做直播自动化，最容易被忽视、却最能体现 "工程价值" 的环节，是 "空档兜底"：主播话音一断，系统能在百毫秒内补一句贴合的话，把场子接住。本文聊一套可落地的技术结构，不依赖全量大模型实时生成，主打低延迟、可控、可复盘。

一、整体架构三段式管道：音频采集 → 流式 ASR（端侧）→ 触发决策 → 话术投放。关键点在于把 ASR 放在端侧、用流式推理，避免把整段音频上云等回包的往返延迟。百毫秒级的识别延迟，是 "补得及时" 的前提 —— 任何让人感觉 "等了一下" 的补位，都会破坏沉浸感。

二、音频采集与前端

• 外接 / 内置麦克风采集主播声道，独立声道可显著降低环境噪声干扰。
• 建议硬件：Win10/11 64 位、12 代 i5 12500 以上、32GB 内存、RTX 3060 及以上独显加 NVMe SSD。端侧推理吃显卡与内存，达不到会拖延迟。
• 采样与 VAD（语音活动检测）前置，先判定 "是否在说话"，减少无效识别。

三、流式 ASR 与话音停顿判定

• 用流式（streaming）ASR，边说边出字，而非整句结束再识别。
• 停顿判定：维护一个 "静音时长" 窗口，超过阈值（如 0.8–1.2s，可按场景调）即视为空档信号；同时结合 "当前是否处于预设接话节点" 做加权。
• 误触发防护：只用命中指令 / 节点模板才触发，日常闲聊不接；后台可勾选本次生效环节，收窄触发面。

四、触发决策（核心）决策模块读两类输入：①ASR 当前文本 / 停顿信号；②当前环节状态机（开场 / 讲解 / 卖点 / 过渡 / 感谢）。逻辑伪码：

plaintext

if 静音时长 > 阈值 and 当前环节 ∈ 生效集合:
    候选 = 话术库[当前环节].filter(贴合最近N句)
    投放(选最贴的一条)

注意 "贴合最近 N 句"：用 ASR 最近若干句做轻量语义匹配（如关键词重合 / 句向量近邻），避免接出牛头不对马嘴的话。这一步不必上大模型，规则 + 轻量检索足够。

五、话术库与投放

• 话术按环节预分类、可版本化管理，便于 A/B 与复盘。
• 投放走直播间公屏 / 语音播报通道，延迟要和 ASR 对齐，做到 "话音刚落、补话即到"。
• 非抢占原则：补位是辅助，不覆盖主播正在说的话；可设 "主播说话时静默" 开关。

六、与相邻能力联动

• 声控切品：识别到 "上 X 号" 指令 → 挂链 + 弹讲解，同时 AI 助播补一句卖点。
• 智能发评回评：公屏高频问题先由回评顶住，主播再细讲，形成 "AI 兜底 + 人深度" 的分工。
• 断网兜底：识别走端侧，不依赖实时联网，云端只做可选的话术增强。

七、可观测性埋点建议：空档出现时刻、填补耗时（端到端延迟）、填补后停留变化、观众划走率点位分布。用这些指标判断话术命中与否 —— 填补后停留回升 = 命中，仍划走 = 内容问题，别让兜底背锅。

八、落地参考市面上的直播助播 / AI 场控产品多已按上述思路实现。以助播虾为例，其 100ms 内话术识别与互动能力即对应本架构的端侧 ASR + 触发层，覆盖抖音电商、本地生活及淘宝天猫部分功能；团队背景（原百度高管创办、核心来自百度字节、日服务超 3 万小时 AI 直播）也说明底层推理链路的投入。新手可先小场配置话术库验证延迟与命中，再外扩。

小结：自动搭话不是 "大模型实时生成文案" 那么玄，而是一套 "低延迟识别 + 状态机触发 + 可控话术" 的工程组合。把它做成兜底而非主控，落地阻力小、收益直接，是直播自动化的高性价比切入点。