1.一种经由数字助理应用将补充音频内容插入到主要音频内容中的系统，包括：
在具有一个或多个处理器的数据处理系统上执行的记录索引器组件，所述记录索引器组件在数据库上维护内容发布方的音频记录以及由所述内容发布方设置以指定内容点的内容点标记，该内容点定义在所述音频记录的呈现期间插入补充音频内容的时间；
在所述数据处理系统上执行的自然语言处理器组件，用于：
接收音频数据分组，所述音频数据分组包括由客户端设备的传感器检测到的输入音频信号；
解析来自所述音频数据分组的输入音频信号，以确定所述输入音频信号对应于对来自所述内容发布方的所述音频记录的请求；以及
基于从所述输入音频信号确定的请求，从所述数据库中标识所述内容发布方的所述音频记录；
在所述数据处理系统上执行的内容放置组件，用于：
响应于确定所述输入音频信号对应于对所述音频记录的请求，将与所述客户端设备相关联的标识符标识为内容选择参数；以及
针对所述音频记录的所述内容点，使用所述内容选择参数从多个音频内容项中选择内容提供方的音频内容项；和
在所述数据处理系统上执行的动作处置器组件，用于：
将所述音频内容项插入到由所述内容点标记指定的所述音频记录的内容点中；
生成动作数据结构，所述动作数据结构包括在由所述内容点标记定义的时间插入有音频内容项的音频记录；以及
将所述动作数据结构传输到所述客户端设备以呈现在所述内容点插入有所述音频内容项的音频记录。
2.根据权利要求1所述的系统，包括在所述数据处理系统上执行的转换检测组件，所述转换检测组件用于：
在传输所述动作数据结构之后，监视经由所述客户端设备执行的交互事件，所述交互事件与针对被选择用于插入到所述音频记录中的所述音频内容项的预定义交互匹配；以及
响应于检测到与所述预定义交互匹配的来自所述客户端设备的交互事件，确定插入到所述音频记录中的所述音频内容项经由所述客户端设备来收听。
3.根据权利要求1或权利要求2所述的系统，包括在所述数据处理系统上执行的转换检测组件，所述转换检测组件用于：
在传输所述动作数据结构之后，使用所述标识符经由在所述客户端设备上运行的应用的应用编程接口(api)监视插入有所述音频内容项的音频记录的回放内的位置，所述应用用于处理所述音频记录的回放；以及
响应于所述位置与经由所述api检测到的音频记录的持续时间匹配，确定插入有所述音频内容项的音频记录的回放完成。
4.根据权利要求1至3中的任一项所述的系统，包括在所述数据处理系统上执行的转换检测组件，所述转换检测组件用于：
基于所测量的从其检测到所述预定义交互事件的客户端设备的数量，确定在所述音频记录的回放之后将从其检测到针对多个音频内容项之一的预定义交互事件的客户端设备的预期数量；以及
基于所测量的从其检测到所述音频记录的回放的完成的客户端设备的数量，确定将完成插入有所述多个音频内容项之一的音频记录的回放的客户端设备的预期数量。
5.根据前述权利要求中的任一项所述的系统，包括所述内容放置组件，所述内容放置组件用于：
使用训练数据建立预测模型，以估计在插入有所述多个音频内容项之一的音频记录的回放之后预期将从其检测到针对所述多个内容项之一的预定义交互事件的客户端设备的数量；
将所述预测模型应用于具有由所述内容点标记指定的内容点的音频记录，以确定内容点参数，该内容点参数与在其上检测到与针对在所述内容点插入到所述音频记录中的所述多个音频内容项中的每一个的预定义交互匹配的交互事件的客户端设备的预期数量相对应；以及
基于用于所述内容点的所述内容点参数和用于所述多个音频内容项中的每一个的内容提交参数，从所述多个音频内容项中选择所述内容提供方的所述音频内容项。
6.根据前述权利要求中的任一项所述的系统，包括所述内容放置组件，所述内容放置组件用于：
标识在其上检测到与针对在所述内容点插入到所述音频记录中的所述多个音频内容项中的每一个的预定义交互匹配的交互事件的客户端设备的数量；
基于在其上的所述交互事件与所述预定义交互匹配的客户端设备的数量，确定用于所述音频记录中定义的所述内容点的内容点参数；以及
基于用于所述内容点的所述内容点参数和用于所述多个音频内容项中的每一个的内容提交参数，从所述多个音频内容项中选择所述内容提供方的所述音频内容项。
7.根据前述权利要求中的任一项所述的系统，包括所述内容放置组件，所述内容放置组件用于：
标识完成插入有所述多个音频内容项之一的音频记录的回放的客户端设备的数量；
基于完成所述回放的客户端设备的数量，确定用于所述音频记录中定义的所述内容点的内容点参数；以及
基于用于所述内容点的所述内容点参数和用于所述多个音频内容项中的每一个的内容提交参数，从所述多个音频内容项中选择所述内容提供方的所述音频内容项。
8.根据前述权利要求中的任一项所述的系统，包括所述内容放置组件，所述内容放置组件用于：
响应于确定所述输入音频信号对应于所述请求，标识多个内容选择参数，所述多个内容选择参数包括下述中的至少一个：设备标识符、与所述客户端设备的会话相关联的cookie标识符、用于认证在所述客户端设备上执行的应用以回放到所述音频记录的账户标识符以及与所述账户标识符相关联的特性特征；以及
使用所述多个内容选择参数从所述多个音频内容项中选择所述音频内容项。
9.根据前述权利要求中的任一项所述的系统，包括所述内容放置组件，所述内容放置组件用于响应于确定所述输入音频信号对应于所述请求，经由在所述客户端设备上运行的应用的应用编程接口(api)来标识与所述客户端设备相关联的标识符。
10.根据前述权利要求中的任一项所述的系统，包括：
所述自然语言处理器组件，所述自然语言处理器组件用于接收包括与所述客户端设备相关联的标识符的所述音频数据分组，所述标识符用于认证所述客户端设备以检索所述音频记录；和
所述内容放置组件，所述内容放置组件用于响应于确定所述输入音频信号对应于所述请求，解析所述音频数据分组以将所述标识符标识为所述内容选择参数。
11.根据前述权利要求中的任一项所述的系统，包括记录索引器组件，所述记录索引器组件用于在所述数据库上维护与要被下载在所述客户端设备上以供呈现的至少一个音频文件相对应的所述内容发布方的音频记录。
12.根据前述权利要求中的任一项所述的系统，包括所述动作处置器组件，所述动作处置器组件用于传输所述动作数据结构以将在所述内容点插入有所述音频内容项的音频记录加载到所述客户端设备上而不进行流传输。
13.一种经由数字助理应用将补充音频内容插入到主要音频内容中的方法，包括：
由具有一个或多个处理器的数据处理系统在数据库上维护内容发布方的音频记录和由所述内容发布方设置以指定内容点的内容点标记，该内容点定义在所述音频记录的呈现期间插入补充音频内容的时间；
由所述数据处理系统接收音频数据分组，所述音频数据分组包括由客户端设备的传感器检测到的输入音频信号；
由所述数据处理系统解析来自所述音频数据分组的输入音频信号，以确定所述输入音频信号对应于对来自所述内容发布方的所述音频记录的请求；
由所述数据处理系统基于从所述输入音频信号确定的请求，从所述数据库中标识所述内容发布方的所述音频记录；
由所述数据处理系统响应于确定所述输入音频信号对应于对所述音频记录的请求，将与所述客户端设备相关联的标识符标识为内容选择参数；
由所述数据处理系统针对所述音频记录的所述内容点使用所述内容选择参数从多个音频内容项中选择内容提供方的音频内容项；
由所述数据处理系统将所述音频内容项插入到所述音频记录的内容点中，所述内容点定义由所述内容点标记指定的时间；
由所述数据处理系统生成动作数据结构，所述动作数据结构包括在由所述内容点标记定义的时间插入有音频内容项的音频记录；以及
由所述数据处理系统将所述动作数据结构传输到所述客户端设备，以呈现在所述内容点插入有所述音频内容项的所述音频记录。
14.根据权利要求13所述的方法，包括：
在传输所述动作数据结构之后，由所述数据处理系统监视经由所述客户端设备执行的交互事件，所述交互事件与针对被选择用于插入到所述音频记录中的所述音频内容项的预定义交互匹配；以及
响应于检测到与所述预定义交互匹配的来自所述客户端设备交互事件，由所述数据处理系统确定插入到所述音频记录中的所述音频内容项经由所述客户端设备来收听。
15.根据权利要求13或14所述的方法，包括：
在传输所述动作数据结构之后，由所述数据处理系统使用所述标识符经由在所述客户端设备上运行的应用的应用编程接口(api)监视插入有所述音频内容项的音频记录的回放内的位置，所述应用用于处理所述音频记录的回放；以及
响应于所述位置与经由所述api检测到的音频记录的持续时间匹配，由所述数据处理系统确定插入有所述音频内容项的音频记录的回放完成。
16.根据权利要求13至15中的任一项所述的方法，包括：
由所述数据处理系统使用训练数据建立预测模型，以估计在插入有所述多个音频内容项之一的音频记录的回放之后预期将从其检测到针对所述多个内容项之一的预定义交互事件的客户端设备的数量；
由所述数据处理系统将所述预测模型应用于具有由所述内容点标记指定的内容点的音频记录，以确定内容点参数，该内容点参数与在其上检测到与针对在所述内容点插入到所述音频记录中的所述多个音频内容项中的每一个的预定义交互匹配的交互事件的客户端设备的预期数量相对应；以及
由所述数据处理系统基于用于所述内容点的所述内容点参数和用于所述多个音频内容项中的每一个的内容提交参数，从所述多个音频内容项中选择所述内容提供方的所述音频内容项。
17.根据权利要求13至16中的任一项所述的方法，包括：
由所述数据处理系统，标识在其上检测到与针对在所述内容点插入到所述音频记录中的所述多个音频内容项中的每一个的预定义交互匹配的交互事件的客户端设备的数量；
由所述数据处理系统基于在其上的所述交互事件与所述预定义交互匹配的客户端设备的数量，确定用于所述音频记录中定义的所述内容点的内容点参数；以及
由所述数据处理系统基于用于所述内容点的所述内容点参数和用于所述多个音频内容项中的每一个的内容提交参数，从所述多个音频内容项中选择所述内容提供方的所述音频内容项。
18.根据权利要求13至17中的任一项所述的方法，包括：
由所述数据处理系统，标识完成插入有所述多个音频内容项之一的音频记录的回放的客户端设备的数量；
由所述数据处理系统基于完成所述回放的客户端设备的数量，确定用于所述音频记录中定义的所述内容点的内容点参数；以及
由所述数据处理系统基于用于所述内容点的所述内容点参数和用于所述多个音频内容项中的每一个的内容提交参数，从所述多个音频内容项中选择所述内容提供方的所述音频内容项。
19.根据权利要求13至18中的任一项所述的方法，包括：
响应于确定所述输入音频信号对应于所述请求，由所述数据处理系统标识多个内容选择参数，所述多个内容选择参数包括下述中的至少一个：设备标识符、与所述客户端设备的会话相关联的cookie标识符、用于认证在所述客户端设备上执行的应用以回放到所述音频记录的账户标识符以及与所述账户标识符相关联的特性特征；以及
由所述数据处理系统使用所述多个内容选择参数从所述多个音频内容项中选择所述音频内容项。
20.根据权利要求13至19中的任一项所述的方法，包括：
由所述数据处理系统传输所述动作数据结构以将在所述内容点插入有所述音频内容项的音频记录加载到所述客户端设备上而不进行流传输。