实字级时间，只是在猜每句应该从哪里开始。

下一步由 %271 主导本地 proof：保留原片动作，重新判断每段应该用 Seedance 自带音，还是按真实嘴部区间贴干净 TTS。没有 owner 批准前，不动 template / snapshot / prod。

到底有没有传音频

Seedance request

有，传的是 ref_audio_url

以 s3 为例，s3_coach_surprised.seedance.request.json 里有 input.ref_audio_url[0]，指向同段 Fish TTS wav。请求模型是 funpub-seedance-2-omni，实际响应里执行模型是 byte-seedance-2-omni-asset。

second layer

后面又传了另一条音频给 lipsync

s3_coach_surprised.lipsync.request.json 里，video_url 是 Seedance 原片，audio_url 是后做的 sync_audio.wav。这就是第二次对口型层。

分段时间

段	Seedance 原片	TTS	sync audio	lipsync 输出	final segment	先看什么
a0_silent_setup	5.085s	-	-	-	5.033s	滑冰动作和环境/foley 是否错位。
s1_coach_scolds	6.083s	3.622s	3.772s	3.792s	3.800s	教练说话是否一开始就对口型。
s2_kamila_replies	7.082s	5.573s	6.023s	6.042s	6.037s	K宝音频是否贴到了正确动作上。
s3_coach_surprised	6.083s	4.644s	5.294s	5.333s	5.333s	你指出 15-17s 没人动嘴，重点看这一段。
s4_kamila_close	7.082s	6.177s	6.727s	6.750s	6.734s	19s 后音频是否早于画面动作。

空白错位实测

这次本地 proof 没跑 Scribe。它拿 Fish TTS 的结果，再手写 speech_start_offset_seconds 做 sync_audio。下面是实际量出来的声音进入时间。s3 是最大问题：后处理音频比 Seedance 原片自己的声音早了 2.586 秒。

段	Seedance 原片声音进入	TTS 声音进入	sync_audio 声音进入	sync_audio 相对 Seedance	判断
s1	0.194s	0.969s	0.177s	-0.017s	接近原片，但这不是靠 Scribe 算的。
s2	1.264s	0.722s	0.453s	-0.812s	后处理声音早了。
s3	3.239s	0.302s	0.653s	-2.586s	明显错位。15-17s 的问题在这里。
s4	0.086s	0.000s	0.571s	+0.485s	后处理声音晚了。

逐段原片 / 音频 / 对口型 / 最终切片

原始请求也贴出来

段	Seedance request	Lipsync request

这里主要给 %271 查“这段到底引用了哪条音频、哪个视频”。