冲到 OpenAI 社区榜二，我做了个让 C 罗解说梅西比赛的 AI 解说员丨开源项目分享

四年一度的世界杯来了。看比赛的时候我冒出一个念头：解说员那么多如果没有我心仪的，能不能自己动手搓一个新的 AI 实时解说员？

于是就有了这个项目。做完我把它发到 OpenAI 的 Reddit 社区，没想到当天冲到了日榜第二，评论区不少人问原理、问怎么搭，还提出了很多我自己都没想到的新点子。所以干脆把原理和玩法整理成文，一次讲清楚。

先看一段效果。这场比赛是美国对阵比利时，解说员是"特朗普"：个人特色非常鲜明，夸人有自己的一套，还有自己的专属口头禅，总能将话题引到自己身上。

视频里发生的事，说白了就一句话：给一路真实的直播流，配一个会看画面、会实时开口的 AI 解说员。这就是我开源的 WorldCupVoice (https://github.com/zicojiao/worldcupvoice)。

它不是把比赛录下来事后配音，是真·实时：直播流进来，AI 看着和观众一模一样的画面，生成的语音再被送回直播间。世界杯只是它最好看的演示场景，这套链路适用于任何一路直播。

准确而言，这个不大的小项目，把「实时直播 + 大模型看懂画面 + AI 开口解说」这条最难的链路整个跑通了。

除了图一乐，好像还真能做点有意义的事情

一个是无障碍辅助（Accessibility），给视障人士做专业解说。

这个想法来自 Reddit 评论区一位网友的回复。真人解说默认"你看得见画面"，所以很多球场细节他不会讲——球在哪、压力从哪侧压上来、谁在悄悄前插。这些对看得见的人是废话，对看不见的人却是全部。AI 可以把这些被省略的空间信息补回来，给视障观众一份"看得见的解说"。它不是要取代真人，而是补上真人会跳过的那部分。

另一个是普及大众赛事，让普通人的比赛也有自己的解说席。

当直播与 AI 解说的链路打通，解说员的人设、语气、水平就都能换。脑洞随之打开：让"梅西"去解说 C 罗的比赛是什么画风？给小区幼儿园的足球赛配一段央视级解说，孩子追着球跑、旁白热血沸腾，光想就又好笑又期待。再往后，拔河、广场舞、公司年会的趣味运动会，都能有自己的"激情解说席"。

体育解说一直是少数专业场合才有的待遇。而这套东西，理论上能把“专业解说”下放给每一场普通人自己的比赛——这才是我觉得它最有意思的地方。

一图看懂 AI 实时解说的架构

很多人以为"AI 解说"就是丢段视频给大模型让它说几句。难点恰恰在于：这是直播，要求边看、边想、边说，还得快。顺着数据流走一遍就明白了：

直播源(OBS/编码器/本地视频)      │  RTMP 推流      ▼Agora Media Gateway  ← 把 RTMP 转成实时音视频      │      ▼  Agora RTC 频道  ──────────┐      │                          │      ▼                          ▼浏览器观众               AI 解说后端(看直播+听AI解说)        │ 1. 采样画面帧                       │ 2. 视觉模型"看懂"                       │ 3. TTS 生成语音                       └──→ 把 AI 声音回推到 RTC 频道

拆开看，频道里其实有三种角色在同一个房间里：

直播源：把画面推进来的那一路。可以是循环播放的本地视频，也可以是 OBS、摄像头、编码器送来的实时现场画面。
AI 解说员：一个"后端参与者"。它不停地采样当前画面 → 交给视觉模型理解 → 让 TTS 把解说词读出来 → 再把这段声音发回频道。
浏览器观众：你打开网页看到的那一端，同时播放直播画面、AI 的声音、解说文字，还有"解说间状态"。

关键巧思在这里：AI 看的不是另一路视频，而是和观众完全相同的那一路 RTC 画面。 这意味着它解说的就是你正在看的内容，不会"画音不对齐"。

技术栈也很主流：前端是 Next.js，后端是 Python 的 FastAPI，实时音视频用 Agora，视觉理解 + TTS 语音合成各司其职。

整体的技术设计中，最吃功夫的其实是"实时"这两个字：画面要实时进来，AI 生成的语音还得低延迟送回直播间。这部分我交给了 Agora——延迟一高，解说就跟不上画面、马上穿帮。选它也有个现成的好处：Agora 是 OpenAI Realtime API 的官方合作伙伴，SDK 和 OpenAI 打通得比较顺，接起来省了不少胶水代码。

项目设计的三个小巧思

第一，先给 AI"补课"，它才认得球员。

光看画面，AI 顶多说"穿红色球衣的球员"。所以我让你在 data/matches/ 里用一个 JSON 描述这场比赛：两队、球衣颜色、球员名单、剧情背景。喂了这份"小抄"，AI 才能喊出具体名字、贴着比赛叙事去解说。换个场景同理——你也可以把"参赛的是哪几个小朋友"写进去。

第二，声音才是解说的灵魂。

音色很大程度上决定了"像不像真转播间"。项目支持三套 TTS：

OpenAI TTS：默认就能跑通，适合先把流程打通。前面提到 Agora 是 OpenAI Realtime API 的官方合作伙伴，所以真要往"实时语音对话"那个方向做，这套组合也是最省心的。
ElevenLabs：能自己"调"一个体育解说音色，激情、有爆发力，最接近电视里那种。
Fish Audio：想做中文解说的话值得试试，我预留了"中文玩梗解说"和"中文战术解说"两种角色。

顺带提一句：开源仓库里只放了解说员的人设和 prompt，没把我自己的私有音色 ID 塞进去——音色你得自己去对应平台建。

第三，在线 ≠ 烧钱。

AI 实时看画面、实时说话，是真金白银的 token 消耗。所以我专门做了一套成本闸门：

明确的 Start AI / Stop AI 开关、观众"心跳"（没人看了就自动停）、每个会话还有硬性最长时长上限。后台部署在那儿，并不会偷偷一直烧钱。

如果你也想复刻，这里是教程指南

下面是面向开发者的精简版。完整命令以仓库 README 为准，这里帮你建立"先后顺序"的全局观。

1) 装前端、配环境变量

pnpm installcp .env.example .env.localopenssl rand -hex 32   # 生成一个后端密钥，前后端要填同一个

.env.local 里主要填 Agora 的 App ID / Certificate、后端地址、刚生成的密钥和一个本地访问密码。

2) 起后端（FastAPI）

cd serverpython -m venv .venv && source .venv/bin/activatepip install -r requirements.txt -r requirements-dev.txtcp .env.example .env.local      # 填 Agora、密钥、OPENAI_API_KEYpython -m uvicorn app.main:app --reload --host 127.0.0.1 --port 8000

3) 配 TTS 音色（可选，但强烈建议）

默认 OpenAI TTS 能用；想要"广播腔"就配 ElevenLabs，想要中文就配 Fish Audio，把对应的 voice ID 填进 server/.env.local。TTS 会让你的解说，更富有灵魂！

4) 起前端、进直播间

pnpm dev      # 打开 http://localhost:3000

5) 给它一路直播流

先在 Agora Console 启用 Media Gateway，用它的 REST API 生成 RTMP 推流 key（项目自带 pnpm run media-gateway:key 帮你生成）。然后三选一把画面推进去：

注意：仓库不内置任何比赛视频（转播画面有版权），你得自备一段 16:9 的 .mp4，或者直接接一路实时画面。配上前面那份比赛 JSON，解说效果会好很多。

6) 上线

前端部署到 Vercel，后端用 Railway 跑 Docker，前后端共用同一个密钥即可。

接下来想往哪走

路线图里几个方向，我觉得挺有想象力：

降低延迟：缩短"画面 → AI 开口"之间的时间差，越实时越像真解说；
多人解说：多个 AI 解说员同台，一个负责激情，一个负责战术分析，互相搭话；
无障碍专属模式：给视障观众提供更密集的球场空间信息；
多语言多音色：覆盖不同国家的语言和声音风格。

最后，聊点好玩的

做这个项目最爽的一刻，不是代码跑通，而是 AI 第一次对着画面喊出"好球！"的那一下——感觉就像你养的 AI 突然学会看球了，还看得特别投入。

以前聊语音合成，纠结的无非是音色像不像人、读得顺不顺。但解说这事儿，硬是把语音从"念稿机"逼成了"现场嘴替"：它得先看懂场上发生了啥，再用对的情绪、对的人设，在对的那一秒开口。会看、会想、会接话——它不再是被动播放的声音，而是个真能跟上节奏的搭子。

所以别只盯着球场。下次你家猫主子打架，说不定也能配上一段激情解说。

项目地址：

github.com/zicojiao/worldcupvoice（MIT 协议，可自由使用）。

觉得有意思，欢迎去点个 Star。