直播觀眾看到的畫面和聽到的解說，通常由導播與主播共同決定；DirCast 嘗試讓 AI 每秒查看十名英雄的原始鏡頭，選出播出畫面，再按該畫面決定何時發言及說甚麼。這個研究型工具以 Dota 2 賽事為場景，處理的是如何在比賽仍在進行時，同步完成選鏡和解說，而非只替已剪好的直播影片配音。
DirCast 使用單一串流影片語言模型 Qwen3-VL-8B，並以 LoRA 微調。模型先低解像度掃描各英雄鏡頭及遊戲狀態，再由導播模組決定維持現有畫面或切換；選中的鏡頭會再以高解像度讀取，供發言判斷和文字生成。這種安排把全場掃描與播出畫面的細節理解分開，也讓模型的解說跟隨自己選出的畫面。
模型不會永久保留所有低解像度鏡頭：這些畫面只在設定的時間窗內留在上下文，播出畫面、事件和已生成的說話則會保留，令處理長賽事時的上下文成本受控。訓練時加入受擾動的播出流程，讓模型練習從自己選錯鏡頭後恢復；事件標記則協助它把擊殺等值得呈現的時刻納入選鏡考量。控制切鏡與發言的門檻亦會按頻率調節，避免節奏過密。
研究資料集包含 27 場職業 Dota 2 比賽，記錄每名英雄的鏡頭、人類導播選擇及主播解說。示範涵蓋兩場留出比賽，展示模型切到鏡頭外發生的交戰並作出評論；但這些例子不足以證明它已能應付不同遊戲、直播延遲或長期穩定運作，現階段較適合研究團隊測試自動化直播製作，而非直接取代真人轉播團隊。
- 每秒掃描十路英雄鏡頭，並自行選擇播出畫面。
- 同一模型負責導播決策、發言時機及解說文字。
- 低解像度畫面會過期，播出內容與事件記錄則留在上下文。
- 訓練資料來自 27 場職業 Dota 2 比賽，公開示範展示兩場留出賽事。
GitHub 儲存庫提供模型、資料處理與賽事狀態相關程式碼；研究人員可據此檢視流程或測試模型。儲存庫資訊未列出完整安裝步驟、硬件需求或可直接重現的評估指標，因此部署成本與相對真人導播、主播的穩定差距，仍需更多測試才能判斷。
