导入
跑团这东西，一直想玩，但规则厚得劝退，人也永远凑不齐。现在大模型这么强了，让 AI 来当主持人（DM），一个人开团似乎也不是不行。刚好之前做过一个全双工实时语音对话的项目，管道是现成的，于是在它基础上做了这个语音跑团应用：全程不用打字，开口说话就能玩一场二三十分钟的单人冒险。
玩法
接入之后，接待你的先是「剧本推荐员」，一个桌游店老板人设的 AI，聊聊你喜欢什么题材、想避开什么，然后给你推荐剧本。选定之后它就切换成这个剧本的专属主持人，念开场白，正式开局。
开局之后的行动是完全自由的，没有选项列表这种东西。想撬锁就撬锁，想套话就套话，想掉头就跑也行，主持人会按你的意图接着往下编。需要判定的时候掷骰子，走到结局之后它会给你做个复盘点评，然后回到大厅，换本再来。
目前内置了十个剧本，悬疑、武侠、赛博朋克、克苏鲁、童话喜剧都有，具体列表就不贴了，README 里写得很全。剧本本身就是一个 JSON 文件，想加新本的话，让 AI 参考现有的仿一个就行，这一点README也有教程。
几个做得比较认真的地方
骰子是代码掷的，不是 AI 编的。 这点我觉得是跑团的底线。AI 说要判定时会调用工具，点数由代码真实随机产生，它必须照着点数编后果，大成功就是大成功，翻车就是翻车。不然整个游戏就变成 AI 哄你开心了。
主持人有记忆。 滑动窗口加滚动摘要加结构化事实三层，你半小时前拿到的钥匙、答应过 NPC 的事，它都记得。不会玩到后面忘了前面。
可以随时打断。 主持人说到一半你可以直接插话「等等，我不这么做」，它会顺着你的新意图继续，不会把整段重新念一遍。长段叙述做了防误触，咳嗽一声不会把开场白打断。
每个 NPC 有自己的声音。 本地用 CosyVoice2 做合成，不同 NPC 不同音色，还带情绪，愤怒、低语、悲伤都能听出来。没有显卡的话也有纯云端的方案，语音识别和合成都走 API，具体看仓库里的文档。
低延迟不是调几个 API 就行
表面上看，语音对话就是识别、大模型、合成几个 API 串起来。但真要变成一条可打断、可测量、低延迟的实时流水线，中间全是工程。
比如判断玩家「说完了」不能像对讲机一样等松开按键，得靠 VAD 做轮次判定：判停时间长了反应迟钝，短了又把玩家一句话拦腰截断。比如打断（barge-in）：玩家随时插话，正在合成和播放的音频要立刻作废，可「立刻作废」在流式系统里是竞态重灾区——旧回合的音频块晚到了怎么办？这里的做法是给每个回合一个代际编号（gen_id），凡是过期回合的产出一律丢弃，一条铁律管到底。再比如回声消除：扬声器放着 AI 的声音，麦克风又把它收回去，这个在 Web、Windows、Android 三套平台上的处理各不一样。
还有延迟打点。每回合从玩家闭嘴到听见声音，中间每个环节的耗时都会落到日志里，能渲染出 p50/p95 的瀑布图。没这个东西，「到底哪里慢」永远只能靠猜。
这些底座层面的工程大多来自 Realtime-Voice，跑团项目自己又在上面加了一层：LLM 的输出要流式切成句子送合成，NPC 的声线和情绪标记要在 token 流里边走边解析，相邻同声线的句子还得合并起来防止语气句间跳变；模型回复被长度上限截断时要自动接着续写；甚至「这句台词是哪个 NPC 说的」都不能全指望模型自觉，得有代码级的归属兜底。这些事单看都不大，但凑在一起，就是「玩起来顺」和「玩起来卡壳」的区别。
技术上的一句话总结
每一环都可插拔，想换别的模型照着接口加一个就行；前端网页是个哑终端，所有智能都在服务端。部署这块就不展开了，仓库里有份给 AI 助手读的部署指南，丢给它一句话就能装好。
结语
做完之后自己完整玩了几局，体验比预期好不少。最大的感受是，「自由行动」和「真实掷骰」这两条保住了，AI 跑团就有了跑团的魂，而不是一个披着跑团皮的聊天机器人。感兴趣的话可以 clone 下来玩玩看，也欢迎自己写剧本。