← #805

Show HN：语音驱动的谋杀推理游戏，用你的声音审讯 AI 嫌疑人

文章摘要

抓取说明：whodunnitai.com 是客户端渲染的 Next.js 应用，首页可抓取的文本极少（仅登录墙前的宣传语和几个统计数字）。以下内容以作者 Chase Myers（HN 用户 MrRowTheBoat）在 Show HN 帖中的自述为主，辅以站点可提取文本和评论区披露的实现细节。

WhoDunnitAI 是一个语音驱动的谋杀推理游戏。首个案件是「Case File No. 001：Death at Blackwood Manor（布莱克伍德庄园之死）」——一位被下毒的家主、五位客人、一个被锁住的真相。玩家扮演侦探，用自己的声音直接和 AI 扮演的嫌疑人对话：追问不在场证明、逼问细节、抓出前后矛盾。站点抓取时显示的统计是：283 场调查进行中、11 起谜案被破解、典型破案用时 22 分钟。

作者在 Show HN 里详细讲了实现。他说这个项目其实两三年前就做过一版原型，当时 AI 已经很热，但语音 AI agent 还非常早期——他喜欢那个概念验证，但对成品并不满意。最近他想再看看这项技术走到哪儿了，于是重做了一遍。

技术栈是这样的：审讯环节是通过 WebRTC 连接 OpenAI 的 gpt-realtime-2.1，做端到端的语音对语音（speech to speech）。这个模型「很贵」，因此他不得不加了一些限制——对话绑定到经过 Clerk 认证的用户 ID，并且加了 30 分钟计时器，用他自己的话说：「我实在不想在睡觉的时候破产。」

游戏机制中最巧妙的一环是指控判定。每个嫌疑人都挂了一个工具（tool），当玩家做出直接指控时由模型调用，它会记录你指控了谁，以及一份忠实反映你实际说出口的证据清单。随后由一个独立的 gpt-5-mini 充当裁判，判断你是否真的提出了该案所需的关键证据事实——同义转述算数，含糊的怀疑和瞎猜不算。其余部分是 Next.js、MongoDB 和 Clerk。

他在帖子结尾留下的问题是：「告诉我这些嫌疑人在真正的审讯下扛不扛得住。」

上线当天的意外：作者在午夜发帖后就下线睡了，凌晨 3 点一场大风暴把他吵醒，他发现自己的 OpenAI 账户扣款失败——余额耗尽导致大批 HN 用户在几小时内碰到「语音连接失败」的红屏。他醒来后先充值恢复，随后在评论区几乎逐条回复，并在当天完成了两项应急改动：把审讯时长从 30 分钟压到 15 分钟，以及加上 BYOK（自带 API key，存在浏览器 localStorage，通过 x-openai-key 头发到他的 API，再由服务端铸造用于 WebRTC 的临时凭证）。他还加了一个捐赠按钮，声明捐赠完全自愿，仅用于覆盖 AI 账单，并说他打算把预算封顶在 500 美元。

HN 评论精华

213 分。这条帖子的走向很有意思——它同时是一场产品发布事故直播、一场关于「AI slop」的立场表态，以及一堆相当扎实的实战反馈，而作者的高频在场回复把这三条线缝在了一起。

上线事故与 API key 泄露

londons_explore 报告「刚才还好好的，现在说连不上了。是服务器挂了还是我撞上限额了？」作者秒回：「OpenAI 额度用完了，已解决。」这句话他在帖子里说了至少五遍。camillomiller 借机嘲讽「Vibecoding at its finest（vibe coding 的最高境界）」，BenzeneDream 回怼「今日最无用评论」。
zerratar 在报错的同时贴出了 JS 控制台细节，并指出了一个真正的安全问题：请求里的 auth bearer token 是明文发往 OpenAI 的，任何人都能拿去自用——「网站不能直接调 OpenAI 的 API，这是巨大的安全风险」。dmd 和 senordevnyc 也先后提醒作者不要暴露 key。作者的回应是：临时密钥（ephemeral secrets）是按浏览器逐个铸造的。kristophph 分享了自己的做法（一个 D&D 战斗追踪器 topoftheround.com）：用 Firebase cloud function 代理真正的 AI 调用，并且给 token 设了每月消费上限。
作者中途实时播报：「发帖以来我们已经烧了 100 美元，哈哈。我大概会给你们封顶到 500。」twosdai 建议「BYOK 或者变现，看起来是个好游戏」，作者回复只有一个字：「DONE」。
cs1996 提出了一个不那么正经但很有想象力的替代方案：与其让用户填自己的 key，不如去拉品牌赞助——比如 Liquid Death 那种「谋杀你的口渴」路线的水品牌，这对他们来说完美契合，付掉这点 AI 账单跟正常广告预算比不值一提。作者认真接梗，问是想要页面上的小广告，还是让 AI agent 在回答前说「等我先喝口 Liquid Death」然后念一段广告词。sphars 补上一句 meme：「Drink verification can to continue（请饮用验证罐以继续）」，作者接：「请对着麦克风尽可能大声地吸溜。」

关于 AI 语音与「AI slop」的立场之争

wewewedxfgdf 表达了一个很多人共鸣的态度：他不反感 AI 生成的文本和故事，但受不了 AI 配音——「哪怕只有一丝 AI 朗读的味道我就退出了。我宁愿听糟糕的业余人声也不要 AI 声音」，建议作者找真人来配。9dev 指出这与前提冲突：整个游戏的立足点就是能按需生成并理解动态文本，预录音根本行不通。作者补充说静态语音技术上可行但体验会极其僵硬，得准备海量通用音效并识别何时播放——「对话的流畅才是乐趣所在」，然后举了个例子：问「告诉我刀藏在哪儿？」，静态方案只会回「我不明白你的问题」。
b800h 说光是那句宣传语「一位被下毒的家主、一个被锁住的真相」就很有 AI 味，让他觉得自己会玩不下去；但他还是愿意试，因为「这个点子非常棒」，并认为这东西如果配上人类编剧会非常非常出色。作者在修好 OpenAI 问题后特意回来找他要反馈：「我觉得你会惊讶的。我自己就挺惊讶。」
thrance 是最不留情的：「这已经是我看到的第四个『审讯 AI 破解谜案』的实现了。永远那么乏味、缺乏想象力、无聊，而且拖得太久太久。」qmmmur 更短：「差评。AI slop。请对你做的东西批判一点。」
anonzzzies 站出来划了条线：「所有人都可以喷 AI，没问题，但这个项目明确说了它是 AI 以及怎么用的，所以想哭诉 AI 的话请去点 HN 上别的链接，别点那些明确说明了的。」aswegs8 给出了最热情的正面评价：「哇！太棒了。到处都是 AI slop，但这个绝对不是。它把我勾住了，尽管我不是推理迷。肯定还有很多可改进的地方，但我能看到这怎么变成一个有大量玩家的正经游戏。」
ShinyLeftPad 提出了隐私角度的质疑：「收集更多人声音进训练集的好办法。」qwertox 认为这话技术上成立但动机推断未必：作者主页给人的感觉更像是为了技术和乐趣，而不是为了收集语音样本。ShinyLeftPad 坚持：它用的是专有 GPT 模型，数据会送到 OpenAI，「哪怕开发者是善意的，你的声音也会成为训练数据的一部分」。作者的回答很坦率：「我不知道怎么干这事，但如你所说，OpenAI 可能会！」被追问模型提供方能否拿到可识别个人身份的数据时，他给出了明确边界：认证服务 Clerk 会拿到你的名字和邮箱（如果用 Google SSO），模型提供方拿不到任何与用户账号相关的东西——只有 agent 上下文，以及在提示词中被称为「DETECTIVE」的那个用户。ShinyLeftPad 表示这回答了他的疑问。amelius 半开玩笑地建议在麦克风前串一层 STT → TTS 过滤；作者说他第一版就搭过这条流水线（因为更便宜），代价是延迟大幅增加。
lorenzo95 的评论引出了另一场小争论：「听起来不错，但我现在不给网站注册账号了。」garbagewoman 觉得这话奇怪（「那你要是被 HN 锁号了，就再也不评论了？」），yoz-y 出来解释：他理解的意思是「不给那些本来就不需要账号的网站注册」。作者的解释很实在：他最初分享给朋友时没有账号系统，账号纯粹是用来挡机器人和恶意用户的屏障，目标只是能对单人强制一个时长上限，好让更多人能试。smusamashah 提了个折中方案：加个演示视频/语音，让不想注册的人也能看到是什么体验。作者说会做，「我录的那版有点尴尬哈哈」，后来他确实补上了原型演示视频。

真正的玩家反馈

Harvy 用自己的 OpenAI key 完整通关，给出了全帖最有价值的一条反馈。他说「只花了 4 美元就破案了，我觉得挺值」。发现的问题包括：（1）他把笔记本投屏到电视做群体体验，语音隔离出了问题——模型开始听到自己的声音，调低音量可缓解；（2）有时语音回复会突然中断但文字还在；（3）有 bug 是回到某些角色那里时，他们会把上一个问题的回答再说一遍；（4）「奇怪的知识边界」——没人知道自己晚餐吃了什么，但医生能告诉他怎么处理心脏病发作，说明知识库里没覆盖那些内容，「看清这些角色能说什么的边界很有意思」。设计上他建议加一个静音的键盘快捷键，因为他们想在房间里讨论嫌疑人说的话时会被麦克风收进去；还有指控流程很让人困惑——此前所有交互都是 UI 按钮驱动的，突然要求用户用语音完成一个动作，而且因为怕停顿太久被打断，他们不得不指控完立刻抢着说理由。他建议改成：先按一个「我准备好指控了」的按钮，然后说出是谁，角色再反问为什么，之后一步步提交证据。
wfvr 是最有分量的同行反馈。他做 VR 已经八年，过去 6 个月一直在做一个类似概念（game.selna.ai，目前只有葡萄牙语）。他的核心洞察非常精辟：「在普通 VR 里，一个比例做错的物体就能打破沉浸感；在『社交 VR』里，一个矛盾就能杀死整个体验。但当星辰对齐、一切运转起来时，那是魔法般的。」他从 whodunnit 起步，后来扩展到线性和非线性叙事，如今生成流水线有 40 多个独立步骤，一个的输出喂给下一个，最终收敛成 NPC 用 realtime API 说话时的那一条提示词；平台能在约 20 分钟内生成完整叙事（含角色性格和图像），过程中产出的文本量相当于一本厚书。他试玩后给了两条具体建议：（1）必须给角色生成并赋予一个统一的当前日期时间，能修掉一大批微妙问题；（2）玩家做出指控时会出现严重的出戏/打破第四面墙——角色会说「你在提出严肃的指控，让我先正式核实一下再回应」，然后在「回应正在验证中」期间拒绝回答任何事。
panorama 给出了一句对 vibe coding 项目难得的肯定：「整体上比我预想中一个 vibe coded 游戏要完成度高得多。」但他时间用完后被锁在外面，不知道凶手是谁——「真希望有个办法能直接揭晓」。作者道歉说唯一锁人的原因就是他付不起当前成本。panorama 顺带提了个很有意思的推想：《文明》这类游戏早就该允许玩家和对手世界领袖以非确定性的方式互动——基于你对这位领袖脾气和目标的了解来做外交，会比现在这套几十年没怎么进化的固定交互沉浸和狡黠得多。这引出了一条关于桌游《Diplomacy》的支线，conception 指出 Diplomacy 的问题在于确定性结局（有更优开局、有最优着法、可以也应该打成僵局），snarf21 顺势介绍了自己设计的新卡牌版《The Golden Blade》。
arexxbifs 描述了这个品类的典型失败模式：他今年夏天玩过几款推理游戏，其中一款也有「打电话给嫌疑人限时提问」的功能，问题是模型对其中一个问题产生了幻觉，暗示另外两个嫌疑人有血缘关系，而实际上没有。ChrisGreenHeur 连开两次玩笑说「那不是非常逼真非常真实吗」，arexxbifs 认真反驳：不是，因为那是这个角色明明清楚知道、且撒谎对他没有任何好处的事。作者给出了正解：「这个问题可以通过在 agent 之间共享一个知识库来解决。」
fillok5686 问了个很多人好奇的问题：怎么处理提示词注入（用户作弊套出秘密）？作者的回答坦诚得有点好笑：「哈哈。我没处理！我注意到它会无视『忽略之前的指令』，但我猜这是 OpenAI 现在自己烤进去的。」
grahamburger 说他早在 LLM 出现前就想做这样的东西，ChatGPT 刚出来时这是他最早尝试的项目之一——他和儿子互相编谜案，把设定粘进对话里让 ChatGPT 扮演各个角色，然后把键盘交给对方。效果不太好，儿子好像一直没破案，部分原因是 ChatGPT 把他带偏了。
donpdonp 说光是知道它存在就很酷：「这种语音交互，是冒险游戏创作者做了这么久的一个梦，现在它可能了。」JoeDaDude 打算让自己本地跑的 LLM（配了 STT 和 TTS）来玩这个游戏，作者回复：「哈哈哈，天呐，我想看视频。」
作者对项目未来的态度很克制：「我觉得这是 RPG 游戏的未来。无尽的沉浸感。我能看到这个项目扩展成各种『体验』或『场景』，但我喜欢先专注做小的东西。如果大家喜欢，我会做更多。如果它只是个不错的 demo、不值得再投入时间，我大概就往前走了。」
技术优化建议也不少：ramesh31 建议试试小模型的 CPU 推理（简单语言回复用前沿模型是杀鸡用牛刀，Qwen 应该够用，Kokoro TTS 现在很好），BaselAshraf81 推荐 supertonic 3 这类可在网页端推理的轻量 TTS 模型。