三条通道，三种延迟
先看一次假设的直播：某射击游戏对局，主播需要同时用到三类信息。
- 游戏画面：通过采集卡或推流画面逐帧抽取，靠视觉模型识别击杀提示、血量条、地图位置。
- 比赛数据：来自游戏提供的观战接口或日志，结构化，比如击杀者、被击杀者、时间戳、经济差。
- 观众弹幕：来自直播平台，是无结构的短文本，夹着梗、缩写和情绪。
这三路的延迟天然不同。举例来说（示意数字）：画面经过编码推流再抽帧，可能落后现场一两秒；数据接口往往最早，几乎与事件同时；弹幕则要等观众看到画面后才敲字，反应又晚一截。三路一起塞进提示词而不管时序，模型看到的就是一个前后错乱的世界。
时间对齐是第一步
通常的做法是给每条输入打上统一的“比赛时钟”，而不是各用各的系统时间。
| 输入 | 典型特点 | 对齐方式 |
|---|---|---|
| 画面事件 | 有延迟，可能误检 | 按帧序号回推到比赛时钟 |
| 比赛数据 | 精确，但粒度粗 | 直接作为时间基准 |
| 弹幕 | 滞后且带情绪 | 归到“它在讨论哪一刻”，而非发送时刻 |
弹幕的处理最容易被忽略。一条“这个走位绝了”发出的时刻，指向的往往是几秒前的画面；如果按发送时间挂到当前事件上，模型会把夸奖安在一个刚刚送人头的操作上。合理的设计是让弹幕先与最近若干秒内的事件做匹配，匹配不上就只当作氛围信号，不当作对事件的评价。
把三路折叠成一条事件流
对齐之后，不建议把三路原始内容直接喂给解说模型，而是先折叠成事件。一条融合事件大致包含：发生时刻、事件类型（击杀、夺取资源、团战开始）、参与者、局势变化，以及来自各路的证据与可信度。
比如接口报告“A击杀B”，画面识别也看到击杀提示，两路互相印证，事件置信度高；若只有画面报出“击杀”而接口没有，可能是回放或观战特效造成的误检，就该降权，甚至压住不说。弹幕在这里扮演第三方旁证：观众集中刷同一个词，说明这一刻值得关注，但它决定“是否重要”的权重应低于游戏数据。这套思路与主播怎样理解游戏局势一文讲的事件判断是同一条链路的上游。
采样频率也要分层
三路输入不必用同样的节奏处理。视觉模型每帧都跑既贵又没必要，一个合理的设计是低频巡检加事件触发：平时每隔一小段时间看一次全局画面，一旦数据接口报出击杀、物品拾取或血量骤降，再对相关区域做高频识别。弹幕则相反，量大而价值密度低，通常先做聚合，比如统计一个窗口内的高频词和提问，再把“大家在问什么”整理成一两条摘要交给主播，而不是把几百条原文逐条塞进上下文。
三个常见失败
- 回放当直播：游戏内回放、击杀集锦画面被识别成新事件，主播重复解说。对策是识别回放标记，或用比赛时钟发现“时间倒退”。
- UI 遮挡与皮肤变化：换个界面主题，原来训练好的血条识别失效。所以关键数值优先走数据接口，画面识别做补充。
- 弹幕带偏：观众恶意刷“翻盘了”，而实际比分毫无悬念。弹幕只提示关注，不改写事实。
交给解说层的不是数据，是可说的东西
融合事件流的终点，是给解说层一个精简的“此刻可说清单”：当前最重要的事件、比分与趋势、观众正在问什么。金沙娱乐AI在设计主播时更看重这个分工：感知层负责真实，解说层负责表达，二者之间用事件而不是原始信号沟通。这样即使更换语言模型或音色，事实层也不会跟着漂。
下一个值得追问的问题是：事件流只告诉主播“刚刚发生了什么”，它怎样记住“一小时前发生过什么”，这需要另一层比赛记忆。
