不知道大家关注没有 Rokid 的眼镜啊，最近可是非常的火，我也是第一时间去看了新品发布会，里面有很多的功能还是很震撼的。

人非常多，也遇见了好多的老熟人，当然也有自己比较关注的 up 主 tim。

当然说回来，我们也来聊一个 Rokid 眼镜上的一些应用开发，毕竟它能给我们带来哪些创新性体验，才是我们更关注的。
在官方的 SDK 中有个提词器场景，其实官方 SDK 其实已经把提词器能力封装得比较完整了，当然我们在这个基础上，在增加点“小玩意”，比如“自动跟读滚动”～！

---

一、为什么我开始折腾“自动跟读滚动”

做内容的人应该都有过类似的崩溃体验：

• 要么是提词器滚得太快，被迫狂读；

• 要么就是滚得太慢，自己说完一句还要在那里干等着字幕挪下去。

在 Rokid 的 AR 眼镜上，这个问题更明显——屏幕就在眼前，一旦节奏不对，很容易被打乱思路。

Rokid 的 GlassesSDK 里，其实已经把提词器能力封装得比较完整了：既包括基础的“打开场景 + 下发文案”，也包括基于 ASR 结果的 AI 实时滚动能力。

这篇文章就按照我自己的实战过程，从 0 到 1 带你把提词器场景跑起来，然后结合 GlassesSDK 文档里给出的接口，做一个“让提词跟着我说话走”的自动跟读 Demo，顺便聊聊还能玩出哪些新花样。

---

二、先对照 GlassesSDK 文档，把提词器能力说清楚

在 GlassesSDK 文档里，提词器是一个独立的 CXR 场景（scene），核心接口正是你给到的这几组：

1）打开 / 关闭提词器场景

fun openOrCloseWordTips(toOpen: Boolean): ValueUtil.CxrStatus? {
    return CxrApi.getInstance()
        .controlScene(ValueUtil.CxrSceneType.WORD_TIPS, toOpen, null)
}

• 对应文档里的 controlScene(ValueUtil.CxrSceneType.WORD_TIPS, openOrClose, null)。

• 返回值是 ValueUtil.CxrStatus，常见取值：REQUEST_SUCCEED / REQUEST_WAITING / REQUEST_FAILED。

2）发送提词器内容（脚本文本）

private val sendCallback = object : SendStatusCallback {
    override fun onSendSucceed() {
        /* 文案下发成功 */
    }

    override fun onSendFailed(p0: ValueUtil.CxrSendErrorCode?) {
        /* 记录错误码 */
    }
}

fun setWordTipsText(text: String, fileName: String): ValueUtil.CxrStatus? {
    return CxrApi.getInstance().sendStream(
        ValueUtil.CxrStreamType.WORD_TIPS,
        text.toByteArray(),
        fileName,
        sendCallback
    )
}

3）配置提词器场景参数

fun configWordTipsText(
    textSize: Float,
    lineSpace: Float,
    mode: String,
    startPointX: Int,
    startPointY: Int,
    width: Int,
    height: Int
): ValueUtil.CxrStatus? {
    return CxrApi.getInstance().configWordTipsText(
        textSize, lineSpace, mode,
        startPointX, startPointY,
        width, height
    )
}

• mode 支持 "normal" 和 "ai"，后者就是文档里提到的“AI 模式，ASR 触发自动滚动”。

4）发送提词器 ASR 结果（AI 实时滚动的关键）

fun sendWordTipsAsrContent(content: String): ValueUtil.CxrStatus? {
    return CxrApi.getInstance().sendAsrContent(content)
}

• 文档里的描述是：当模式为 "ai" 时，如果 ASR 结果触达当前画面尾部的几个字符，提词器会自动上滑。

• 所以这个接口不是“控制滚动速度”的，而是把“已经说出来的话”同步过去，让 SDK 自己做对齐和滚动判断。

理解完这四块之后，你再回头看 GlassesSDK 文档，就会发现：官方给出的其实是一套比较完整的“场景 + 数据流 + 模式配置 + ASR 同步”能力，我们要做的，只是基于这些接口配出一个顺畅的业务链路。

---

三、从 0 到 1：一个最小可用的 Rokid 提词器 Demo

下面这段 Kotlin 代码是我自己在 Demo 工程里的写法，基本就是对上面几个接口做了一层业务封装：

class TeleprompterManager {

    private val sendCallback = object : SendStatusCallback {
        override fun onSendSucceed() {
            /* 这里可以做一些 UI 提示 */
        }

        override fun onSendFailed(error: ValueUtil.CxrSendErrorCode?) {
            /* 打日志排查 */
        }
    }

    fun open() {
        val status = openOrCloseWordTips(true)
        // 建议对 status 做判断，避免在 REQUEST_WAITING 状态下频繁请求
    }

    fun close() {
        openOrCloseWordTips(false)
    }

    fun updateScript(text: String, fileName: String = "speech.txt") {
        setWordTipsText(text, fileName)
    }

    fun configNormalMode(
        textSize: Float = 26f,
        lineSpace: Float = 1.4f,
        startPointX: Int,
        startPointY: Int,
        width: Int,
        height: Int
    ) {
        configWordTipsText(
            textSize,
            lineSpace,
            "normal",
            startPointX,
            startPointY,
            width,
            height
        )
    }
}

在 AR 眼镜上调试的时候，建议一开始先把文字区域画得小一点、靠下边缘一些，避免完全挡住视线。
等用户习惯了之后，再通过配置给他一个“沉浸式”的全屏提词体验。

---

四、关键一跳：把 GlassesSDK 里的 AI 实时滚动用起来

根据文档，configWordTipsText 的 mode 参数是整个“自动跟读滚动”的开关：

• "normal"：普通模式，不关联 ASR，主要依赖定速或手动滚动；

• "ai"：AI 模式，结合 sendWordTipsAsrContent 的内容，当识别文本触达当前画面尾部时自动上滑。

所以要让提词器“跟着我说话走”，必备的两步就是：

1. 先把模式配置成 "ai"；

2. 在语音识别有新结果时，调用 sendWordTipsAsrContent 把文本同步过去。

示例代码：

fun configAiMode(
    textSize: Float = 26f,
    lineSpace: Float = 1.4f,
    startPointX: Int,
    startPointY: Int,
    width: Int,
    height: Int
): ValueUtil.CxrStatus? {
    return configWordTipsText(
        textSize,
        lineSpace,
        "ai", // 开启 AI 模式
        startPointX,
        startPointY,
        width,
        height
    )
}

fun onAsrResultChanged(asrText: String) {
    // 这里的 asrText 一般是“当前已说出的全部内容”或者到当前句子的累积文本
    sendWordTipsAsrContent(asrText.trim())
}

这里有几个和文档强相关的细节：

• 建议按“累积文本”发送，而不是只发最后几个词，这样更容易和脚本做对齐；

• 不要在 REQUEST_WAITING 状态下频繁调用，避免把 SDK 拍“懵”；

• ASR 文本在发送前做一点清洗（去掉多余空格、重复标点），可以减少误判滚动。

---

五、接上语音识别：完整的“自动跟读滚动”链路

从 GlassesSDK 的角度看，它只关心一件事：你能不能持续地把“已经识别出的文本”通过 sendWordTipsAsrContent 传过来，至于这个文本是来自 Rokid 自己的语音服务，还是来自第三方云 ASR，SDK 并不做限制。

下面是一个简化版的伪代码结构，重点在“如何把 ASR 结果整理之后喂给提词器”：

class AutoScrollTeleprompter(
    private val teleprompterManager: TeleprompterManager,
    private val asrClient: AsrClient // 你自己的语音识别封装
) {
    private val sb = StringBuilder()

    fun start(script: String) {
        teleprompterManager.open()
        teleprompterManager.updateScript(script)
        teleprompterManager.configAiMode(
            textSize = 28f,
            lineSpace = 1.5f,
            startPointX = 100,
            startPointY = 200,
            width = 800,
            height = 600
        )

        asrClient.start(object : AsrListener {
            override fun onPartialResult(text: String) {
                sb.clear()
                sb.append(text.trim())
                sendWordTipsAsrContent(sb.toString())
            }

            override fun onFinalResult(text: String) {
                // 最终结果可以用来做“对读评分”等分析
            }

            override fun onError(code: Int, msg: String?) {
                // 错误处理
            }
        })
    }

    fun stop() {
        asrClient.stop()
        teleprompterManager.close()
    }
}

---

六、实战玩法：做一个“演讲练习助手”后面的实战与扩展

光是自动滚动其实还不够“好玩”，结合 ASR，我们可以顺手把“练稿子”这件事做得更智能一点。

我在自己的 Demo 里做了一个简单的“演讲练习助手”：

• 提词器负责展示完整稿子，并跟着你读自动滚动；

• ASR 负责记录你实际说了什么；

• 结束后做一次对比，给你一些“很接地气”的反馈，比如：

  • 哪几句话跳读了；

  • 哪些词你经常读错或卡顿；

  • 当前语速是偏快还是偏慢。

一个很粗暴但好用的实现方式是按句子对齐：

1. 按照标点把原稿切成句子列表 scriptSentences；

2. 把 ASR 的 finalResult 也做一次简单切分；

3. 用一个很轻量的“相似度”算法（比如基于分词的重合度）去匹配。

伪代码大概是这样：

data class SentenceCheckResult(
    val original: String,
    val spoken: String?,
    val similarity: Float
)

fun analyse(script: String, spokenText: String): List<SentenceCheckResult> {
    val scriptSentences = splitToSentences(script)
    val spokenSentences = splitToSentences(spokenText)
    val results = mutableListOf<SentenceCheckResult>()

    var j = 0
    for (i in scriptSentences.indices) {
        val s = scriptSentences[i]
        var bestIdx = -1
        var bestSim = 0f
        for (k in j until spokenSentences.size) {
            val sim = similarity(s, spokenSentences[k])
            if (sim > bestSim) {
                bestSim = sim
                bestIdx = k
            }
        }
        val spoken = if (bestIdx >= 0) spokenSentences[bestIdx] else null
        if (bestIdx >= 0) j = bestIdx + 1
        results.add(SentenceCheckResult(s, spoken, bestSim))
    }
    return results
}

后面你可以在眼镜上或者配套 App 里，把这些结果可视化出来，比如：

• 相似度 < 0.6 的句子用红色标记，提示“建议再练两遍”；

• 全文平均语速、总时长、停顿分布，用一个简单的图表展示。

对于经常要录公开课、直播或企业宣传片的同学来说，这种“自助练稿 + 自动跟读”的体验，真的比拿着稿子对着镜头硬背舒服太多。

---

七、基于当前 SDK 能做的几种创新玩法

前面说的演讲助手，只是“自动跟读滚动”的一个典型用法。
结合现在提词器相关的几个接口，其实还可以挖出不少玩法：

1. 远程导演模式

• 提词器场景依然跑在眼镜上；

• 导演在另一端用平板 / PC 改稿；

• 通过网络把最新文案同步到服务端，再由服务端调用 sendStream 下发到 Rokid；

• 实拍过程中，导演可以临时插一句提示、加一个备注，下一秒就出现在演员眼前。

2. 多语言对照提词

• 用一份脚本生成中英文两份文本；

• 通过排版控制，让英文小号字体显示在下方或侧边；

• 结合 ASR 只对中文做自动滚动，英文只是跟随展示作为对照。

3. 会议 / 培训中的“现场提醒条”

• 不是传统意义上的全文提词，而是在眼镜的一小块区域滚动关键信息；

• 比如：下一页 PPT 的重点、即将要问的问题、时间提醒；

• 通过 configWordTipsText 把提词区域收得比较小，就可以变成一个“隐形便签条”。

4. 拍摄安全提示 / 法务提示场景

• 在录制对外视频时，让拍摄者在开头自动读一段合规提示；

• 系统用 ASR 校验是否确实读完了关键条目，才允许开始正式录制；

• 这里同样可以用 sendWordTipsAsrContent 的文本对齐结果做一个简单的检查。

这些玩法本质上都没有超出当前 SDK 提供的能力，只是把“提词内容 + 布局 + ASR 结果”这三块重新拼了一下。

从工程实现角度来说，你完全可以先封装一层自己的 TeleprompterService，把 CxrApi 的细节藏在里面，对业务层暴露的是更高层的概念：

• TeleprompterSceneConfig（布局、字体、模式）；

• ScriptSegment（脚本片段，多语言、类别标签）；

• AsrSyncStrategy（如何把 ASR 文本映射到脚本）。

---

八、开发中踩到的一些坑

最后简单记几条我在调试过程中踩过的坑，给后面折腾的同学省点时间：

1. 不要无脑高频调用 controlScene

   • SDK 里已经明确提到有 REQUEST_WAITING 这个状态；

   • 如果频繁 open / close，很容易在状态切换时卡住场景；

   • 建议在业务层自己维护一个状态机，只有判断确实是“场景已关闭”时才去调用 open。

2. sendStream 的编码问题

   • 最好明确指定 UTF-8，避免在某些环境下出现乱码；

   • 另外，fileName 可以当作一个轻量级的脚本 ID，用来区分不同的文案版本。

3. configWordTipsText 的坐标和尺寸

   • 不同设备分辨率、FOV 略有差异，最好做一层适配；

   • 可以先根据设备的物理分辨率算一个“逻辑安全区域”，把提词器放在其中；

   • 不要一上来就全屏，尤其是在需要看清现实环境的场景。

4. ASR 的延迟和闪烁

   • 如果 ASR 是云端识别，网络波动时很容易出现先静止一会儿，然后一次性滚很大一段的情况；

   • 可以在业务层做一个“节流 + 缓冲”：收到长段结果时分段发送给 sendAsrContent，让滚动看起来更自然。

5. 异常处理

   • CxrStatus 里的 REQUEST_FAILED 一定要打详细日志，否则后期排查问题会非常难受；

   • sendStream 的失败回调里，可以做一次降级，比如提示用户重新加载脚本。

这些细节在 Demo 阶段可能感觉不明显，但一旦你把这个功能交给真正的主播、讲师、运营同学去用，就会立刻感受到“工程质量”的差距。

---

九、最后的小总结

GlassesSDK 给提词器做的 "ai" 模式，本质上是把“字幕滚动”这件事从一个纯 UI 动画，升级成了一个和语音识别紧密联动的能力。

按照文档，把 openOrCloseWordTips / setWordTipsText / configWordTipsText / sendWordTipsAsrContent 几个接口串起来，其实已经能比较完整地说明：“当前 GlassesSDK 里给出的提词器接口和 AI 实时滚动部分，如何在实际项目里落地”。

剩下的，就是结合自己的业务，把它变成一个真正有价值的功能：可以是演讲练习助手，可以是远程导演工具，也可以是带安全校验的合规提示提词。

如果你也做了自己的玩法，欢迎在论坛里交流，一起把提词器打造成 GlassesSDK 生态里的“标配能力”。