标签：数字人、话术播报、数字标牌、实时推流、音视频同步、内容编排、语音控制
摘要：本文介绍一套面向私有化部署的数字人「话术播报」功能。围绕「编排一段口播话术（可挂接图片 / 视频 / 文字素材）→ 数字人按顺序自动开口播报 → 播报中可被语音实时控制」这条主线，文章从功能定位、整体架构、数据模型、内容编排、播报引擎、播报状态机与工程实践等层面展开，重点讨论话术与素材的同步展示、播放顺序管理、定向播报与循环播报、以及播报结束时的素材生命周期治理。
一、功能概览：话术播报解决什么问题
在展厅导览、数字标牌、门店大屏、直播间口播等场景中，客户需要让数字人「照着一批准备好的文案，一条接一条地播报」，并且每条文案往往还要搭配相应的画面素材（图片、视频、文字图层）。传统的做法要么依赖人工现场切换，要么做成固定的录播视频，缺乏灵活性和可维护性。
数字人「话术播报」把这件事变成一套可编排、可控制、可复用的自动化流程：
该功能的核心能力可以概括为：
| 话术编排 | 文案 + 图片/视频/文字图层，可视化编辑 | 门店大屏、展厅导览 |
| 主题管理 | 话术按主题归类，支持按主题播报 | 分栏目、分时段轮播 |
| 地址绑定 | 话术绑定到某个页面地址，语音打开该页面时定向播报 | 语音导航讲解 |
| 顺序管理 | 维护话术播放顺序，支持调整 | 编排播报脚本 |
| 循环 / 定向播报 | 整批循环播报，或指定地址 / 主题一次性播报 | 轮播 vs 点播 |
| 语音控制 | 播报中语音「开始 / 暂停 / 继续 / 休眠」 | 现场灵活控节奏 |
| 素材同步 | 话术与素材卡片严格同步，播完才清理 | 避免画面提前消失 |
这些能力共同把「一堆死的文案」变成了「一个活的、可被实时控制的数字人讲解员」。
二、整体架构：一次播报如何发生
系统按职责可划分为四个层次：内容编排层 → 服务接口层 → 播报引擎层 → 实时推流层。下图给出完整的数据流：
┌────────────────────── 内容编排层（管理端） ──────────────────────┐
│ 话术录入（文案 + 图片/视频/文字图层） │
│ 主题管理（归类、级联删除、设为当前主题） │
│ 地址映射（语音触发词 → 页面 URL / 图片文件） │
│ 话术记录列表（分页浏览、编辑、删除） │
└──────────────────────────────┬─────────────────────────────────┘
│ 结构化话术数据 + 素材 + 排序
┌──────────────────────────────▼─────────────────────────────────┐
│ 服务接口层（后端服务） │
│ 话术 CRUD / 列表分页 / 排序 / AI 生成改写 / 主题 CRUD │
│ 按 用户 / 任务 / 主题 / 绑定地址 过滤，按播放顺序返回 │
└──────────────────────────────┬─────────────────────────────────┘
│ 话术记录（含素材、排序、过滤条件）
┌──────────────────────────────▼─────────────────────────────────┐
│ 播报引擎层（后台线程） │
│ 优先级消息调度：对话 > 事件 > 话术 │
│ 空闲填充队列 → 语音合成 → 唇形推理 → 音频/视频入队 │
│ 顺序/循环/定向过滤、耗尽检测、素材同步与延迟清理 │
└──────────────────────────────┬─────────────────────────────────┘
│ 音频流 + 视频流 + 控制/素材消息
┌──────────────────────────────▼─────────────────────────────────┐
│ 实时推流层（WebRTC） │
│ 浏览器播放数字人音视频，渲染素材卡片与字幕 │
│ 语音指令 / 打断信号 回传服务端 │
└─────────────────────────────────────────────────────────────────┘
一次完整播报大致经历以下阶段：
三、数据模型设计
话术播报的数据模型围绕「话术」和「主题」两张核心表展开。
3.1 话术表
每条话术记录的核心字段如下：
| 文案正文 | 数字人实际口播的文字内容 |
| 角色 | 播报角色（如主播 / 助播），用于路由到不同音色 |
| 素材 | 关联的图片 / 视频 / 文字图层，以结构化 JSON 存储 |
| 绑定地址 | 话术绑定的页面地址；语音打开该页面时定向播报 |
| 所属主题 | 话术归属的主题；为空表示「无主题」 |
| 播放顺序 | 决定播报先后的排序字段，支持调整 |
| 类型 | 区分普通话术与特定类型（如直播脚本、PPT 话术） |
| 归属信息 | 创建人、所属任务等，用于权限与过滤 |
其中「素材」是一个关键设计点：一段话术可以挂接多个图层（图片、视频、文字），这些图层以 JSON 结构随话术一起存储，播报时被解析成可展示的卡片，做到「讲哪条、显示哪条」的同步效果。
3.2 主题表
主题用于对话术进行归类，具有以下特点：
- 全局共享：主题不按用户隔离，作为统一的内容分类维度；
- 级联删除：删除主题时，其下所有话术一并删除，避免出现「孤儿话术」；
- 条数统计：主题列表附带每个主题下的话术条数，便于管理；
- 默认主题：支持设置一个「当前播报主题」，数字人开启播报时按该主题过滤内容。
四、内容编排：从文案到可播报资产
内容编排层是运营人员与系统交互的入口，主要包含四个模块。
4.1 话术录入与素材编辑
录入话术时，运营人员除了填写口播文案，还可以通过一个图层编辑器为这条话术挂接素材：
- 支持图片、视频、文字三类图层，图层具备位置、尺寸、可见性等属性；
- 素材以引用方式关联（引用媒体资源 ID），与文案一起结构化保存；
- 支持横屏 / 竖屏两种画布，适配大屏与移动端展示。
编辑完成后，一条「可播报的话术」就同时携带了「说什么」和「显示什么」两部分信息。
4.2 地址映射：语音打开页面的桥梁
地址映射是「语音导航」能力的基础。系统维护一张「触发词 → 目标地址」的映射表：
- 触发词即语音指令，如「打开展厅」；
- 目标地址为 URL 或图片文件名；
- 支持父子层结构：打开父页面时，会自动播放其下所有子层对应的话术。
当用户通过语音「打开某个页面」时，系统据此过滤并播报绑定到该地址的话术，实现「说到哪、讲到哪」。
4.3 主题管理
主题管理提供对内容分类的增删改查，并支持「设为当前播报主题」。该状态持久化保存，数字人开启播报时读取默认主题，从而只播报该主题下的话术。删除主题会级联删除其下全部话术，操作前会明确提示影响范围。
4.4 话术记录列表与分页
话术记录列表用于浏览、编辑和删除已录入的话术，采用统一的表格样式并支持服务端分页：
- 列表按「播放顺序 + 创建时间倒序」排序；
- 后端分页接口支持页码与每页条数，并返回总条数；
- 前端采用「远程分页」模式：翻页或切换每页条数时重新请求后端，而不是在前端切片；
- 删除当前页最后一条时自动回退上一页，避免停留在空页；
- 操作列用图标按钮（编辑、删除）表达，保持界面紧凑一致。
这套分页设计在话术数量较多时，避免了「一次加载全部」带来的渲染与传输开销，是工程化列表管理的基本实践。
五、播报引擎：如何把话术变成实时音视频
播报引擎是话术播报的核心，运行在服务端的后台线程中，负责「取话术 → 合成语音 → 驱动唇形 → 入队推流」的完整闭环。
5.1 优先级消息调度
引擎内部维护一个优先级消息调度器，将待播报内容分为三个优先级队列：
优先级（高 → 低）：对话应答 > 事件消息 > 自动话术
这样设计的目的是：当用户与数字人进行实时对话或系统有紧急事件需要播报时，可以打断当前自动话术，优先响应交互；交互结束后再恢复话术播报。自动话术处于最低优先级，保证它不会抢占交互内容。
5.2 队列填充与播放顺序
播报引擎在满足以下条件时，才会从数据库取一条话术进入播放队列：
- 话术播报开关已开启；
- 当前没有正在进行的交互；
- 待播队列为空；
- 上一次播报的预计结束时间已到（保证话术之间留出缓冲间隔）。
取话术时，引擎按「播放顺序」字段逐条读取，并依据当前是否设置了「绑定地址」或「主题」进行过滤：
- 指定了绑定地址 → 只取该地址下的话术（定向播报）；
- 指定了主题 → 只取该主题下的话术；
- 两者都未指定 → 播放全部话术。
取到的每条话术，会依次经过语音合成、唇形推理，产出音频帧与视频帧，交给实时推流层发送。为了降低话术之间的首包空隙，引擎会在保证播放顺序的前提下，允许有限度的预生成下一段内容。
5.3 循环播报与耗尽检测
当所有话术播放完毕后，引擎进入「耗尽」状态，处理方式取决于播报模式：
- 循环播报：播完一轮后，若本轮确实播报过内容，则从头再来一轮；
- 定向播报（指定地址 / 主题）：保持一次性，播完即停止，不参与循环；
- 普通播报：播完一轮后自动停止。
耗尽检测必须基于「队列已清空且确认无后续内容」的事实，而不是仅凭时间估算，否则容易出现在最后一条话术尚未真正播完时，就误判为「已播完」并提前收尾的问题。
5.4 素材同步与延迟清理
话术关联的素材卡片需要与语音严格同步：语音讲到哪条，前端就显示哪条对应的素材。这一同步通过「同步标记 + 临时素材标识」实现：
- 每条话术开始播报时，把其关联素材以「临时素材」的方式推送到前端展示；
- 当话术之间切换时，下一条话术的素材自然接管，避免画面闪烁；
- 关键在于结束时的清理：只有当最后一条话术的音频真正播放完毕（收到音频结束帧）时，才下发「清理素材」的指令，而不是在预测的结束时刻就提前清理。
这个「延迟清理」设计解决了一类典型的时序问题：音频生产与推流之间存在链路延迟，若在预测时刻就清理素材，会出现「话术还没说完，图片先消失」的尴尬；改为以「音频实际播完信号」为清理触发点后，素材生命周期才与播报进度严格对齐。
六、播报状态机与语音控制
话术播报不是「一播到底」，而是被纳入统一的播报状态机管理，支持实时控制与打断。
6.1 控制指令
用户在播报过程中发出的语音指令，会被识别为「控制指令」，直接走控制逻辑而不经过大模型，因此响应迅速。主要指令包括：
| 开始播报 | 进入播报态，从第一页（或默认主题）开始播报 |
| 暂停播报 | 停止语音合成与话术取词，记住断点 |
| 继续播报 | 从断点处恢复播报 |
| 休眠 / 待机 | 终止播报，清空话术队列与断点，切换到待机态 |
其中「暂停」与「休眠」的语义不同：暂停是可恢复的，保留断点；休眠是终止，清空队列和断点，避免再次唤醒时把旧话术重新播出来。
6.2 打断与恢复
当用户用唤醒词打断播报、进入对话或问答模式时，系统会暂停话术播报但保留断点；交互结束后，根据之前的播报态决定是否自动恢复。这一机制保证了「播报 — 问答 — 继续播报」的无缝衔接。
6.3 自动播报信号
除了语音指令，系统还支持由上层智能体（Agent）在执行动作后下发「自动播报」信号，触发定向播报（如「播报某个绑定地址的话术」）。这类定向播报保持一次性，播完即止。
七、关键接口一览
服务接口层对外提供的能力可归纳为下表（接口路径与字段名已泛化）：
| 话术列表 | 分页查询，支持按用户 / 任务 / 主题 / 绑定地址过滤，返回列表与总条数 |
| 话术新增 | 提交文案、素材、绑定地址、主题、角色 |
| 话术更新 | 更新文案 / 素材 / 绑定地址 / 主题，字段级更新 |
| 话术删除 | 删除话术并清理其关联的媒体素材 |
| 话术排序 | 提交 ID 有序列表，批量更新播放顺序 |
| AI 生成 / 改写 | 基于话题生成口播话术，或对既有话术改写 |
| 主题管理 | 主题的增删改查，删除时级联删除话术 |
权限控制方面，话术的查看、修改、删除均校验归属，防止越权操作。
八、设计要点与工程实践
回顾整个功能，有几点值得提炼的设计经验：
素材与话术一体存储，播报时按条同步：把「说什么」和「显示什么」绑定在一条话术记录里，播报时以话术为最小同步单元，避免素材与语音脱节。
优先级队列保证交互优先：对话与事件高于自动话术，让数字人在「讲解」和「应答」之间切换时，交互内容能及时抢占。
服务端分页而非前端切片：话术数量增长后，列表必须走服务端分页，后端返回总条数，前端只加载当前页，降低传输与渲染开销。
用「实际播完信号」而非「时间估算」做收尾：实时链路的延迟不可忽略，素材清理、耗尽判定等收尾动作应绑定音频实际播放结束的帧信号，避免时序错位。
暂停与休眠语义分离：可恢复的暂停保留断点，终止性的休眠清空队列，二者不可混用，否则会出现「旧内容被重新播出来」的副作用。
定向播报与循环播报解耦：指定地址 / 主题的定向播报保持一次性，整批循环播报才允许回绕，避免「点播完又无限循环」的意外行为。
九、总结
「话术播报」让数字人从「会说话」走向「会按脚本讲、会讲得有声有色」。本文梳理了该功能的设计思路：
- 以「话术 + 素材 + 主题 + 地址 + 顺序」的结构化模型承载内容编排；
- 以「优先级消息调度 + 空闲填充 + 定向 / 循环过滤」的播报引擎驱动实时播报；
- 以「同步标记 + 延迟清理」保证素材与语音的严格同步；
- 以「播报状态机 + 控制指令」支撑语音化的实时控制与打断。
这套设计的核心，是把一批静态文案，转化为一个「编得清、播得准、控得住、不穿帮」的动态讲解体验。若您的团队正计划建设数字人播报能力，或希望对上述方案做进一步交流，欢迎关注并联系。
