先决定这段音乐存在于故事场景里，还是只给观众听。“她等待时响起轻柔钢琴”可能被理解为现场有人弹琴、收音机播放，或后期背景配乐。若人物不应表演也不应对音乐作出反应，应明确它是观众听见的伴奏，并与实际动作声音分开。
问清楚谁能听到每种声音
MiniMax H3 基础指南区分故事世界内的声音与非场内配乐。后者有独立字段，收音机、乐器或人物真正发出的音乐则属于视听场景描述。这是 H3 的重写方式，不代表所有模型都有这些字段，也不保证实际结果提供分离音轨。
可以列出声源、谁听到、是否需要视觉反应三个信息。普通室内环境声不必每一镜都拍到设备，但应避免把没有要求的演唱或演奏塞给人物。若保留参考视频完整声音，也要说明其中音乐究竟承担什么职责，而不是把所有声音统称为氛围。
同一音乐气质可以对应两种拍法
虚构场景里，一位陶艺师等窑炉降温。方案甲是稀疏的观众配乐：人物观察温度表，没有乐器，也不跟着唱。方案乙是架子上的收音机播放音乐：人物开口前主动调低音量。两种方案可以情绪类似，但画面职责和动作完全不同。
| 音乐意图 | 画面需要支持什么 |
|---|---|
| 观众配乐 | 不暗示现场表演或听歌反应 |
| 架上收音机 | 声源与人物操作关系一致 |
| 人物演唱 | 批准歌词及真实可见发声动作 |
若编写 H3 基础重写，应保持完整的三字段结构，不能把单独配乐字段当成任意接口都能运行的请求。已知时可描述乐器和发展过程，但不能因为配乐含钢琴音色，就给房间凭空添一架钢琴。
先查声源归属，再调整音量
先静音看画面：有没有多出乐器、人物突然开始唱，或者原本普通动作变成未经请求的表演？这些是声源理解造成的视觉变化，单纯把音乐调小无法修复。再带声音检查实际环境声是否仍存在，收音机是否和房间关系合理。
不要仅凭提示要求就宣称已经得到准确空间定位或单独音轨。这里两方案的对照是原创计划，没有执行模型基准测试。若必须精细混音，应核实所选工具真实交付的对象，再决定外部编辑方法。
在 Imagild 视频要求中写明音乐归属，尤其是复用原声时。验收标准是声音职责与人物动作一致；把观众配乐变成角色演唱，即便旋律动听也不能算符合要求。可以修正归属说明，或在支持的流程中保留批准画面、外部添加音乐。