无人零售正在从"无人"走向"有人兜底"。
24 小时营业的无人便利店已经不算新鲜事，甚至有不少零售科技公司把无人零售方案做到海外。门店 7×24 营业，但总有机器识别不了、顾客不会操作、紧急事件没人管的时刻，而远程语音值守则成为成本最低的兜底方案。
这个场景有一个独特的架构命题：门店端是常年开机的安卓设备，值守端是随时接入的浏览器页面，两端之间还隔着一条跨境网络。通话延迟能不能压进 300ms，决定了顾客是在"对着空气说话"，还是"跟店员隔空对话"。
本文按 7 个模块拆解这套系统的落地方式：一对多值守与呼叫触发、门店端保活、Web 端首帧与抖动缓冲、跨境链路优化、外放回声消除、录制回溯与告警，以及并发与成本模型，并结合ZEGO实时音视频能力给出可复用的参数与口径。
一、场景拆解：一对多值守、呼叫触发与排队
无人店远程值守的典型形态是一个坐席同时服务 N 家门店：坐席在 Web 值守台挂着门店列表，哪家门店呼叫就接入哪家，通话结束后回到监听状态。核心问题有两个：呼叫怎么触发，坐席忙了怎么办。
呼叫触发源通常不止一种：
- 顾客主动触发：门店配置 IoT 求助按钮，顾客按下即发起呼叫。
- 业务事件触发：闸机/收银异常、扫码失败、门锁或货架传感器告警。
- AI 告警触发：摄像头识别到滞留、跌倒、冲突等异常画面，自动发起呼叫。
- 超时升级：顾客在设备前停留超时且未完成购买，自动升级为人工介入。
门店端"常在线"还是"按需接入"，是这套系统第一个架构取舍：
- 常在线：门店端开机即进房间、保持推流待命，呼叫即通、首帧极快；代价是资源与链路持续占用。
- 按需接入：事件触发才进房推流，成本最省，但呼叫建立链路更长，首帧更慢。
- 推荐折中：门店常在线但不推流，触发瞬间再开启推流，把"在线"与"通话"解耦——通话时延不受影响，闲时几乎零媒体成本。ZEGO 房间内推流可按需启停，天然支持这种模式。
坐席忙时的排队策略建议在业务层实现，ZEGO 方案级能力已沉淀过同类逻辑：智能排队支持队列位置保留、预约插队与断线重连，多店同时呼叫时按优先级和时间顺序分配，排队中播放等待提示音，避免顾客干等。
二、门店端保活、开机自启与断网自动重连
门店端本质是一台 7×24 运行的"通话终端"，但它跑的是通用安卓系统，不做工程化处理，几周后就会因为省电策略、进程被杀、网络漂移而悄悄掉线。而无人店没有店员发现它掉线。
门店端工程化的关键动作：
- 开机自启：监听 BOOT_COMPLETED 广播拉起值守 App，配前台服务常驻。
- 系统保活：申请忽略电池优化、引导厂商白名单（防清理），必要时叠加看门狗自愈。
- 网络监听：通过 NetworkCallback 感知断网与网络切换（WiFi↔4G），切换期间通话不中断。
- 断线自动重连：依赖 SDK 的重连机制自动回房，业务层叠加指数退避与状态上报，重连成功后补报离线期间的告警。
判断门店端"活着"的标准不是进程在，而是媒体链路在：ZEGO 的断线自动重连在网络恢复后会自动恢复通话，短暂中断（如切换网络）后无需用户重拨。
三、Web 值守端的首帧时间与抖动缓冲策略
值守端是浏览器，天然有"页面加载慢、首帧慢"的劣势，但值守台恰恰是最该快的地方，坐席必须随时能听到、看到任何一家门店。
首帧时间由进房、拉流、首帧渲染三段组成，优化手段分三层：
- 值守台常驻：浏览器保持页面打开并预连接，省去页面加载耗时。
- 极速建联：ZEGO 支持最快 1 RTT 极速建联，降低进房握手耗时；按即构质量运营口径，Web 端平均首帧耗时约 287ms，1 秒内接通占比 99.72%。
- 低延迟模式：通话场景关闭"流畅优先"的保守策略，启用低延迟配置，优先保证对话实时性。
抖动缓冲是另一个关键旋钮：缓冲大，抗抖动但抬延迟；缓冲小，延迟低但容易断续。语音通话建议交给自适应抖动缓冲，在 4G/WiFi 切换、信号波动时动态调整，平稳时不加延迟、波动时自动兜底；ZEGO 同时具备最高抗10s抖动，极端弱网下可容忍更大抖动而不中断。
四、跨境链路：就近接入、路由调度与丢包恢复
海外比如新加坡门店与中国值守中心之间的跨境链路，是 300ms 预算里最大的变量：距离带来基础 RTT（新加坡↔中国典型 RTT 约 60~90ms，估算值需实测），公网拥塞和丢包则可能随时翻倍。
跨境实时通话依赖三层能力：
- 就近接入：门店与坐席各自接入最近的 ZEGO 节点，避免跨境绕行公网。
- 智能路由：ZEGO 自研 MSDN 海量有序数据网络，500+ 核心节点覆盖 212+ 国家和地区，动态选路避开拥塞路径。
- 丢包恢复：FEC 前向纠错 + ARQ 自动重传 + 丢帧补偿组合，音频最高可抗 80% 丢包、视频抗 70% 丢包（抗丢包率超过 80% 仍可流畅通话）。
弱网下还要会"取舍"：带宽不足时自动降码率、优先保音频（30Kbps 限速组合场景仍可通话），保证"话听得清"优先于"画看得清"。
五、外放场景的回声消除与噪声抑制
门店端是扬声器外放 + 麦克风拾音：坐席的声音从门店喇叭放出来，又会被门店麦克风收进去，形成声学回声；不处理就会出现"顾客听到自己的回声"，严重时直接啸叫，整段通话报废。
这要求音频链路内置完整的 3A 处理：
- AEC 回声消除：消除外放泄漏的回声，双讲（顾客与坐席同时说话）时也不掉字。
- ANS 噪声抑制：压制空调、冰柜压缩机、街道等稳态噪声。
- AGC 自动增益：顾客离麦远时自动抬增益，避免"听不清"。
- 场景化 AI 降噪：处理开门声、雨声、突发人声等非稳态噪声。
ZEGO 的 3A（AEC/ANS/AGC）全平台默认开启，Android 外放场景默认启用软件 AEC，配合Purio AI 音频引擎做场景化调优；按即构产品指标口径，AEC 可达 30dB 量级回声衰减、ANS 达 25dB 量级降噪。
工程侧同样重要：
- 外放音量与拾音灵敏度做平衡，避免过载失真。
- 麦克风尽量远离扬声器，优先全双工免提规格的设备。
- 门店端做周期音频自检（回声、啸叫、无声），异常时自动告警。
六、通话录制、事件回溯与告警
无人值守场景天然需要"事后可查"：顾客投诉、货损争议、设备异常，都需要还原当时发生了什么。留痕建议做三层：
- 通话录制：ZEGO 云端录制支持房间级单流/合流录制，私有协议录制无需转推；也支持推流端本地录制，满足不同留存要求。
- 事件回调：流创建/关闭、成员进出、录制完成等事件以回调形式推送到业务服务器，落库形成结构化通话记录。
- 质量监控与告警：ZEGO星图(Prism)音视频质量分析平台提供运营大盘、通话洞察与实时监控，支持自定义告警规则与通知方式，门店断线、弱网、设备异常自动告警。
完整的回溯链路 = 通话记录（谁、哪家门店、何时、多长）+ 录制文件（可回放）+ 事件日志（触发源、排队、接听动作），客诉处理与运营优化都有据可查。
七、并发与成本估算模型
ZEGO 实时音视频按拉流时长计费：统计用户实际拉取音视频流的累计时长，不拉流不计费。这条规则决定了无人店场景的成本结构："在线"本身不花钱，"通话"才花钱，所以推荐"常在线但不推流、触发才拉流"的模式，直接对应成本最优。
官网刊例价（元/千分钟）：高音质纯音频为 7 元/千分钟。
成本估算公式：
- 月通话分钟 = 门店数 × 单店日均通话分钟 × 30
- 月拉流分钟 = 月通话分钟 × 每通话音视频流数（1V1 语音双向约 2 路）
- 月成本 ≈ 月拉流千分钟 × 音频单价 + 录制千分钟 × 录制单价
示例对比（假设 100 家门店、单店日均通话 20 分钟、纯音频）：
| 方案 | 月拉流时长 | 月成本估算（纯音频） |
|---|---|---|
| 触发式拉流（推荐） | 通话 6 万分钟 → 拉流 12 万分钟（120 千分钟） | 语音约 840 元 + 录制约 210 元，合计约 1,050 元 |
| 常驻式监听 | 100 路 × 24h × 30 天 = 432 万分钟（4,320 千分钟） | 约 30,240 元 |
触发式方案的成本约为常驻式监听的 1/30，且新用户注册即享 120,000 分钟 RTC 免费试用时长，足够支撑小规模试点验证。注：以上价格为 ZEGO 官网刊例口径，具体以商务报价为准；录制单价按高音质纯音频刊例（约 3.5 元/千分钟）。
八、总结
无人值守门店的远程语音，本质是一套"门店端常在线、值守端随时接入“的一对多实时音视频系统，成败看四件事：接通快不快、延迟低不低、弱网稳不稳、成本扛不扛得住。
- 接通：常在线 + 事件触发推流，呼叫即通。
- 延迟：就近接入 + 智能路由 + 自适应抖动缓冲，跨境压进 300ms。
- 稳定：门店端保活自愈，抗丢包 80%，断线自动重连。
- 成本：按拉流时长计费，触发式拉流把百店月成本压到千元级。
想基于 ZEGO 搭建无人店远程值守方案，可以前往注册申请免费试用，获取 SDK、示例代码与一对一技术支持。
常见问题 FAQ
Q1：门店端一定要常在线吗？不常在线能不能实现快速呼叫？
不需要 7×24 推流。推荐"常在线但不推流、触发才推流"的折中模式，既有接近常在线方案的接通速度，又按拉流时长计费、闲时几乎零成本。
Q2：Web 值守端对浏览器有什么要求？需要装插件吗？
ZEGO Web SDK 基于 WebRTC，主流浏览器（Chrome、Edge 等）打开页面即可接入，无需安装插件；值守台保持页面常驻可进一步压缩首帧时间。
Q3：外放回声啸叫是怎么解决的？
由 SDK 内置 3A（AEC/ANS/AGC）处理，Android 外放场景默认启用软件 AEC，配合场景化 AI 降噪；工程侧再做好麦克风与扬声器的摆放与音量平衡。
Q4：跨境通话延迟真的能到 300ms 以内吗？
可以。ZEGO 端到端延迟全球低至 200ms，典型链路下，按就近接入、智能路由与自适应抖动缓冲组合，端到端通话延迟可控制在 300ms 预算内；具体数值建议以实测为准。
Q5：录制文件存在哪？怎么回溯某次通话？
支持云端录制与本地录制，录制完成事件通过回调通知业务服务器落库；结合通话记录、录制回放与事件日志，可完整还原任意一次通话。
