Commentary Grounding
Game State
万利娱乐让AI解说能够说出无限新句子以后，为什么体育游戏反而更需要一个严格的"不能乱说"系统？
万利娱乐 · 比赛解说系统笔记
传统体育游戏的解说是录音库拼接：几千条预录语音，按触发条件挑选播放。它的好处是绝对安全——每一句话都是人工写好、审核过的，不会说错。缺点也很明显：句子数量有限，反复听几场比赛就会发现同一句夸奖被复用了十几次。万利娱乐引入生成式解说模型之后，这个数量限制被打破了，模型可以根据当前场上情况现场组织语言，理论上不会有两句解说完全相同。但这恰恰带来一个新问题：生成能力越自由，越需要一套更严格的约束系统，因为自由生成的代价是模型有可能编出听起来通顺、但内容错误的句子。
这就是我们内部称为Commentary Grounding的核心机制。它的逻辑很简单：解说模型不允许凭自己的"记忆"或概率倾向去描述比赛，它每次生成句子之前，必须先读取当前的Game State——包括比分、比赛时间、当前在场上的球员名单、最近发生的Event（进球、犯规、换人、暂停）等结构化数据。生成的句子只能基于这份结构化数据里明确存在的事实来组织语言，模型可以自由选择用词、语气、修辞方式，但不能自由选择"发生了什么"。换句话说，解说的创造力被限制在表达层面，事实层面完全被Game State锁死。
一个真实会出现的失败案例：如果解说系统没有严格核对在场球员名单，就有可能在某名球员已经被换下场之后，仍然生成一句"某某球员长途奔袭杀入禁区"这样的解说——这名球员此刻根本不在场上。这类错误对玩家的沉浸感杀伤力极大，因为它不是语气生硬，而是直接说了假话。
要避免这种失败，Commentary Grounding在工程实现上通常包含几层校验。第一层是生成前校验：系统在把Game State喂给解说模型之前，先确认这份状态本身是最新的、无冲突的，例如换人事件是否已经完整写入在场球员列表，避免用旧快照生成解说。第二层是生成中约束：给模型的提示词里显式列出允许提及的球员范围和当前比分，而不是让模型自己去"猜"或"回忆"上一句提到过谁。第三层是生成后校验：对模型输出的句子做实体抽取，检查其中提到的球员姓名、比分数字是否都能在当前Game State里找到对应记录，一旦出现无法核实的实体，直接丢弃这句话，退回到更保守的备用表达。
这三层校验带来的直接后果是，解说系统的响应会比"完全自由生成"慢一点，也会比"完全自由生成"保守一点——遇到无法确认的情况，系统宁可用一句笼统但安全的过渡语句，也不会赌一句可能出错的具体描述。这是一个有意的取舍：体育游戏的解说不是小说创作，它的第一职责是准确描述正在发生的比赛，生动只能排第二位。如果两者冲突，Commentary Grounding的设计原则是准确优先。
另一个容易被忽略的点是时间维度上的一致性。比赛解说不是孤立的单句生成，而是连续的叙事——上一句提到"某队还剩两名换人名额"，下一句如果又用了矛盾的数字，即使每一句单独看都没有事实错误，连起来听也会显得系统很不可靠。所以Commentary Grounding除了核对单句里的事实，还要维护一个滚动的"已经说过什么"的记录，防止解说前后矛盾，也防止不必要的重复。这部分工作量比单纯生成句子要大得多，但正是这套底层约束，才让"无限新句子"这件事从一个噱头变成一个真正能长期使用的功能，而不是几场比赛之后就被玩家发现漏洞的花架子。
Crowd Emotion
Event
万利娱乐生成球场观众反应以后，为什么十万人同时欢呼不一定比正确时间的一次安静更加真实？
万利娱乐 · 球场氛围系统笔记
做球场观众氛围最容易踩的一个坑，是把"真实感"简单等同于"规模感"——觉得观众声音越大、动作越夸张，就越像真实比赛现场。这个直觉在做demo展示的时候确实好用：满场欢呼、彩带齐飞，第一眼冲击力很强。但只要连续玩上二十分钟，问题就会暴露出来：如果每一次射门、每一次犯规、甚至中场休息前的例行传球都触发同样级别的爆炸式欢呼，观众反应就失去了信息价值，变成一种背景噪音，玩家很快会把它自动屏蔽掉，不再当作比赛的一部分去感知。
万利娱乐在做Crowd Emotion系统时，出发点和Commentary Grounding是一致的：观众反应必须紧密绑定到具体的Event上，而不是绑定到一个笼统的"比赛正在进行"状态。系统需要先判断当前这个事件在整场比赛的语境里意味着什么——是常规进攻的普通一脚射门，还是补时阶段绝杀球，还是主队球员在关键时刻的低级失误——然后再决定观众反应的强度、类型和持续时间。同一个"射门未进"的动作，发生在比赛第十分钟和发生在读秒绝杀阶段，观众该有的反应级别完全不同，如果系统对这两种情况给出同样的欢呼强度，反而会让玩家觉得虚假。
一个反直觉但很关键的设计经验：某一方球员在决定性时刻罚丢点球后，全场陷入短暂安静，比任何夸张的失望音效都更让测试玩家觉得"这就是真实的比赛现场"。安静本身也是一种被生成、被计算时机的反应，它需要系统准确识别这是一个"高期待、结果落空"的事件，并主动压低而不是填满声音层。生成沉默和生成欢呼在工程上同样需要精确的事件判断，只是输出的声音能量方向相反。
要做到这一点，Crowd Emotion系统需要维护一条独立于单个事件的"比赛张力"曲线：不仅看当前这一个Event是什么，还要看它出现在什么样的比分背景、什么样的比赛阶段、之前几分钟观众情绪已经积累到什么水平。同样一次角球解围，在比分胶着的补时阶段和在大比分已经确定的垃圾时间里，观众反应的意义完全不同，系统需要把这种上下文差异体现在声音的强度曲线里，而不是让每个事件触发一段互相独立、听不出关联的音效。
另一个容易被忽视的维度是空间与角色的区分。整片看台不是一个单一声源，主队球迷聚集区域和客队球迷聚集区域在同一事件下应该有方向相反的情绪反应——主队进球，一侧欢呼另一侧安静甚至发出嘘声，这种空间上的对比本身就是氛围真实感的一部分。如果系统只生成一段全场统一的音效层，无论多响都会显得单薄，因为真实赛场的声音从来不是均匀分布的，它带有明确的立场和方向。这也是为什么Crowd Emotion的实现不能只调音量参数，而要同时处理事件类型、比赛张力、球迷阵营这几层信息的组合，最终呈现出来的效果，宁可在关键时刻收着来一次精准的安静，也不要用持续的高音量去掩盖对时机判断的欠缺。
Personalization
Ground Truth
万利娱乐让不同玩家听到不同比赛解说以后，为什么个性化解说仍然不能改变比赛真正发生过的事实？
万利娱乐 · 个性化解说系统笔记
个性化解说是万利娱乐里比较容易被误解的一块功能。它的表面效果是：两个玩家看同一场比赛回放，一个人听到的解说更偏重进攻球员的个人表现，另一个人听到的解说更偏重防守组织和战术布置；一个人的解说风格偏冷静克制，另一个人偏激动煽情。这种差异很容易被理解成"每个人看到的比赛不一样"，但这个理解是错的——个性化解说改变的只是表达层，不是事实层，比赛里真正发生过的进球、犯规、换人、比分，对所有玩家来说必须完全一致，不会因为个性化设置而产生任何偏差。
这个原则听起来是常识，但在系统实现上并不是自动成立的，需要专门的架构设计来保证。万利娱乐的个性化解说管线分成两个独立的阶段：第一阶段是事实抽取，把Game State和Event流转换成一份不带风格、不带情绪倾向的"比赛事实清单"，这份清单对所有玩家共享，任何个性化设置都不允许修改它的内容，只能决定接下来要不要引用其中的某一项、以什么顺序引用。第二阶段才是风格渲染，根据玩家的偏好参数，把事实清单里选中的条目组织成带有特定语气、侧重点和详略程度的解说文本。个性化只发生在第二阶段，第一阶段的事实清单是所有个性化版本的共同起点，也是唯一的真相来源。
这套两阶段结构带来一个具体的工程约束：任何风格渲染阶段的修改，都不允许反向影响事实抽取阶段的输出。比如一个偏好"简洁播报"的玩家设置，只能让系统在事实清单里挑选更少的条目播报，而不能允许系统为了让播报更简短就篡改比分、合并两次不同的换人为一次，或者省略一次改变比赛走向的红牌判罚。凡是关键事件，无论解说风格多么简洁，都必须被完整保留在渲染结果里。
这个约束在多人对战或者好友之间对比赛回放交流的场景下尤其重要。如果两个玩家因为解说风格不同，最终对"比赛里到底发生了什么"产生了不同的理解——比如一方的解说弱化了某次争议判罚，另一方的解说着重强调了它——那么个性化就从一个体验优化功能变成了信息失真的来源，这是系统设计上必须避免的结果。万利娱乐对此的处理方式是给关键事件类型设置最低呈现优先级，红牌、点球、绝杀球这类改变比赛走向的事件，无论玩家的个性化偏好如何设置，都有一个不能被压缩掉的最低呈现要求，风格可以千差万别，但事件本身的呈现不能被省略或弱化到不可辨认的程度。
从系统设计的角度看，个性化解说真正解决的问题是"用什么方式讲"，而不是"讲什么"。它让不同玩家可以按自己的偏好去消费同一场比赛的信息，有人想要数据流水式的精确播报，有人想要更口语化、更带情绪的叙述，这些偏好完全可以共存，只要它们都建立在同一份不可篡改的事实清单之上。一旦个性化开始触碰事实层，哪怕只是无意中因为压缩篇幅而漏掉一个关键事件，都会破坏玩家之间对同一场比赛的共识，这也是为什么事实抽取和风格渲染必须被严格分成两个独立阶段来实现，而不是让一个模型端到端地生成，那样很难保证两个玩家看到的版本在事实层面完全一致。