diff --git a/CHANGELOG.md b/CHANGELOG.md
index 912f906..95a9af6 100644
--- a/CHANGELOG.md
+++ b/CHANGELOG.md
@@ -2,6 +2,12 @@
 
 ## Unreleased
 
+**Long 4K renders and disk space, canvas density, a voice padded to 8 bits, and qa warns about a stale mix**
+- Why: lessons from a 457 s HyperFrames canvas film with narration. Its 4K render refused to start (about 57 GB of temporary frames, 53 GB free); a per-frame `setTransform(1, 0, 0, 1, 0, 0)` dropped the 2× scale; padding the voice with `anullsrc` and the `concat` filter quantised it to 8 bits (2,000+ qa click warnings); `bin/vh mix` stopped on a `ding` given a `pitch`, and `bin/vh qa` then reported on the previous mix.wav without a hint.
+- engines/README "出 4K": at 4K every capture is a screenshot (drawElement and Linux BeginFrame capture do not supersample), and multi-worker screenshot capture stores every frame as a JPEG beside the output first, an estimated 4 MB a frame; HyperFrames 0.8.82 refuses to start when its estimate is over 90 % of that disk's free space, and checks again from the first 10 frames' real sizes. Bitrate and render time vary a lot with the picture (this canvas film: about 26 Mbps and 1.4 s per second of film; the 3D intro film: about 125 Mbps and 5–8 s), so the "re-encode 4K over about 135 s" line holds for the intro film only. `HF_CAPTURE_PARALLEL_STREAM=true` streams the frames into the encoder (the 13,710 frames took about 11 minutes with 4 workers on an M3 Max), or `--workers 1`; `NODE_OPTIONS=--max-old-space-size=8192` is HyperFrames' own advice when its worker count may outgrow the heap. In the table: reset a canvas transform with `setTransform(dpr, 0, 0, dpr, 0, 0)`, not `(1, 0, 0, 1, 0, 0)` or `resetTransform()`; a WebGL layer drawn into the canvas sizes its canvas and viewport by the same dpr and computes positions in CSS pixels rather than from `gl_FragCoord`.
+- `bin/vh qa` warns, never fails, when the mix may be stale: an input written more than 2 s after it (events.json, the beat map, `--events`, `--voice`, `--timeline`, `--words`, the inputs the stems' meta.json names; `qa mix` compares them with meta.json and checks only this), an SFX event landing after its end, or narration ending after it. The warning heads the report and rides on the last line, which the showcase and swatch scripts print.
+- tools/audio/README: `t` is where a built-in lands (riser, swish_rev and tape end on it, so a riser starts `dur` earlier); which shaping keys each built-in takes (the four signals take none, nor a `variant`); `bin/vh mix` writes nothing when it stops on an error. Padding a voice with `-f lavfi -i anullsrc` and the `concat` filter can make it 8-bit: the lavfi input decodes as `pcm_u8`, and with the silence first (its length set by `d=` or an `atrim`) concat converts the voice to u8; neither a `pcm_s24le` output nor an `aformat` after concat helps (ffmpeg 8.0.1; silence last, or an input `-t`, happened to stay exact). Use `bin/vh tts --lead`, `adelay` and `apad`, or numpy; with concat, `aformat=sample_fmts=s32` on every input. `bin/vh tts`'s own gaps are unaffected (checked sample for sample). playbook/04 points to `--lead` (it works without `--beats`; the usage lines of `bin/vh tts` and tts.py no longer nest it under `--beats`, and sfx.py no longer says qa always stops on a wrong shaping key), the riser's landing point and the stale warning.
+
 **`bin/vh textcheck`: canvas text covered by the picture, too faint, or out of the frame**
 - Why: `npx hyperframes check` measures DOM text only; text a script draws into a `<canvas>` is pixels to it. A 457 s canvas film's own script measured its 106 reads this way and found 3 with too little contrast that frame review had missed. This makes that check a command any canvas film can run.
 - A composition opts in with one line, `window.__vh = { draw: (t) => …, texts }` (`texts` optional). Before its scripts run, the check hooks the canvas's `fillText` and `strokeText`, so the film's own text functions stay as they are: kinetic type drawn one character at a time, a line drawn in parts, and a "·" or an arrow drawn as a shape still match the read.
diff --git a/bin/vh b/bin/vh
index f9241ed..00e9332 100755
--- a/bin/vh
+++ b/bin/vh
@@ -665,7 +665,7 @@ cmd_check() {
   [ "$rc" != 1 ] && [ "$fail" = 0 ]   # exit 1 on isolated frames, a spec mismatch or a scale FAIL; the other findings are for review
 }
 cmd_tts() {
-  local proj=${1:?usage: bin/vh tts <project> [provider] [voice] [zh|en] [instruct] [--beats map.json --snap beat|half|downbeat --lead s] [--align gemini] [--join block|all] [--resume]} pos=() deps=""
+  local proj=${1:?usage: bin/vh tts <project> [provider] [voice] [zh|en] [instruct] [--beats map.json --snap beat|half|downbeat] [--lead s] [--align gemini] [--join block|all] [--resume]} pos=() deps=""
   shift
   while [ $# -gt 0 ] && [ ${#pos[@]} -lt 4 ] && [[ "$1" != --* ]]; do pos+=("$1"); shift; done   # positionals stop at the first --flag
   local prov=${pos[0]:-qwen} voice=${pos[1]:-} lang=${pos[2]:-} instruct=${pos[3]:-} a prev=""
diff --git a/engines/README.md b/engines/README.md
index b4775eb..7d43806 100644
--- a/engines/README.md
+++ b/engines/README.md
@@ -56,9 +56,10 @@ HYPERFRAMES_RENDER_DETACHED=1 nohup caffeinate -i npx hyperframes render --quali
 
 | 自己就对，不用改代码 | 要写代码 |
 |---|---|
-| DOM 文字、CSS 的线和边框、SVG | 2D `<canvas>`：宽高乘 `devicePixelRatio`，CSS 尺寸仍是合成尺寸，再 `ctx.scale(dpr, dpr)`，之后坐标照旧按 1080p 写（只开大画布、不 scale，画面会挤在左上角四分之一） |
+| DOM 文字、CSS 的线和边框、SVG | 2D `<canvas>`：宽高乘 `devicePixelRatio`，CSS 尺寸仍是合成尺寸，再 `ctx.scale(dpr, dpr)`，之后坐标照旧按 1080p 写（只开大画布、不 scale，画面会挤在左上角四分之一）。每帧开头重置变换也要带上 dpr：`ctx.setTransform(dpr, 0, 0, dpr, 0, 0)`；写成 `setTransform(1, 0, 0, 1, 0, 0)` 或 `resetTransform()` 会清掉这个 2 倍，1080p 下看不出来，4K 下又挤回左上角（清屏、按设备像素整幅贴一张离屏层时可以先用单位矩阵，画完再设回 dpr） |
 | `ctx.scale` 之后画的 canvas 内容，包括 `lineWidth`、`measureText` | 拿 `canvas.width`、`image.width`、`getImageData` 去算布局的地方：这些是物理像素，要除以 dpr |
 | 4K 的 `<video>` 源（HyperFrames 按源分辨率取帧） | Three.js：`renderer.setPixelRatio(dpr)`，后期链 `composer.setPixelRatio(dpr)` |
+| | 先画好、再 `drawImage` 进 2D canvas 的 WebGL 离屏层：它的 canvas 和 `viewport` 也乘 dpr，`drawImage` 的目标尺寸照旧按合成尺寸写；按 1080 开的话，这一层在 4K 下被放大发糊。着色器里的位置按 CSS 像素算（由 `uv` 和这块矩形的 CSS 尺寸换算），不用 `gl_FragCoord`，图案就不随 dpr 变 |
 | | 着色器里的 `gl_PointSize` 按设备像素算，要乘 dpr，上限的 `min()` 也要乘 |
 | | 1 px 的 WebGL 线永远是 1 个设备像素，4K 下变细；要粗细一致，用 `Line2` 或面片 |
 | | `shadowBlur`、`ctx.filter` 的 blur、`UnrealBloomPass` 的核按设备像素算，4K 下光晕变紧；用 `gl_FragCoord` 算的图案频率加倍 |
@@ -73,6 +74,20 @@ HYPERFRAMES_RENDER_DETACHED=1 nohup caffeinate -i npx hyperframes render --quali
 
 成本（介绍片 103 s，M3 Max）：HyperFrames high 画质 1080p 约 4 分钟、509 MB，4K 约 9–13 分钟、1.5 GB（约 125 Mbps，2 个 worker）。发布前用 x264 CRF 18–19、`-preset slow` 重编码：1080p 297 MB，4K 1.04 GB。GitHub release 每个文件不能超过 2 GiB，按 high 画质的码率，超过约 135 s 的 4K 要先重编码。Blender 原生 4K 每帧约是 1080p 的 4 倍（`engines/blender.md`）。
 
+**长片出 4K 先看磁盘。** 4K 一律走截屏（drawElement 和 Linux 的 BeginFrame 截帧都不支持 2 倍密度），而 0.8.82 的多 worker 截屏默认先把每一帧存成 JPEG，最后再编码；只有 `--workers 1` 默认是流式的。临时帧写在 `--output` 旁边的 `work-…` 文件夹里（Windows 上是系统临时目录），按每帧约 4 MB 估：一支 457 s 的片子（13710 帧）要约 57 GB。开渲前它按这个估算查那块盘，超过空余空间的 90% 就直接拒绝（那次空余 53 GB），截完前 10 帧再按实测大小查一次；报错开头是 `Disk capture may need ~… MB of temporary frame storage`。三个办法：
+
+- 设 `HF_CAPTURE_PARALLEL_STREAM=true`：多个 worker 截下的帧直接流进编码器，不落盘。那支片子 4 个 worker 在 M3 Max 上渲了约 11 分钟，high 画质 1.4 GB；
+- `--workers 1`：单个 worker 本来就是流式的，只是慢；
+- 把 `--output` 指到空间够的盘上。
+
+```bash
+HF_CAPTURE_PARALLEL_STREAM=true NODE_OPTIONS=--max-old-space-size=8192 npx hyperframes render --resolution 4k --quality delivery --fps 30 --workers 4 --output out/final-4k.mp4
+```
+
+`NODE_OPTIONS` 把 Node 的堆开到 8 GB，这是 HyperFrames 自己的建议：它按每个 worker 约 640 MB、另留 1 GB 来估，这台 M3 Max 默认约 4 GB 的堆够 4 个；自动选出的 worker 比这多时，日志里会打出 `capture workers may exceed this process's V8 heap`，显式写了 `--workers` 就不提醒。那次渲染带着它，没试过去掉。放到后台跑时，照上文在这一行加 `HYPERFRAMES_RENDER_DETACHED=1`。
+
+码率和耗时随画面差很多：这支 canvas 片子的 4K 约 26 Mbps，渲 1 s 片长约 1.4 s；上面的介绍片（3D）约 125 Mbps，要 5–8 s。所以上面"超过约 135 s 的 4K 要先重编码"是按介绍片的码率算的，自己的片子先量再定。
+
 ### 最小写法（0.8.82）
 
 `bin/vh hf-init` 搭出来的 `index.html` 就是最小的合成（`bin/vh new short|promo|data|meme` 会自动跑它；`--aspect 4:5` / `3:4` 用竖屏模板，把视口、CSS 高度和 `data-height` 改成 1350 / 1440），手写时照着改；完整样板见 `showcase/02-short-leo-doppler/index.html`。`<body>` 里是这样：
diff --git a/playbook/04-audio.md b/playbook/04-audio.md
index e8ca272..487f12b 100644
--- a/playbook/04-audio.md
+++ b/playbook/04-audio.md
@@ -47,6 +47,8 @@ bin/vh beats <任意音乐文件>                          # 外来音乐的节
 
 按句合成，所以每句的起止时间都是**实测**的（`--join` 整段合成时除外，见 `tools/audio/README.md` 的"整段合成"）。
 
+**旁白晚一点进来**（片头先有几秒画面）：合成时加 `--lead <秒>`，不对拍也能用，第一句从那里开始，前面是真静音，timeline 也按片子的时间写；片尾在 profile 混音里用 `dur=` 补齐或截到片长。合成以后再自己垫静音的，别用 `anullsrc` 加 `concat` 滤镜（会把整条人声悄悄量化成 8 bit），做法见 `tools/audio/README.md` 的"手动的响度和合成命令"。
+
 **同一份稿，中文和英文旁白长度不同**（实测一段 3 句的稿子：中文 9.3s，英文 10.8s）。所以双语成片要各自按 `timeline.<lang>.json` 排时间：
 - 画面可以共用，但节奏按语言重排；
 - 或者只出一种语言的旁白，配中英双语字幕。
@@ -105,7 +107,7 @@ bin/vh beats <任意音乐文件>                          # 外来音乐的节
 ### 音效（`sfx`）
 
 - **音效是独立的事件层**，和音乐分开：`audio/events.json` 写成 `[{t, sfx, gain_db, pan, dist}]`，后两项可选；内置音效还可以带 `variant` 和塑形参数（见下）。`sfx place` 输出 48 kHz 立体声。
-- **`t` 是"落点"**：内置音效各自带落点偏移（例如 whoosh 的峰值、riser 的顶点），摆放时会自动对齐，保证声音峰值和动作在同一帧。
+- **`t` 是"落点"**：内置音效各自带落点偏移（例如 whoosh 的峰值、riser 的顶点），摆放时会自动对齐，保证声音峰值和动作在同一帧。riser 因此写在它要冲到的那一刻，声音从 `t − dur` 开始；写成铺垫开始的时刻，整段声音就早了一个 `dur`，峰值落在铺垫刚开始的地方。
 - **声像和距离**：事件可以带 `pan`（−1 最左，1 最右）和 `dist`（≥ 1，越远越轻、越闷）。pan 从画面上算，不要凭感觉写：取发声物体在那一刻的屏幕 x，`pan = 2·x / 画面宽度 − 1`，再乘 0.7–0.8 收一点；3D 场景用相机坐标。公式和细节见 `tools/audio/README.md`。
 - **来源顺序**：先用有授权的录音素材（在 NOTES 的素材台账里记下来源和许可）；缺的类别再用内置库补。自己的立体声素材会先折成单声道，当作一个点声源来摆。内置库有 21 个代码合成音效，都是 MIT 原创，用 numpy 合成，可以复现：
   - 转场：whoosh、swish_rev、whip、swoosh_tonal、air、paper、tape、shimmer；
@@ -156,7 +158,7 @@ bin/vh qa mix $A/stems --beats $A/music.beats.json   # 只看混音报告（词
 
 片尾的 `fade` 从 dur − fade 开始压所有总线，最后一帧上的音效也会被压下去：showcase 01 用 0.1 s 时，11.955 s 光圈合拢的那一声被压低了 7–12 dB，改成 0.04 s 才保住它的起音。片尾有动作时，`fade` 要短于它离片尾的距离。
 
-**混音报告**：`bin/vh qa mix <stems>`（或 `bin/vh qa … --stems` 输出的最后一段）逐句列出人声高出音乐多少、每个词有没有被盖住、每个音效相对锚点的响度。硬失败（退出码 1）是：有一句低于 profile 的硬下限；说话时 hero 音效超过它的上限；被盖住的词超过 profile 允许的比例；同一类音效的中位数偏出范围 3 LU 以上；timeline 有句子，人声 stem 却全是静音；一个 cue 对上了却听不见（只以"弱"通过，又被判 `BURIED`）。怎么读、怎么改见 `tools/audio/README.md`。
+**混音报告**：`bin/vh qa mix <stems>`（或 `bin/vh qa … --stems` 输出的最后一段）逐句列出人声高出音乐多少、每个词有没有被盖住、每个音效相对锚点的响度。硬失败（退出码 1）是：有一句低于 profile 的硬下限；说话时 hero 音效超过它的上限；被盖住的词超过 profile 允许的比例；同一类音效的中位数偏出范围 3 LU 以上；timeline 有句子，人声 stem 却全是静音；一个 cue 对上了却听不见（只以"弱"通过，又被判 `BURIED`）。怎么读、怎么改见 `tools/audio/README.md`。`bin/vh mix` 报错退出时什么都不写，上一次的 `mix.wav` 还在，所以先看它的退出码；`bin/vh qa` 看到混音比事件表这些输入旧，会在报告开头和最后一行写 `STALE?`，只是警告，退出码不变。
 
 **AAC 编码会抬高真峰值**：每个成片都要量编码后的文件（`ffmpeg -i final.mp4 -af ebur128=peak=true -f null -`），高于 −1.5 dBTP 就用更低的 `tp=` 重混。门禁是 WAV（`bin/vh qa mix.wav …`）；成片 mp4 再跑一次，cue 的问题只作警告（`tools/audio/README.md` 的"AAC 编码和 cue check"）。
 
diff --git a/tools/audio/README.md b/tools/audio/README.md
index 8e56dca..6ebdcea 100644
--- a/tools/audio/README.md
+++ b/tools/audio/README.md
@@ -288,12 +288,13 @@
 
 ## 音效（`sfx`）的细节
 
+- **`t` 是落点，不是起点。** 内置音效按各自的落点对齐到 `t`：riser、swish_rev、tape 在 `t` 结束；whoosh、whip、swoosh_tonal、air、paper 把最响的一段放在 `t`；shimmer 和小动作、命中从 `t` 开始。所以 riser 写在它要冲到的那一刻（drop、揭示、切镜），声音从 `t − dur`（默认 2 s）开始；写成铺垫开始的时刻，整段声音就早了一个 `dur`，峰值落在铺垫刚开始的地方。落点和能量峰之间的细差见下文"已知局限"。
 - **`pan`**（−1 最左，0 居中，1 最右）用等功率声像律，并且按"居中 = 原电平"归一。不写 pan 的事件和以前的单声道摆放逐采样相同。pan = ±1 时，那一侧 +3 dB，总功率不变，所以大声的音效打到最边上时注意削波（工具会提示削波的采样数）。
 - **`dist`**（≥ 1，单位是参考距离，1 = 原样）：电平乘 1/dist，距离每翻一倍 −6 dB；再加一个平缓的一阶低通，截止频率 16 kHz / dist，最低 1 kHz。低通带来的延迟不到 0.2 ms，落点不受影响。声速延迟没有加，因为 `t` 本来就是"该听到的时刻"；要做"先见闪光、后闻炮声"，自己把 `距离米数 / 343` 加到 `t` 上。
 - **pan 从画面上算，不要凭感觉写。** 取发声物体在那一刻的屏幕 x：`pan = 2·x / 画面宽度 − 1`，再乘 0.7–0.8 收一点，全左全右在耳机里很刺。3D 场景用相机坐标：`pan = v·right / |v|`，其中 v 是声源到相机的向量；距离也从同一个 v 来。镜头在动时，同一个声源在不同时刻的左右位置也不同。Austerlitz 那支片子的音效就是这样从场景事件里算出声像和距离的，见 `cases/opus55-gallery.md` 第 6 节。
 - **内置音效的种子和清单**：每个内置音效用自己的随机种子（按名字和 variant），同一个事件不管前面先渲染了什么，都得到同样的采样。`sfx lib` 写的是每个音效的 plain 版（variant 0），同时写一份 `sfx-lib.json`，记下每个 WAV 是哪个内置音效和它的 sha256。`--lib` 目录里列在清单上、哈希没变的 WAV 就是内置音效本身，照样按事件变化；其他 WAV（哪怕和内置音效同名）原样使用，不接受 variant 和塑形参数；清单上的 WAV 被改过，工具会点名提示。没有清单的旧目录按字节和今天的 plain 版比对，并提示一次重新跑 `sfx lib`。impact 和 boom 在命中点有一层 1–4 kHz 的起音（crack），身体晚 2 ms 进来：没有这一层时，它们 98–100% 的能量在 150 Hz 以下，手机和笔记本几乎放不出来。impact、boom、ding、success、glitch 的结尾有 50 ms 的升余弦淡出，riser 4 ms，tape 10 ms：以前尾巴是硬切的，qa 报过 1593 倍的 click。
 - **每个事件默认是自己的 variant，一支片子里连成一条路。** 除了四个提示音，内置音效的每个事件都有一个 variant：同一支片子里同一个音效按时间顺序走一条有界的路，从一个起点（由音效名和这支片子用了哪些音效、各几次算出来，和时间无关）出发，每出现一次走一步。相邻两下一定不同，又不会差得太远，整支片子里像同一只手的动作在慢慢变化；不同片子的起点不同。同一份 events.json 每次渲染逐字节相同。variant 写成 起点·1000 + 第几步，例如 4821003。它只动事件没写的参数，幅度保持在"同一家族、换一个手势"：转场的长度 ±25 %、音高 ±3 个半音、峰值的位置、扫频跨度、明暗、音色、电平 ±1.5 dB；click、tick、pop 这类小动作只动一点音高、长度和电平；impact、boom 动起音（crack 的频段、衰减、电平，身体晚进来的时间）、衰减和电平，不动身体的音高（40 Hz 的身体一动音高就和配乐的低音拍出"抽吸"）。提示音不变，观众会记住它们的意思。只挪动事件的时间不会重抽（除非同一个音效的两个事件换了先后）；增删事件会重抽这支片子里没钉住的事件。想留住某一下，就写 `"variant": n`：`sfx place` 的 sidecar 和 `bin/vh mix … stems=DIR` 的 `meta.json` 里都记着每个事件拿到的号，`bin/vh qa --stems` 用它把同一个声音重新渲染出来；`"variant": 0` 是 plain 的那一个。
-- **按动作给转场塑形。** 转场类内置音效都接受这几个可选字段：`dur`（跟着转场的长度走；不写 `pitch`、`center` 时，越长越低，长度每翻一倍低 4 个半音）、`pitch`（半音）或 `center`（Hz）、`dir`（`"up"` 上扫，`"down"` 下扫）、`bright`（−1…1，暗…亮）、`tone`（0 纯气流…1 带音高的共鸣）。任何音效都可以写 `pan_from`、`pan_to`，让声音跟着画面从一边划到另一边。小而快的动作短、高、亮，大而慢的动作长、低、厚。比如一张卡片从左往右快速划过：`{"t": 2.0, "sfx": "whoosh", "dur": 0.35, "pan_from": -0.6, "pan_to": 0.6}`；镜头慢慢退到大场景：`{"t": 6.0, "sfx": "whoosh", "dur": 1.2, "dir": "down", "tone": 0.4}`。
+- **按动作给转场塑形。** 转场类内置音效都接受这几个可选字段：`dur`（跟着转场的长度走；不写 `pitch`、`center` 时，越长越低，长度每翻一倍低 4 个半音）、`pitch`（半音）或 `center`（Hz）、`dir`（`"up"` 上扫，`"down"` 下扫）、`bright`（−1…1，暗…亮）、`tone`（0 纯气流…1 带音高的共鸣）。任何音效都可以写 `pan_from`、`pan_to`，让声音跟着画面从一边划到另一边。小而快的动作短、高、亮，大而慢的动作长、低、厚。比如一张卡片从左往右快速划过：`{"t": 2.0, "sfx": "whoosh", "dur": 0.35, "pan_from": -0.6, "pan_to": 0.6}`；镜头慢慢退到大场景：`{"t": 6.0, "sfx": "whoosh", "dur": 1.2, "dir": "down", "tone": 0.4}`。其余内置音效只接受其中几项：typing 是 `dur`、`pitch`，riser 是 `dur`、`pitch`、`bright`，click、tick、pop、shutter、glitch、impact、boom 只有 `pitch`；四个提示音（ding、success、error、toggle）一项都不接受，`variant` 也不行，观众要靠同一个声音认出它的意思。写了不收的字段，`sfx place`、`bin/vh mix … events=` 和 `sfx audition` 都报错退出；`bin/vh mix` 这样退出时什么都不写，`mix.wav` 和 stems 还是上一次的，而 `bin/vh qa` 不一定会去渲染这个事件，照样能在旧混音上跑完（见下文"混音"里的"报错退出时"）。
 - **重复会被提醒。** `bin/vh qa` 拿到事件表时会查：同一类声音（内置音效按名字；文件按去掉 `_a`、`_2` 这类编号后的名字）按时间连着 3 次以上听起来一样（逐字节相同，或者 150 Hz 以上的波形相关 > 0.98），就警告，不算失败，并提示去掉 variant 的钉、给每一下塑形，录音素材就轮换几条（A B C A B C 这样轮换不算重复）。判断靠测出来的相似度，不看 variant 号。提示音、`role: "signal"` 和 sonification 层本来就该每次一样，不查；渲染不出来的事件会列出来。
 - **`role`**（可选：`hero`、`detail`、`ambience`、`signal`）：这个事件在混音 profile 里属于哪一类，什么时候要写见下文"混音"。`sfx place` 会检查它，并在输出旁边写一个 `<out>.events.json`：每个事件的类和原因、起点，以及它自己摆好后的电平（fast：最响 100 ms 的 K 加权响度；m400；tp：真峰值；len：持续时间；lf：150 Hz 以下能量占比），混音前就能读。
 
@@ -338,6 +339,8 @@ VMR 这一列有三个数：
 - `stems=DIR` 按最终增益写出各总线和 `meta.json`，`bin/vh qa` 的 `--stems` 读它；
 - 不写 `profile`（或写 `profile=none`）就是原来的 ffmpeg 链（`duck=voice` 侧链压缩，响度按 loudnorm 定），输出和以前逐字节相同。
 
+**报错退出时什么都不写。** 事件写错（比如给提示音写了 `pitch`）、缺文件、参数不对，`bin/vh mix` 都报错退出，`mix.wav`、stems 和 `meta.json` 留着上一次的。`bin/vh qa` 照样能在旧混音上跑完，所以它先看混音是不是新的：事件表、节拍表、`--events`、`--voice`、`--timeline`、`--words` 或 `meta.json` 记下的输入比混音新 2 s 以上，有音效事件落在混音结尾之后，或者旁白比混音长，就在报告开头写出 `STALE?` 和原因，最后一行也带上。`qa mix` 只查第一项，拿这些输入和 `meta.json` 比。这只是警告，不算失败：刚 checkout 或拷过来的文件也会显得比混音新。看到它就重跑 `bin/vh mix`，确认退出码是 0，再跑 qa。
+
 **什么时候写 `role`**：
 - 类先看事件的 `"role"`；没写时，`"layer": "sonification"` 是 signal；再没有就按名字里的整词判断（复数也算）：
   - impact、boom、stomp、slam、ding、success、error、bell、snap… 是 hero；
@@ -461,4 +464,12 @@ ffmpeg -framerate 30 -i out/frames/f%05d.jpg -c:v libx264 -crf 17 -pix_fmt yuv42
 bin/vh mux out/final.mp4 audio/mix.wav out/final-av.mp4
 ```
 
+**给旁白垫静音，别用 `anullsrc` 加 `concat` 滤镜。** `-f lavfi -i anullsrc` 这一路输入解码出来是 8 bit 的 `pcm_u8`，`concat` 又要把每一路转成同一种格式：静音排在第一路、长度用 `anullsrc=…:d=` 或滤镜里的 `atrim` 定时，旁白就被转成 u8 再拼，整条人声只剩 1/128 一级的精度（ffmpeg 8.0.1 实测，16 bit、24 bit 和浮点的源都一样）。输出写成 `pcm_s24le` 救不回来，在 `concat` 后面加 `aformat` 也不行。静音排在后面、或者用输入的 `-t` 定长度时这次没中，但格式怎么协商由 ffmpeg 决定，别靠它。现象是 `bin/vh qa` 报出大量 click（一支 457 s 的旁白片报了 2000 多处），停顿里的样本在 0 和 −1/128 之间跳；查法是取一段安静但不全是零的样本（句间的底噪、尾音），乘以 128 全是整数就是中了。旁白要晚一点进来，最省事的是合成时加 `--lead`（`playbook/04-audio.md` 的"配音"）；合成以后再垫，用 `adelay` 和 `apad`，或者在 numpy、soundfile 里直接拼数组：
+
+```bash
+ffmpeg -i vo.wav -af "adelay=600:all=1,apad=whole_dur=457" -c:a pcm_s24le vo_film.wav   # 前面垫 0.6 s，后面补到 457 s，人声逐采样不变
+```
+
+非要用 `concat`，就在它的每一路输入上都加 `aformat=sample_fmts=s32`。`bin/vh tts` 的句间静音是先写成 16 bit 的 WAV 文件、再用 concat demuxer 拼的，不受影响（实测逐采样一致）。
+
 mlx-audio 和 FunASR 的具体调用方式以各自 README 为准，第一次用时读一遍再写脚本，并把可用的命令记进项目的 `LESSONS.md`。
diff --git a/tools/audio/qa.py b/tools/audio/qa.py
index 46baa29..e53bb4e 100644
--- a/tools/audio/qa.py
+++ b/tools/audio/qa.py
@@ -64,6 +64,13 @@
   the range counts at its floor, as for a single event: the mixer never raises one); timeline lines in the mix with
   the voice stem silent under all of them. In a full run with --stems, also a cue that passes the cue check only as
   faint while the report calls it BURIED: on sync, but not heard. On an encoded file the report is not repeated.
+stale (every mode; a WARNING at the top and on the last line, never a failure): bin/vh mix writes nothing when it stops on
+  an error (a signal sound given a pitch, a missing file), so the previous mix.wav and stems stay, and qa would report on
+  them without a word. Warned when an input is more than 2 s newer than the mix (for qa mix: than the stems' meta.json):
+  events.json, the beat map, --events, --voice, --timeline, --words and the inputs meta.json names. In a full, scan or
+  cues run also when an SFX event lands after the end of the mix, or the narration (--timeline, else the timeline
+  meta.json names, else the one it holds) ends after it. A fresh checkout or copy makes inputs look newer too, hence a
+  warning.
 repetition (with events, in every mode; a WARNING, never a failure): a sound that comes back the same 3 or more times in a
   row within its family (a built-in's name; a file's name without its _a / _2 take mark), each event rendered alone before
   gain, pan and distance: byte for byte, or a waveform correlation over 0.98 within ±5 ms above 150 Hz. A whoosh pinned to
@@ -91,6 +98,7 @@
                                               # median error exceeds ENC_SHIFT s (the detector's own lag is +3…+8 ms)
 EDGE = 0.004           # s: a match this close to the edge of its search window is a tone that sits beyond it, not a confirmation
 MARGINAL = 0.02        # onset strength over the detector's threshold under which a cue is marginal
+STALE_SLACK = 2.0      # s: an input written more than this after the mix makes the mix look stale (a warning)
 
 def load(path, sr=None):  # → float32 (n, ch), sr — via ffmpeg, so containers and codecs all work
     st = json.loads(subprocess.run(["ffprobe", "-v", "error", "-select_streams", "a:0", "-show_entries", "stream=sample_rate,channels",
@@ -139,6 +147,36 @@ def stem(stems, name):  # a stem of `bin/vh mix … stems=DIR`, or None
     p = os.path.join(stems, f"{name}.wav") if stems else None
     return p if p and os.path.exists(p) else None
 
+def seconds(path):  # the first audio stream's length from the container (no decode), else None
+    try:
+        j = json.loads(subprocess.run(["ffprobe", "-v", "error", "-select_streams", "a:0", "-show_entries", "stream=duration:format=duration",
+                                       "-of", "json", path], capture_output=True, text=True, check=True).stdout)
+        return float((j.get("streams") or [{}])[0].get("duration") or j["format"]["duration"])
+    except (subprocess.CalledProcessError, KeyError, ValueError, TypeError): return None
+
+def stale(path, inputs, ev=(), tl=None):
+    """warnings that `path` (the mix; for qa mix the stems' meta.json) may not be what its inputs make now: an input
+    written after it (more than STALE_SLACK s: music.py writes the beat map just after its WAV), an SFX event landing
+    after its end, a narration line ending after its end. bin/vh mix writes nothing when it stops on an error (a signal
+    with a pitch, a missing file), so the previous mix stays and every check would read it without a word. Warnings
+    only: a fresh checkout or copy makes an input look newer too."""
+    if not os.path.exists(path): return []   # the scan or the cue check says so
+    out, seen, m = [], {os.path.realpath(path)}, os.path.getmtime(path)
+    for p in inputs:
+        if not p or not os.path.isfile(p) or os.path.realpath(p) in seen: continue
+        seen.add(os.path.realpath(p)); d = os.path.getmtime(p) - m
+        if d > STALE_SLACK: out.append(f"STALE?  {os.path.normpath(p)} was written {f'{d:.0f} s' if d < 120 else f'{d / 60:.0f} min'} after {path}")
+    n = seconds(path) if ev or tl else None
+    if n:
+        late = [float(e["t"]) for e in ev if isinstance(e.get("t"), (int, float)) and e["t"] > n + 1e-3]
+        if late: out.append(f"STALE?  {len(late)} SFX event(s) land after the end of {path} ({n:.2f} s), the last at {max(late):.2f} s")
+        segs = (tl.get("segments") if isinstance(tl, dict) else tl) or []
+        end = max([s["end"] for s in segs if isinstance(s, dict) and isinstance(s.get("end"), (int, float))], default=0)
+        if end > n + 0.05: out.append(f"STALE?  the narration runs to {end:.2f} s, past the end of {path} ({n:.2f} s)")
+    if out: out.append("        bin/vh mix writes nothing when it stops on an error, so this may be an earlier mix: run bin/vh mix again, "
+                       "check that it exits 0, then run qa (a warning, not a failure)")
+    return out
+
 def scan(path, bm, t_from, t_to, voice=None, ev=(), grace=0.04, music_stem=None):
     X, sr = load(path); x = X.astype(np.float64).mean(1); dur = len(x) / sr
     F = bm.get("fade"); end = t_to if t_to is not None else (F.get("start", F.get("from")) if isinstance(F, dict) else F[0] if isinstance(F, list)
@@ -744,6 +782,8 @@ def main():
         meta = json.load(open(mp)) if mp and os.path.exists(mp) else {}
         rev = json.load(open(opt("--events"))) if opt("--events") else meta.get("events", [])
         if rev: txt += "\n" + "\n".join(repeats(rev, opt("--lib", in_stems(st, meta.get("lib"))), opt("--root", in_stems(st, meta.get("root"))))[0])
+        old = stale(mp, [opt("--events"), opt("--timeline"), opt("--words")] + [in_stems(st, p) for p in (meta.get("inputs") or {}).values()]) if meta else []
+        if old: txt = "\n".join(old) + "\n" + txt + "\nSTALE?  these stems may be from an earlier mix (see the top)"
         if "--out" in a: open(opt("--out"), "w").write(txt + "\n")
         print(txt); sys.exit(1 if R["fails"] else 0)
     if not pos: sys.exit(__doc__)
@@ -754,6 +794,12 @@ def main():
     lib, root = opt("--lib", in_stems(stems, meta.get("lib"))), opt("--root", in_stems(stems, meta.get("root")))
     out, fails, warns, faint = [], 0, 0, []
     sev = json.load(open(opt("--events"))) if "--events" in a else ev
+    ins = meta.get("inputs") or {}; tlp = opt("--timeline") or in_stems(stems, ins.get("timeline")); tl = meta.get("timeline")
+    if tlp and os.path.isfile(tlp):
+        try: tl = json.load(open(tlp))
+        except (OSError, ValueError): pass
+    old = stale(mix_path, [pos[2] if len(pos) > 2 else None, opt("--events"), pos[1] if len(pos) > 1 and pos[1] != "-" else None,
+                           opt("--voice"), tlp, opt("--words")] + [in_stems(stems, p) for p in ins.values()], ev or sev, tl); out += old
     if mode in ("scan", "all"):
         o, f = scan(mix_path, bm, float(opt("--from", 1.0)), float(opt("--to")) if "--to" in a else None, opt("--voice") or stem(stems, "voice"), sev,
                     float(opt("--click-grace", 0.04)), stem(stems, "music")); out += o; fails += f
@@ -777,6 +823,7 @@ def main():
     print("\n".join(r for r in out if "  OK  " not in r))   # cue rows that pass cleanly are only written to --out
     print(("✓ audio QA passed" if not fails else f"✗ {fails} problem(s)") + (" (click warnings above: 请人耳复听)" if any(r.startswith("[4]") and "请人耳复听" in r for r in out) else "")
           + (f" ({warns} cue warning(s) above)" if warns else "") + (f" ({nrep} repeated SFX above)" if nrep else "")
+          + (" · STALE? this may be an earlier mix (see the top)" if old else "")
           + (f" · full report {opt('--out')}" if "--out" in a else ""))
     sys.exit(1 if fails else 0)
 
diff --git a/tools/audio/sfx.py b/tools/audio/sfx.py
index efc0ea9..5a9c5ba 100644
--- a/tools/audio/sfx.py
+++ b/tools/audio/sfx.py
@@ -31,7 +31,8 @@
        (hero). `place` checks it and writes it into the sidecar.
 SHAPING A BUILT-IN TO ITS MOVE (optional; the transitions take all of these, typing dur and pitch, riser dur, pitch and
   bright, the other gestures and hits pitch, the signals none: SPEC below; `sfx audition` to hear them). Every tool that
-  renders an event (sfx place, bin/vh mix … events=, qa, audition) checks these and stops on a wrong one.
+  renders an event (sfx place, bin/vh mix … events=, audition; qa only when one of its checks renders it) checks these
+  and stops on a wrong one.
   dur     length in s: follow the transition (a 0.3 s slide gets a 0.3 s whoosh). Without pitch or center, a longer
           sound is also lower (−4 semitones per doubling): small, fast moves come out higher and airier, big, slow ones
           lower and fuller.
diff --git a/tools/audio/tts.py b/tools/audio/tts.py
index 7a7e39f..a648860 100644
--- a/tools/audio/tts.py
+++ b/tools/audio/tts.py
@@ -2,7 +2,7 @@
 
 usage (via bin/vh tts): python tools/audio/tts.py <project_dir> [--provider qwen] [--voice V] [--lang zh|en]
                                                  [--gap 0.25] [--instruct "calm, warm"]
-                                                 [--beats music.beats.json [--snap beat|half|downbeat] [--lead 0.0]]
+                                                 [--beats music.beats.json [--snap beat|half|downbeat]] [--lead 0.0]
                                                  [--align gemini [--min-sim 0.85] [--vocab "术语,Term"]]
                                                  [--join none|block|all] [--resume]
        (via bin/vh voices): python tools/audio/tts.py voices list [lang] | design "<description>" | delete <voice_id>
@@ -14,7 +14,8 @@
                                       @hook [惊讶地抛出问题，语速快，"一句话"重读] 一句话，做出一支片子。 || …
        It is added to --instruct for that line only, and never reaches the captions.
        --beats: start every line on the next grid point of a beat map (bin/vh music / bin/vh beats output) instead of a
-       fixed --gap, so narration rides the music; --snap picks the grid, --lead the earliest start of line 1.
+       fixed --gap, so narration rides the music; --snap picks the grid. --lead: the earliest start of line 1, with or
+       without --beats (without, line 1 starts there after digital silence: a narration that comes in late).
        A single line can pick its own grid with @id:downbeat (or :beat, :half), e.g. the answer that lands on the drop.
        A map without the chosen grid is an error; when the narration outlives the grid, the lines past its end follow
        --gap, and that is said once.