虚拟主播已经能不停说话以后，为什么真正困难的是让它知道游戏里刚刚发生了什么？

同一次击杀，四种完全不同的解说

假设某MOBA游戏里，一名玩家在第18分钟打出一次一换一的击杀（示意场景）。这次击杀可能是四件完全不同的事：

同样的画面，同样的“某人击杀了某人”事件，对应的话术几乎没有交集。能说出“漂亮”的系统很多，能分清这四种情况的系统很少，这是AI主播和“会说话的数字人”的分界线。数字人解决的是形象与声音，游戏理解解决的是说得对不对。

三层结构：看见、判断、开口

一个合理的设计通常把主播拆成三层，而不是把画面直接塞给大模型让它自由发挥。

• 感知层：Game Vision读取画面里的血条、技能冷却、小地图、比分牌；如果游戏能提供事件日志或观战接口，就优先用结构化数据，画面识别只做补充和校验。输出是带时间戳的事件，比如“击杀、防御塔倒塌、目标刷新”。
• 局势层：维护一份不断更新的比赛状态，包括比分差、经济差、目标控制、最近几分钟的走势，以及己方是否处在追分状态。这一层负责回答“这次击杀意味着什么”。
• 表达层：大模型在这里才登场，拿到的输入是“事件加局势标签加已经说过什么”，而不是原始画面。它决定措辞、语气和长度。

局势层不需要复杂，一个能跑的起点是几个数字加一条规则：最近三分钟的经济差变化、当前目标是否在争夺、双方存活人数，再配一条“落后方连续两次团战获胜即标记为逆风翻盘候选”的判断（阈值均为示意，实际要按具体游戏调）。这些标签比一段自由文本可靠得多，也方便写测试。

这样分层有一个很实际的好处：出了错可以定位。如果主播把“逆风翻盘”说成了“普通击杀”，问题出在局势层的阈值，而不是要去调提示词。金沙娱乐AI在设计主播时采用的也是这种分层思路：先把事件和局势做成可检查的中间结果，再交给表达层。多路输入怎样对齐时间，属于感知层的另一个话题，这里不展开。

说什么，和什么时候说

（这一节的结论都来自公开研究与常见工程做法，不是某个产品的指标。）

游戏解说要同时解决两件事：说什么，什么时候说。相关研究把这两点分开处理，并提出了无需微调的提示式解码：固定间隔地预测下一次发言，或按“上一句话有多长”动态推算下一次发言的时间点，后者在时间点和内容上更接近人类解说。另一类工作用并行文本生成，让下一句提前准备，缩短两句解说之间的静默。

放到工程里，这意味着三条朴素的规则：

1. 一句话的时长决定下一句的起点。上一句要念五秒，就不应该在第二秒判断新事件并打断，除非新事件的优先级更高。
2. 说话之前先预生成。事件刚出现就开始准备候选语句，事件确认后只做挑选和微调，而不是从零生成，否则总会慢半拍。
3. 确认再断言。击杀发生的瞬间，能说的是“打下来了”，能不能说“团战赢了”要等局势层确认。

沉默是解说的一部分

真人解说员会在团战刚爆发的两三秒里闭嘴，让观众自己听技能音效；会在双方对峙的空档补一句战术判断。AI主播如果被设计成“每个事件都要回应”，就会陷入持续输出的机械感。

所以除了“说什么”，还要有“不说”的策略：短促的击杀连续发生时，合并成一句总结；局势不明朗时，只描述可以确定的部分；主播刚刚讲过某个对比后，同类事件降低播报频率。这些都需要主播知道自己刚才说了什么，这部分见实时解说为什么需要比赛记忆。

几种典型的翻车

• 结果说反：对方已经放弃抵抗、正在拖延时间，主播还在喊“胜负未分”。原因通常是局势层只看击杀，不看经济和基地血量。
• 剧透式解说：画面延迟比数据更新慢一两秒，主播提前说出了“基地被推掉了”，观众看到的还是最后一击的前一帧。需要对齐画面与数据的时间。
• 误认事件：把队友被击杀识别成己方击杀，只因为击杀提示的位置相似。这类错误应该拿一批固定录像做回归测试。
• 抢话：观众弹幕里有人问问题，主播回答得很自然，却错过了下一个目标刷新。这是另一个话题，见AI主播怎样在弹幕和比赛之间分配注意力。

上线前怎样测

我更愿意用一份“容易说错”的片段清单做回归，而不是靠一次整场直播的观感。清单可以按类型建：逆风翻盘、一边倒的碾压、连续短击杀、长时间对峙、画面被特效遮挡。每个片段写清楚“正确的局势标签”和“不应该说的话”，再检查主播的输出有没有违反。

金沙娱乐大模型的游戏解说方向也是围绕这类清单来验证的，具体接入方式以后续公布为准。评价的重点也要换：语音是否自然是第二位的，局势判断和真实比赛是否一致才是第一位的。如果连这一步都没通过，把数字人形象做得再像真人，观众也只会觉得是在听一个看不懂比赛的人念稿。

如果想在自己的直播里试，可以先从创建AI虚拟游戏主播并设置角色风格的思路入手，把禁区和语气定好再接游戏数据。更难的下一步是：当游戏没有开放任何事件接口，只有一路画面的时候，主播能靠什么保持判断的稳定？