首页《英雄联盟》运营了将近17年，团队公布10月份即将上线“全队玩家语音聊天”功能。这件事拖了这么久，背后牵出的是游戏语音要解决的一整套技术问题，延迟、弱网、降噪、审核。这篇想借着这条新闻，把游戏语音的技术门槛说清楚。
一.英雄联盟之前的语音限制
Riot Games成立于2006年，《英雄联盟》2009年10月27日上线，这款游戏到现在运营了快17年，玩家规模庞大，2024年全球总决赛（Worlds）决赛峰值同时观看人数694万，2025年是670万，比当年关注度第二高的赛事系列高出72%。
这款游戏运营了这么多年，语音聊天却一直是个半成品功能。Riot官方在今年9月8日的开发者更新里说得很直接：”除了现有的、只能让你和预组队的队友语音的系统之外，我们现在要把语音功能扩展到可以和你队伍里的所有人聊天。”翻译一下就是：之前只有跟好友一起排队进入的那批人之间能语音，如果队伍里有随机匹配来的陌生人，这几个人之间是没法语音的。
二. 游戏组队语音是什么，怎么实现的，会有什么技术挑战
游戏里的组队语音，基本流程是这样的：每个玩家说话的声音先被麦克风采集，编码成数据包，通过网络传给服务器（或者直接传给队友，取决于架构），服务器把多个人的语音流混合或者分别转发，到达每个人的设备上再解码播放出来。听起来简单，但电竞场景对这条链路的要求比普通语聊房高得多，至少有这几个难点。
延迟：团战等不起
团战是秒级甚至毫秒级的事，一句”闪现在这”喊出去，语音传到队友耳朵里要是慢了两三百毫秒，配合可能已经来不及了。延迟要求比聊天软件严格得多。
弱网抗丢包
电竞玩家的网络环境千差万别，有人用光纤，有人用不稳定的宽带甚至热点。丢包率一高，语音就容易变成机械音或者直接断断续续，这种时候最影响团战沟通。
降噪和回声消除
机械键盘的敲击声、风扇声、麦克风本身的环境噪音，都会混进语音里；多人同时说话时还要解决回声和抢话的问题。这块听起来是细节，实际上直接决定语音聊天能不能用，太吵的话队友宁愿关麦。
规模和并发
《英雄联盟》全球同时在进行的对局数量巨大，每一局都要给五人队伍临时开一条语音通道，比赛结束立刻关掉，这种高频次的创建和销毁，加上要覆盖全球不同地区的玩家，对底层基础设施的弹性要求很高。
审核和毒性管理
这是Riot自己点出来的那个卡了17年的关键原因。语音聊天的毒性问题比文字聊天更难处理：文字可以关键词过滤，语音没法简单这么做，得先识别内容再判断。第三方调研机构Speechly在2023年的一份报告里给出过具体数字：接近70%的美国玩家用过语音聊天，其中49%遭遇过毒性行为，如果只看用语音聊天的玩家，这个比例升到72%，报告明确说语音聊天是游戏内毒性最严重的渠道，比文字聊天和游戏内行为都更突出，而且只有大约三分之一的受害者会去举报。这也解释了为什么Riot这次给语音功能设了荣誉等级门槛。
三. 怎么解决这些技术挑战
对着上面五个问题一条一条看，声网在游戏语音这块做的事情，正好覆盖了每一层。
延迟和弱网抗丢包
声网的游戏语音方案，在80%丢包率下仍能保持对话流畅，断网三到五秒也能恢复响应，不需要重新建立连接。这个指标背后不是一个单一技术，是几层机制叠在一起。发送端和接收端会持续监测带宽、延迟、抖动和丢包率这几个数据的实时变化，网络一变差，码率、分辨率这些参数会跟着动态调整。丢包这块用的是两种互补的机制：一种是ARQ重传，接收端发现关键包没到就向发送端请求重传，代价是要等一次来回的延迟；另一种是FEC前向纠错，发送端在发原始包的同时顺带发一些冗余的纠错包，哪个包丢了直接靠剩下的包推算出来，不用等重传，延迟极低。
路径这一层，声网用的是SD-RTN这张软件定义实时网：调度系统持续采集各节点间的链路质量、带宽和负载数据，动态算出一条延迟最低、最稳定的传输路径，而不是固定走一条线路。
降噪和回声消除
声网AI降噪引擎的端到端处理延迟低于40毫秒，移动端CPU占用不超过10%，能识别100多种突发噪声类型，专门针对键盘敲击声、风噪、家庭背景杂音、多人抢话这几种游戏语音里最常见的干扰场景做过模型训练。通过DNN-based Masking，让深度神经网络给语音和噪声分别打上”掩蔽”标签，同时看时域的原始波形和频域的频谱图两种信息，而不是只靠一种视角去判断哪部分是人声、哪部分是噪声。
训练数据是数千万条真实游戏场景里采集的语音，不是录音棚里的干净素材，这也是为什么模型能准确识别键盘敲击、风噪这类游戏场景特有的干扰声。多人同时说话、抢话的场景里，模型还有一个”主发言人优先建模”的机制，会优先保证当前正在说话那个人的声音清晰，而不是把所有麦克风信号一视同仁地处理。
规模和并发
声网的游戏方案覆盖30多个平台开发框架、3万多款移动终端，覆盖全球200多个国家和地区、平均延迟400毫秒、可用性99.99%。这组数字说的是基础设施本身的覆盖面，对应的是”每局比赛都要临时开一条语音通道、覆盖全球玩家”这个规模问题，具体怎么撑住这种高频次的频道创建和销毁，还要看底层架构。
声网把”频道”这层逻辑单独拆出来管理，用专门的模块记录每个频道里有哪些人、分别是什么角色、彼此之间有没有互动关系，每局比赛开一个新频道，互相之间是隔离的，不会串。玩家接入的时候，调度模块会就近找一个物理距离更近的服务器入口，把全球涌入的连接请求分散到不同节点上，避免所有人都挤在同一个点排队。后台还有一套监控机制，持续探测各节点的健康状况，一旦某个节点出问题就会被自动下线，新接入的对局不会被分配到这个有问题的节点上。
审核和毒性管理
声网在这一层提供的是让审核真正能落地的底层能力。声网有专门的音视频内容审核解决方案，把”游戏语音开黑”列为核心应用场景之一，对应的正是”言语辱骂、不当言论、商业引流”这类违规语音的治理需求。
真正能说明前面这几层能力在游戏语音场景里怎么落地的，是声网和Oopz的合作案例。Oopz是PC端游戏语音赛道排进前三的平台。
这次合作解决的是一个听起来矛盾、实际很常见的问题：降噪不彻底和过度降噪。降噪力度不够，键盘声、风扇声漏进语音里，体验差；降噪力度太强，又容易把人声本身的细节一起抹掉，声音发闷发假，用户反而觉得更难受。这个平衡点很难靠纯算法在办公室里调出来，因为真实世界的噪声场景太杂。
声网为此专门搭了一个负本底噪声声学实验室，里面有全消声室和混响室，用来在接近真实环境的声学条件下采集噪声样本、反复训练和校验降噪模型，而不是只用录音棚里的干净样本去训练。这套合作后续还计划往主播端场景延伸，说明同一套底层能力，从普通玩家开黑延伸到直播场景是可以复用的。
四. 写在最后
一个运营了17年的头部游戏，全队语音聊天这么基础的功能都要打磨这么久才敢上线，背后是延迟、弱网、降噪、审核这几层工程缺一不可。这也是游戏语音这件事的真实门槛：表面是一个开关，底下是一整套基础设施。如果你的产品有游戏语音、游戏社交或者游戏直播方面的需求，可以进一步了解声网的游戏解决方案。
