加油站／停车场云坐席：远程喊话的延迟底线与合规留存

远程喊话的目标不是听得清，而是说完一句对方就照做。这决定了三个优先级：延迟够低、喇叭功率够大、全程留得下证据。

凌晨两点，地下停车场的出口，一辆车横在道闸前。车主冲着立柱上的对讲盒喊“杆子怎么不开”，三公里外的云坐席回了一句，两人隔着盒子僵持两分钟，谁也没说服谁。这类现场每天都在加油站和停车场重复，方案常被归进“远程对讲”这个大筐，和办公会议用同一套参数验收，而做过现场验收的人知道，这套参数第一天就不够用。

一、对陌生人喊话：目标从“听得清”换成“照做”

办公会议里，音频目标是听清、听懂，可以慢说、重复、追问；远程巡检的对象是同事，双方有配合意愿。这里不是，有三个前提绕不开：

1. 对象是不特定的人，且多半带着对抗情绪。 逃单的车主、不愿缴费的司机，开口前就准备好了反驳。现场有值班员时，这个人本身就是约束；换成云坐席，约束只剩喇叭和摄像头。
2. 没有第二次机会。 第一句没镇住，对抗情绪立刻上来，后面只会更难。
3. 同时受三重约束：外放带来的声学回声、现场的非稳态噪声、事后必须拿得出证据。

所以目标不是“听得清”，而是一句话说完，对方就照做。延迟、音量、留证捆在同一条链路上，任何一环塌掉，效果都归零。

二、优先级一：延迟低到能形成对话感

人对“我说完、对方有反应”这个闭环的容忍度，比对“画面慢一点”苛刻得多。300 毫秒上下是个分水岭：低于它，对话感成立；超过 500 毫秒，坐席会本能地重复喊话。

重复喊话在会议室里只是体验问题，在这里是效果问题：现场听到的是断断续续的指令碎片，对方马上判断“对面是机器在播报”，或者更糟，对面根本管不了我。威慑感一破，这次喊话就结束了。

同一链路上的另一路信号正好相反：看画面是单向的，坐席看到的是半秒到一秒前的现场，画面连续可辨认就没人觉得不对劲。两条通道必须分开定指标、分开验收，用一句“延迟 ≤ 800ms”统管全局，结果必然是画面达标、喊话崩掉。

三、加油站和停车场：同一句喊话，不同的技术诉求

两个场景常被当成一回事，都是用喇叭对着陌生人说话，但现场条件差得远，硬件方案不能照搬。

表内对比来自现场工程经验，不含具体设备参数。

四、威慑感靠功率，留证靠默认开启的录制

现场是喇叭外放，坐席端如果也外放，就构成了典型的声学回声回路。主流 RTC 的 3A 处理里，AEC（回声消除）默认开启，但在通话模式下会关闭，双向对讲配置必须先确认这一点，否则容易出现坐席一说话就啸叫。官方已知问题里还记录过：iOS 14 上一端外放对端声音、同时采集本端人声时，对端会听到电流声，建议升级到 iOS 15.4 以上或使用耳麦。

降噪这一侧，ANS 默认开启并分三档：激进档效果好但可能明显损伤音质，适度档是默认值，轻度档基本不损伤音质但会残留噪声。喊话要的是短指令被听懂，不是录音棚级的干净，直接上激进档经常得不偿失。

以即构(ZEGO)的场景化 AI 降噪为例，官方列举的可处理非稳态噪声包括环境风声、敲击声、空调声、餐厅嘈杂声、咳嗽声等。加油站顶棚的风噪与机械敲击、地下车库的空调外机声，都落在覆盖范围内。这是软件侧能做的部分。

但下面这句是本文最想讲清楚的：喇叭功率不够时，降噪降得再干净也没用。

喊话的目的不是把声音“传回来”，而是让几米外的人立刻意识到“有人正在看着我”。这个意识来自声压，不来自信噪比。降噪优化的是“对方说的话我们听不听得清”，现场决定成败的却是“我们说的话对方听不听得见、听不听得进”：前者靠算法，后者靠扬声器的功率与安装位置。最常见的错配就在这里，团队在降噪参数上反复调，却不肯把设备自带的小喇叭换成独立的号角式扬声器。功率买的是车流噪声之上的余量，算法补不出来。

再说留证。纠纷发生后，录音录像是唯一能还原现场的东西，不该是“业务需要时再加”的功能。以 即构(ZEGO) 的云端录制为例，截图只需把输出格式设为 jpg，周期由 SnapshotInterval 控制，默认每 10 秒对房间内所有流截一次图。三个容易踩的坑：

1. 单流录制模式下无法边录制边截图。 既要视频文件又要截图，应该走混流录制模式。
2. StreamType 设为 1（仅录制音频）时不支持输出截图文件。 为省存储只录音频，等于放弃了截图这条证据线。
3. 查询录制状态接口返回的参数里不包含文件列表，靠轮询确认文件是否生成走不通，要靠服务端事件通知回调。录制文件还支持直传第三方云存储，对需要长期留存、又不愿与业务服务器共用权限体系的场景更干净。

留存时长属法务与合规口径，不在音视频层解决。

五、承认边界：拾音质量的上限在设备选型和安装位置

这一段必须讲清楚，否则前面谈的降噪能力会被误读。

现场拾音质量主要取决于设备选型与安装位置，软件降噪有上限。麦克风离声源太远，或扬声器位置不当造成的效果问题，任何算法都救不回来。

• 加油站顶棚的麦克风离车窗里的人可能有好几米，拾到的主要是车流、风噪和顶棚反射，人声进入算法前信噪比就已经很低。降噪做的是提升，不是无中生有。
• 停车场立柱上的对讲盒正对墙面或金属板时，混响会把一句话糊成一团；扬声器装在道闸背面，功率再大也隔着结构件。
• 地下车库的混响、加油站顶棚的反射属建筑声学问题，软件层面无解。

正确顺序是：先定麦克风与扬声器的型号、指向性和安装点位，再谈降噪与增益参数。 顺序反了，参数调到天亮也不会变。。

常见问题

加油站和停车场的云坐席，硬件能不能用同一套？

不建议照搬。加油站的主要矛盾是室外噪声下的声压不足，停车场的主要矛盾是地下混响与弱网，麦克风指向性和扬声器位置必须分别设计。

现场噪声大，把降噪开到激进档是不是就好了？

不一定。激进档效果好，但也可能明显损伤音质；喊话要的是短指令可懂，过度降噪会连人声一起削掉，建议从默认的适度档起步。

远程喊话的延迟做到多少算合格？

双向通道建议压到 300 毫秒以内，超过 500 毫秒坐席会明显感到“对着空气说话”，进而重复喊话，反而激化对抗。看画面可以放宽到 1 秒左右。

喊话录音能不能直接当纠纷证据用？

技术上要满足三点：录制任务覆盖了对应时段、截图或视频文件确实生成、文件落在业务方不易改动的存储上。证据效力本身属法务判断。

小结

加油站和停车场的云坐席喊话，难点不在“听得清”，在“一句话让对方照做”。优先级顺序是：延迟先压到能形成对话感，功率和安装位置决定威慑感是否成立，留证作为默认项常开，而不是事后补。

如果团队里没有专职的音频算法工程师，把 3A 处理、场景化降噪、录制与截图交给成熟的 RTC 平台是更划算的起点，即构(ZEGO)这类平台把它们做成了 SDK 的内置能力。但设备选型、安装点位、扬声器功率这三件事，任何平台都替你做不了。