假设一场杯赛半决赛，A队1比0淘汰B队，全场唯一的进球是第63分钟一次角球后的头球。终场哨响后6分钟，系统从转播画面、数据流和解说音轨里整理出52个候选片段：1个进球、9次射正、2次门将贴地扑救、1次经VAR复核后被取消的点球、5张黄牌、1次双方球员推搡、第80分钟B队一名效力十一年的老队长被换下时全场起立鼓掌、终场后A队门将跪在草皮上掩面，以及客队看台在输球之后仍然合唱队歌的90秒。运营负责人的要求很简单：半小时内先发5条。
如果只按技术统计排序，前五条大概是进球、两次扑救、被取消的点球和一脚击中立柱的远射。可在这个模拟场景里，赛后第一个小时评论区讨论最多的，是老队长离场和客队看台的合唱。这两段在事件数据里几乎没有权重，一段没有任何射门，另一段根本不在比赛时间之内。
这就是选片真正的难处。“找到关键时刻”在技术上已经相当成熟，难的是在几十个候选里排出先后。我们的判断是：识别是召回问题，选片是排序问题，而排序的对象从来不是孤立的片段，而是“片段 × 人群 × 发布时间”的组合。下面按 Event → Highlight → Edit → Platform → Performance 的顺序拆开。
找出52个候选并不难，难的是知道数据清单漏了什么
先看 Event 层。足球视频理解领域有一个被广泛使用的公开数据集 SoccerNet，收录了550场完整转播比赛和超过30万条时间标注，核心任务叫“动作定位”，也就是在整场视频里找出关键时刻发生在哪一秒；此外还有回放定位、多视角犯规识别、密集视频描述等任务，挑战赛一年接一年地办[1]。一个问题能被做成年度排行榜，说明它已经有了相对标准的答案。
这种能力也已经摆到了观众面前。2026年世界杯期间，央视频上线的“AI智看”会自动识别进球、判罚等关键节点，观众可以一键跳回去重看[2]。对内容团队来说，这意味着候选池的生成成本正在接近于零，已经没有人需要从头拖进度条找进球了。
但要注意，数据集和产品的标签体系基本都是按“比赛事件”定义的：进球、射门、犯规、换人、出牌。模拟场景里评论最多的两段，老队长离场时的起立鼓掌只会被记成一条普通的“换人”，客队看台的合唱则根本不存在。所以 Event 层的第一条原则是宁多勿漏，除了事件数据，还要把几类“非事件信号”接进来：
- 现场声音的突变：欢呼、嘘声、合唱各自持续了多久；
- 解说音轨的语速和音高：解说员突然提高声调，往往比数据更早标出情绪高点；
- 导播的镜头选择：切到特写、切到看台、切到替补席，本身就是一次人工判断；
- 回放次数：同一个画面被导播重放两三遍，等于转播团队替你免费做了一次标注。
最后一条经常被忽略。导播的回放决策来自一个经验丰富的人在现场的即时判断，把它当成信号，比从零训练一个“情绪模型”划算得多，也更容易解释给编辑听。
“关键分”和“好看的球”不是一回事，温网把两者分开了
进入 Highlight 层，先要回答“精彩”到底指什么。温网在2026年推出了由AI驱动的“Key Moments”，覆盖全部男女单打比赛，专门解释哪些分决定了比赛走向；升级后的 Match Chat 在回答球迷提问时，也开始附上相关的图片和视频[3]。这个产品设计透露出一个很实用的区分：决定比赛走向的分，不一定是最好看的分。一次对手双误送出的破发点可能是全场的转折，但很少有人会为它点转发。
据此，我们把候选片段分成三类，它们服务的目的并不相同：
- 决定型：改变比分或走势的时刻，回答“这场比赛是怎么赢的”，适合赛后复盘和解释；
- 观赏型：技术动作本身值得反复看，比如一次贴地扑救、一脚击中立柱的远射；
- 话题型：能引发讨论、站队或玩梗的时刻，常常发生在比赛事件之外。
话题型最难被数据捕捉，却最常决定一条内容的传播上限。2025年“苏超”开赛后大约两个月里，一共登上171个微博热搜，总阅读量29.34亿；阅读量破亿的话题中，有“给南京队做应援横幅被闲鱼卖家婉拒”，也有“常州0州”这样的梗，没有一个是某次具体的进球[4]。这组数据很直白地说明：在社交平台上，精彩片段首先是一个传播概念，比赛事件只是它的原料之一。
因此排序时我们使用六类信号，并要求每一类都写清楚从哪里取、最容易在哪里被误读：
| 信号 | 主要来源 | 最常见的误读 |
|---|---|---|
| 比赛重要性 | 赛事阶段、比分变化、积分或晋级形势 | 把所有淘汰赛进球都当成高价值，忽略大局已定后的补时进球 |
| 人物 | 球员热度、生涯节点、首秀或告别 | 过度偏向头部球星，新人和老将永远排不上号 |
| 情绪强度 | 现场声音、解说音高、特写镜头 | 把冲突和伤病当成高情绪，发出去反而招致反感 |
| 实时评论 | 直播弹幕、社交提及量、关键词 | 被对立球迷刷屏误导，把骂声当成热度 |
| 传播潜力 | 能否一句话讲清、是否适合二创 | 高估一个梗的寿命，过了窗口就失效 |
| 平台用户 | 各渠道受众结构与历史互动 | 把过去的播放表现当成用户的真实偏好 |
回到模拟场景。按这六类信号重新排序之后，首批5条变成：第63分钟的头球（决定型，也是唯一的比分变化）；老队长离场时的全场起立（话题型，人物信号和现场声音都很强）；第71分钟连续两次扑救的合剪（观赏型）；客队看台的赛后合唱（话题型，适合做“对手同样值得尊重”的角度）；A队门将终场跪地（情绪很强，但排在第五，确认没有伤病后再发）。被VAR取消的点球没进首批，它的讨论量很高，但争议还在发酵，放在首批容易让官方账号显得在表态。击中立柱的远射进了第二批合集。“没进首批”不等于放弃，只是换到下一个时间窗口。
同一个瞬间剪成8秒还是40秒，讲的是两个不同的故事
Edit 层决定片段最终以什么形态出现。三类片段的剪法差别很大：
- 决定型需要上下文，比分牌、比赛时间、前一次攻防的铺垫都不能省，否则观众不知道这一球为什么要紧；
- 观赏型需要慢镜头和多角度，开头就要给到动作本身；
- 话题型需要“人”，特写、表情、看台都比解说词重要，解说甚至可以弱化。
还有一个常被忽略的选项：有些瞬间更适合做成一张图，而不是一段视频。央视频在世界杯期间推出的“AI智传”会自动生成精彩瞬间海报，方便球迷直接分享到社交平台[2]。老队长向看台挥手、门将跪地掩面，这类画面的力量在定格里，硬拉成15秒反而把情绪稀释了。选片的输出，不应该默认就是视频。
这一层AI最常犯的错误有两类：一是剪点落在导播回放之前，丢掉了最有说服力的慢镜头；二是自动生成的字幕把人物张冠李戴，尤其是背号相近、画面模糊的时候。这两处都需要人工看一遍再放行。
“选哪几个”正在从一个答案变成很多个答案
Platform 层过去的问题是“这5条发到哪里”，现在正在变成“给谁看哪5条”。SportsPro 在2026年4月报道 ESPN 的个性化战略时，ESPN 的产品负责人直言个性化“不是可选项”，目标是从一档节目给几百万人看，变成几百万档节目、每档只针对一个球迷；报道还提到，ESPN Unlimited 上线后短视频消费增长了65%[5]。
这对选片逻辑的影响是根本性的：排序不再只有一张榜单。在模拟场景里，同一个52条的候选池至少可以给出三份不同的前三名：
- A队球迷：头球、门将扑救、终场跪地；
- B队球迷：老队长离场、看台合唱、被取消的点球（这一条对他们的意义完全不同，也最需要谨慎处理）；
- 泛体育用户：老队长离场、扑救合剪、头球。
对大多数俱乐部和中小赛事来说，不必追求“一人一档”，把受众分成三四个人群包，已经能解决大部分问题。人群包越细，每个包的样本越小，排序反而越不稳定。片段选定之后，各平台的画幅、时长、封面和标题还要重新适配，这部分我们在同一个进球为什么不能原封不动发到所有平台一文里单独讨论。
75%的完播率可以当参照，但别把它当目标
最后是 Performance。WSC Sports 的客户案例称，NBA 在数字平台上用其生成式AI技术为集锦自动配多语种解说，集锦在终场后几分钟内发布，2分钟集锦的平均完播率为75%[6]。这组数字常被当成行业标杆，但它来自供应商自述，对应的是特定联赛、特定时长和特定渠道，直接拿来衡量一支地方球队的集锦并不公平。
更重要的是，完播率只对观赏型片段是好指标。三类片段应该各看各的：
- 决定型：看它有没有把人带去看全场回放，或者预约下一场直播；
- 观赏型：看完播率和重复观看；
- 话题型：看评论、转发和二创，完播率高低反而没那么重要。
每一条发出去的片段，都应该带着三条记录：它属于哪一类、为什么被选中、预测排在第几。发布后2小时和24小时，把实际表现回写回来，对比“预测名次”和“实际名次”的差距。模拟场景中，如果连续几场都出现话题型片段的实际表现高于预测，就说明人物和现场声音这两类信号的权重偏低，需要上调。这样选片才能一场比一场准，而不是每场都凭感觉。
这几种情况，AI选片最容易判断错
- 把冲突和伤病当成精彩：推搡、倒地不起的画面情绪信号都很强，但发出去可能伤害球员，也伤害账号。凡涉及伤病、冲突的片段，默认进入人工复核。
- 在争议判罚上替官方表态：VAR改判、疑似漏判的片段讨论量高，但官方账号用什么角度发，是编辑决策，不是模型决策。
- 被刷屏误导：对立球迷集中刷评论，会让某个片段的实时评论信号虚高。要看评论来自哪些人群，而不只看数量。
- 头部偏向：模型天然偏爱历史播放高的球星，新人和老将被系统性压低，时间久了内容池越来越窄。
- 训练数据与实际转播不一致：公开数据集大多来自机位齐全的高水平转播，地方赛事往往只有两三个机位、几乎没有回放，前面说的“回放次数”信号在这类比赛里会失灵，需要人工补标。
- 梗的语境：同一句话在主队球迷那里是自嘲，在对手球迷那里就是嘲讽。模型读不准反讽，话题型片段配什么文案必须由人决定。
另外，版权是硬边界：只能从拥有授权的素材里选，授权范围之外的片段再精彩也不能进入候选池。
韦德体育的做法：让每一次选片都留下理由
在韦德体育的短视频工作流里，选片被拆成五个可以检查的步骤：候选召回（事件数据加非事件信号）→ 片段分类（决定型、观赏型、话题型）→ 按人群包排序 → 人工复核 → 发布与回写。AI负责把52个候选压缩到十几个，并写出每一条的排序理由；编辑负责在十几个里做最终取舍，并对伤病冲突、争议判罚、授权范围这三件事签字确认。
这样做的目的不是让机器替代编辑，而是让“为什么选这5条”变成一份可以复盘的记录。下一场比赛开始前，团队能看到上一场哪类信号被高估、哪类被低估，韦德体育的模型也据此调整权重。从比赛到平台的完整链路，可以继续看AI体育短视频专题。
回到开头的问题：一场90分钟的比赛，AI应该选哪几个？答案取决于你想让谁看，以及希望他们看完之后做什么。进球几乎总会在名单里，但它很少独占名单。
参考资料
- SoccerNet官网：《SoccerNet》，2025年9月（SoccerNet Challenge 2026公布）。https://www.soccer-net.org/
- 腾讯新闻：《玩转2026美加墨世界杯！央视频全系列AI黑科技解锁全新观赛体验》，2026年6月10日。https://news.qq.com/rain/a/20260610A08YIA00
- Broadcast：《Wimbledon unveils AI-powered Key Moments and enhanced Match Chat》，2026年6月22日。https://www.broadcastnow.co.uk/tech-innovation/wimbledon-unveils-ai-powered-key-moments-and-enhanced-match-chat/5217866.article
- 新华网：《171个热搜29亿阅读量：数据解码热搜中的“苏超”足迹》，2025年7月14日。http://www.news.cn/local/20250714/33f880030c4147ac9a30a30539c45a14/c.html
- SportsPro：《'Personalisation is not optional': How ESPN is using AI to turn one show into millions》，2026年4月15日。https://www.sportspro.com/analysis/insights/espn-unlimited-dtc-streaming-sportscenter-personalisation-ai/
- WSC Sports官方博客：《NBA Using GenAI Technology from WSC Sports to Automate Multilingual Content》，2025年4月6日。https://wsc-sports.com/blog/customer-spotlight/nba-launches-genai-technology-with-wsc-sports-to-automate-multilingual-content/
