技能介绍

直播带货、客服互动等场景里，话术是否合规、关键引导是否说到、违规用语是否出现，往往只能靠人工盯屏或事后回放。音频流一旦开始，漏检一句就可能带来投诉或处罚；多场景（开场、讲解、促单、客服）之间切换也快，单靠记忆很难对齐「当前该说什么、不该说什么」。

直播间话术巡检把这条链路做成可观测的流水线：从音频入口到规则判定再到可视化与告警，让运维或合规同学能实时看到转写结果和命中情况，而不是事后补锅。

整体数据流可以概括为：音频采集 → 阿里云 ASR 流式转写 → 规则引擎 → 场景切换 / 告警 → WebSocket 推送到大屏。

音频采集：config.yaml 里 streamer.capture_mode 支持 system_audio（系统声卡，文档推荐）、stream（RTMP/FLV）、hybrid、watch（监听录制目录）。macOS 常用 BlackHole + 多输出设备；Windows 可用 VB-Cable 或立体声混音。采集侧会做静音检测（非零字节比例），便于判断路由是否配好。
ASR：通过 WebSocket 送裸 PCM（如 16kHz 单声道），处理 TranscriptionResultChanged（流式中间结果）与 SentenceEnd（句末全量），中间结果也会进规则引擎（is_partial=True），大屏可逐字更新。
场景与规则：app.scene_mode: auto_keyword 时，用 switch_keywords 做子串匹配驱动场景切换；rules[] 独立配置告警关键词，支持缺失告警、频次、组合等类型。关键词匹配以精确子串为主，长度 ≥3 的可做有限模糊（max_l_dist=1）。
大屏：场景指示、告警灯（绿/黄/红）、告警历史、关键词最近命中时间等，由后端经 WebSocket 推送。

依赖阿里云智能语音（AppKey、AccessKey、区域等），Token 走 REST + HMAC-SHA1，与具体推流平台无强绑定，但你要自己解决「系统里能听到的那路音频」怎么送进 FFmpeg。
macOS 上麦克风权限挂在启动 Python 的父应用上；BlackHole 无播放时抓到全零是正常现象，不是采集 Bug。
hybrid 会先尝试拉流并可能空等超时，不确定推流地址时文档建议直接用 system_audio。
场景识别准确度高度依赖 switch_keywords 是否贴合真实话术；告警去重、partial/final 处理顺序已在 v2 中按「先判定告警再 dedup」等方式调整，升级旧配置时需对照 changelog。