fix(HumanML3D): 第 4 幕结尾重写「换位置、换朝向 263 维不变」，避开「哪」的读音并加两份发球的演示

[ImChong]

#616 合并后的看片反馈：第 4 幕结尾「人在哪、面朝哪，就不影响特征」——「哪」要读三声，而且这句听不懂。

改动

旁白（scripts/paper_video/papers/humanml3d.py）

• 原来一句拆成两句，第二句不再出现「哪」，读音问题直接消掉：
  1. 「这段发球一共 170 帧；右手腕在第 28 帧速度到了每秒 10 米，那一下就是挥拍。」
  2. 「这样存有个好处：水平方向只记每一帧挪了多远，关节位置都从骨盆量起，并且按人自己的朝向来摆。所以同一个发球，换到场地另一头去打，或者换个朝向打，这 263 维都完全一样。」
• 读音用 out/tools/dtw.py 核过：「量起」念 liáng（凉 0.75 对 亮 0.93）；「一模一样」的「模」更接近 mó（磨 0.74 对 木 0.92），所以改说「完全一样」。

画面（assets/js/demos/humanml3d.js 第 4 幕）

• 第二句开始时，左边面板的标注淡出，换成两份同步播放的同一个发球（片段 012314 的真实骨架）：一份原地，一份挪到 3 m 外、绕竖轴换了约 90° 的朝向。
• 两份共用一块地面方格，地上虚线是各自骨盆走过的路：一份横着走，一份朝纵深走。
• 每份下面实时显示角速度、水平速度、高度，两边逐帧相同，中间一个「=」，底下写「两份算出的 263 维完全一样 →」。热图右侧的标注改成「换个位置、换个朝向 / 263 维都一样」。
• 布局按逐帧算过：两份身体的外框在每一帧都至少隔开 52 单位，不会叠在一起。
• 地面方格的线段在代码里先裁到面板内：视频按元素外框取景，clip-path 裁掉的部分也会被量进去，否则第 4 幕取景会偏移。
• 网页版第 4 幕从 16 秒延长到 18 秒（两份发球在 15.0 秒才淡入，原来只够看 1 秒）。总时长改成约 194 秒，同步了播放器文案和笔记里的「约 194 秒」。视频按旁白时间轴走，不受影响。
• 网页字幕轨在 15.0 秒加一条要点。

还没做

• 整片视频没有重渲：笔记里的 mp4 还是 feat(HumanML3D): 笔记逐条核查改正，十二幕动画、三个交互演示与配音视频 #616 的 10 分 51 秒版。按 AGENTS.md「改了某一幕先出这一段给人看」，这一段 21 秒的片段已发给用户确认。新旁白整片约 10 分 59 秒；确认后再整片重渲、换进 media/，同步 video_seconds、播放器文案、README 与 RELEASE_PLAN。

验证

• python3 -m pytest -q：276 passed；ruff check scripts/ tests/：通过
• node check_layout.mjs humanml3d：no overlap；第 4 幕取景 viewBox 与其他幕一致（22.0 2.0 756 418，zoom 1.158）
• 片段 clip 220.4,241.6 解码通过，音视频各 21.2 秒
• jekyll build 加 sanitize_paper_html.py 后，网页版第 4 幕无 JS 报错

渲染截图

视频第 4 幕结尾（1080×1920 裁剪）：

网页讲解动画第 4 幕结尾（桌面 1280）：

🤖 Generated with Claude Code

https://claude.ai/code/session_01Y9igR12z6wszhJZYK5C3jY

---

Generated by Claude Code