半岛体育AI解说：让模型知道什么时候说、说什么和什么最重要

让模型解说一场比赛，第一版通常很好听：句子通顺，语气到位，术语也不少。问题出现在第三分钟，它还在夸奖一次早已结束的传球，观众席的欢呼已经盖过了它的声音。解说的难点不在于把话说得漂亮，而在于每一秒都要做几个看不见的决定：现在有没有值得说的事，上一句说完了吗，这句话还对不对得上此刻的比分。这个栏目讨论的就是这些决定。

解说要同时做几个决定

把一场直播解说拆开，会发现它至少包含六件事：理解发生了什么，判断什么时候开口，决定说什么，控制说话的延迟，管理已经过期的上下文，以及保证说出的每个事实都站得住。它们环环相扣，任何一环出问题，听起来都是“解说不太对劲”，但原因完全不同。栏目里的文章大致按这个顺序展开，综述性的一篇是AI体育解说最难的问题：什么时候闭嘴，其余几篇分别深入延迟、上下文和风格。

先看懂：事件理解在语言之前

解说模型不应该直接对着原始视频“自由发挥”。更稳妥的结构是先由视觉、音频、OCR和赛事数据模块整理出带时间戳和置信度的事件流，比如“射门，置信度中等，编号未识别”，再交给语言层。这样做的原因很简单：语言模型擅长表达，但不擅长在模糊画面里判断是射门还是解围。事件怎么从长视频里被找出来，可以参考体育事件检测，各路信号如何互相校正，则在多模态体育大模型里有专门讨论。

什么时候说，什么时候留白

说话时机比说话内容更容易被忽略。固定每隔几秒生成一次的做法，不认识“上一句话有多长”，句子容易互相重叠。近期公开研究里提出的暂停感知思路，是按上一句话的预计播放时长推迟下一次生成，我们的设计沿用这个方向，并让高优先级事件有权限打断低优先级的话。留白同样重要：哨声、击球声和观众的反应本身就是比赛的一部分，解说需要给它们让出空间。这个趋势在AI解说正在学会停顿里有观察性的梳理。

说什么：语言层只做翻译

决定开口之后，语言层收到的是一小组结构化事件、当前比分、最近说过的话和字数预算，任务是把它们翻成自然的短句，而不是自己判断场上发生了什么。措辞要与事件置信度绑定：证据充分时可以用确定的动词，证据不足时只描述动作，不描述结果。风格是叠加在事实之上的一层，同一个进球可以有简洁、专业和情绪几种说法，但比分和号码不能变，这一点在解说风格控制中有对照示例。

延迟：慢半拍是六段时间的总和

一句解说从球离脚到传进耳朵，要经过采集、识别、事件确认、文本生成、语音合成和播放缓冲。很多人先怪模型生成慢，实际上“等事件被确认”常常是最长的一段，因为过早宣布进球再撤回，比慢半秒更糟。流式生成可以让语音先开口，代价是说出的话无法收回。更多细节见解说为什么经常慢半拍。

上下文：旧话题怎样退场

比分变了，模型还在讲上一个回合，是实时解说最常见的错误之一。原因是文本上下文里所有句子没有新旧之分。我们倾向于把记忆分成现场事件窗口、比赛摘要和背景资料三层，只有第一层被频繁改写，并且每次生成前都用OCR比分和最新事件重新对表。相关机制在过期上下文一文里展开，它与长视频大模型的上下文研究是同一类问题的两个尺度。

事实一致性：最后一道门

语言模型擅长补全，而补全在解说里恰恰是风险：它会顺手写出没有证据的“状态火热”，或者把上一场的说法带进这一场。因此事实约束放在出口：比分和时钟以OCR和结构化数据为准，球员编号只在置信度足够时才说，生成之后再把可核对的断言与事件层比对。代价是几百毫秒的延迟，所以只对比分、犯规、红黄牌这类高风险内容做完整核对。视觉模型和语言模型如何分工，在大模型讲、视觉模型看里有更完整的说明。

一个模拟场景：18秒里的取舍

• 第 0:00–0:05：红队慢速推进，声浪平稳，事件优先级低。模型不说话，保持现场声。
• 第 0:05–0:09：红队一次挡拆后突破上篮，被协防封盖。模型用一句短句“红队突破被封盖”，预计播放约2秒。
• 第 0:09–0:12：黄队快攻推进，此时上一句刚播完，新事件排入队列，但生成加合成需要约1秒，等句子出来快攻已经结束，模型丢弃该句。
• 第 0:12–0:16：黄队三分出手，球未进，红队抢下篮板。置信度中等，模型只说“三分不中，红队拿下篮板”，不预测结果。
• 第 0:16–0:18：比分牌更新，红队暂时领先2分。模型用OCR读到的比分刷新上下文，之前所有“黄队领先”的待说内容整体作废。

这18秒里，模型开口两次，其余时间保持沉默或直接丢弃过期内容。它的“少说”并不是能力不足，而是刻意的选择。

我们的边界：做了什么，仍在验证什么

栏目里的内容以设计思路和研究方向为主，需要坦白几点。多个事件同时出现时的优先级排序仍然粗糙；节奏因项目和听众而异，还没有通用的数值；解说风格与事实评测都缺少公认指标，公开的体育解说基准刚刚出现，覆盖有限。所有时间线和数字均为模拟示例，不代表任何真实比赛或已达成的指标；也不会模仿或冒用任何真实职业解说员的身份，风格只以抽象档位提供。