赛博小雅 · 弹幕采集器

做数字人直播，第一个卡住人的往往不是模型，是弹幕怎么进来。四个主流平台，四种完全不同的接入方式：抖音要签名、B站是明文 WS 加 protobuf、YouTube 有一堆配额规则、视频号干脆没有接口。

这个项目只做一件事：把观众的声音搬进来。采集、清洗、排队、转发到一个统一接口，剩下的（说话、动作、出画）交给数字人那边——也就是配套的赛博小雅 · 直播版。

数据流

四条来源（抖音 / B站 / YouTube / 视频号）各自采集，统一汇进 reader.py：清洗、去重、连击合并、按优先级排队，再 POST /api/danmaku 给数字人桥（:8795）。不接数字人时也可以在本机自己念（语音桥 / 系统 SAPI）。

转出去的事件只有一种形状：

{
  "nick": "观众名",
  "content": "弹幕内容",
  "platform": "抖音",
  "text": "念出来的文本"
}

礼物额外带 kind:"gift"、gift_item、gift_num、gift_value。只要你的程序能收这个 JSON，就能接它——不绑死数字人项目。

四个平台，四种接法

平台	接入方式	需要 key？	主要难点
B站	官方 web 弹幕 WS（`wss://<host>/sub`）	不需要（Cookie 可选）	协议手写、WBI 签名、protobuf
抖音	本地 `douyinLive` 采集服务 + 本机 WS	需要抖音 Cookie（给采集服务）	网页要签名，只能靠采集服务
YouTube	网页 InnerTube `/live_chat` 长轮询	不需要	官方 API 配额扛不住
视频号	CDP 调试浏览器读中控台 DOM	扫码登录	没有公开接口

攻克了哪些技术

① B站：整条协议手写，不引第三方库

链路是：room_init 解析真实房间号 → WBI 签名 + bili_ticket 取 getDanmuInfo → 连 wss → op=7 鉴权 → op=2 心跳 → op=5 收命令流（protover=2，zlib 压缩）。

两个坑值得单独说：

token 和 uid 必须同源。getDanmuInfo 下发的 token，要和鉴权包里写的 uid 对得上：登录态用 nav 接口拿到的 mid，游客态必须写 0，否则握手直接失败。
INTERACT_WORD_V2 / SEND_GIFT_V2 的 body 是 base64 的 protobuf。为了不引 protobuf 运行时，项目里写了一个迷你 varint 解析器，按字段号手工取昵称与消息类型——够用、零依赖、也不会因为协议小改就整条链挂掉。

另外，游客模式先访问一次 www.bilibili.com 领 buvid3，能显著降低 -352 风控的概率。

② YouTube：绕开官方 API 的配额

官方 Data API 的 liveChatMessages.list 每次记账 5 个配额单位，一天一万的额度，一整天轮询分分钟打光。所以走网页自己用的 InnerTube：

GET /live_chat?v=<videoId>&is_popout=1 —— 必须走这个独立页，watch 页里聊天是懒加载的，挖不到 liveChatRenderer；
起始 token 在 liveChatRenderer.continuations[0].reloadContinuationData.continuation，顺带还能抓到 INNERTUBE_API_KEY；
之后循环 POST /youtubei/v1/live_chat/get_live_chat，下一轮 token 在 continuationContents.liveChatContinuation.continuations[0]；
直播结束 / 聊天被关时 continuations 会消失，所以外层要重新 seed——主播下播再开播也能自动接上。

支持填 videoId、观看页链接、/live/ 链接、youtu.be 短链、Studio 后台链接，也支持填频道 handle 自动找当前正在直播的那一场。

③ 视频号：没有接口，就读 DOM

视频号直播没有公开弹幕接口，但「视频号助手」的直播中控台会把评论实时渲染出来。于是用一个带调试端口的独立浏览器（默认 9223），通过 CDP 每秒读一次评论列表，增量提取新增条目。

这个做法有个意外的好处：浏览器最小化、被别的窗口遮挡都不影响——读的是 DOM，不是屏幕像素，所以比「截图 + OCR」稳得多。

④ 抖音：网页要签名，交给采集服务

抖音弹幕不能直接从网页读，社区通行做法是先跑一个本地采集服务（Go 写的 douyinLive，自带 ws + http，默认 1089 端口），本项目连它的 WebSocket。

实测有个坑：「下播再开播」之后采集服务不会自己重新握手，事件就断了。所以客户端会检测这种情况并自动重启采集服务，而不是干等着。

⑤ 事件清洗：读起来像个人，而不是像日志

观众看到的是「阿糖说你好呀」，而不是「用户 abcd1234 发送：你好呀」。清洗层做了这些：

昵称缩写：纯中文取前 2 个汉字，数字 ID 取前 4 位，英文取第一个单词，中英混排从第一个汉字起取 2 个可读字符，纯符号（emoji、希腊字母）返回空——由泛称兜底；
10 秒窗口去重、关键词黑名单、50 字截断；
连击礼物按 groupId 聚合：repeatEnd==1 或超时收口，数量取最大值、单价取最大值不累加——否则「×100 连击」会被念一百遍。

⑥ 双优先级队列 + 朗读节奏

热闹的直播间里，逐条追播既吵又永远在念过时的弹幕。所以做了两层：

层	规则
优先级	弹幕 / 礼物 / 关注 / 舰长 / 醒目留言 = 高优先，立即读；进场 / 点赞 = 低优先，高优先清空才读，且最短间隔 10 秒
节奏	读完一条至少隔 `gap_seconds`（默认 5 秒）；等待期间积压的普通弹幕只读最新一条，礼物 / 关注 / 舰长 / SC 一条都不丢

规则细节很重要：如果「只读最新」把礼物也合并掉，观众就会觉得主播没谢他——所以合并只作用于普通弹幕。

⑦ 热加载 + 一个不装库的托盘

config.json 有文件监听，改完 2 秒内生效，不用重启；
托盘是独立的 PowerShell + WinForms 小程序，只读写 config.json：音量档位、朗读哪些事件、朗读间隔，勾选一下写回文件，朗读器那边热加载收下。不需要 IPC，也不需要任何第三方依赖；
两边的状态每 3 秒同步一次：在控制台敲 vol 0.3，托盘里的勾选和音量也会跟着变。

和数字人怎么对接

config.json 里把出口设成数字人，弹幕就不再本地朗读，而是转发给桥：

{
  "tts": {
    "output": "dh",
    "dh_url": "http://127.0.0.1:8795",
    "dh_min_interval_ms": 800
  }
}

output 三个取值：dh（转发给数字人，默认）、bridge（本机 TTS 朗读）、both（两边都响，一般不用，会合唱）。

数字人那边收到后按「主播模式」处理：先复读弹幕（字幕带【弹幕】前缀）→ 同时把内容交给 LLM → 复读完再念回答。没连线时静默不转发，连上自动恢复。

快速开始

python -m venv .venv
.venv\Scripts\pip install requests websockets

copy config.example.json config.json              # 填房间号
.venv\Scripts\python.exe reader.py --print-only   # 先只打印验证
.venv\Scripts\python.exe reader.py                # 正式跑（带托盘）

抖音还需要一个采集服务；B站只要房间号就能收（想要完整事件和昵称请配 Cookie）；视频号要先双击 启动调试浏览器.cmd 扫码进中控台。

常见问题

Q：B站昵称变成「天***」，事件也少了？ 游客态就这样。用 配置B站Cookie.cmd 把整串 Cookie 贴进去（含 SESSDATA），昵称完整、事件齐全。注意 Cookie 等于登录凭证，别发给任何人。

Q：YouTube 一直超时？ 先确认本机能直连 youtube.com；这个采集走网页接口，网络不通时只能等它重试，没有任何 key 能绕过去。

Q：为什么同时只能开一个朗读器？ 两个实例会让每条弹幕读两遍。启动脚本做成幂等的，已经在跑就跳过；另外直接点 ✕ 关窗口时 Python 不走 finally，会留下采集服务占着 1089，脚本会先清理孤儿进程。

Q：.cmd 里为什么不能写中文？ 这台机器代码页是 65001，.cmd 会按控制台代码页解码，中文写进去会吞字节导致命令失效。所以外壳是纯 ASCII，中文提示统一交给带 BOM 的 .ps1 打印。

Q：能只采集、不朗读吗？ 可以。--print-only 只打印事件，也可以把 output 设成 dh 转发给数字人，本机一声不出。

合规提示

B站这条用的是非官方 web 接口（官方文档库 2026 年初已因律师函关停），仅供个人直播间自用，请勿公开分发或商用；要做合规生产接入，应评估 B站直播开放平台。抖音同理：采集服务是第三方项目，使用风险自负。

赛博小雅·弹幕采集器

数据流