小米开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1

小米技术团队于9月11日正式发布并开源了工业级目标说话人语音识别大模型Xiaomi-CocktailASR-1。该模型旨在解决语音识别领域长期存在的“鸡尾酒会”难题，即在多人同时说话的嘈杂环境中，精准提取并转录目标说话人的语音内容。相关代码与模型权重已同步上线GitHub和HuggingFace平台，供全球开发者下载使用。

所谓“鸡尾酒会”问题，是指当前语音识别技术虽能以较高精度识别单人语音，但当说话人数增至两人或多人时，识别准确率会急剧下降。这一难题长期制约着语音助手、会议转写、智能安防等场景的应用效果。小米此次推出的模型，正是针对这一行业痛点进行了专项技术攻关。

据官方介绍，Xiaomi-CocktailASR-1采用端到端大语言模型架构，以目标说话人的一段参考音频作为声纹提示。在实际应用中，用户只需预先录入一段目标人物的语音样本，系统便能在多人对话环境中锁定该声纹特征，仅转录目标用户的语音内容，有效屏蔽其他说话人的干扰。

在性能表现上，该模型在多个主流多说话人测试集上均达到当前最优水平，大幅领先现有方案。值得注意的是，其单人识别性能也能比肩标准自动语音识别模型，可无缝兼顾日常单人语音交互场景。此外，模型还具备拒识非目标说话人干扰语音的能力，当目标说话人不在场时，系统会输出空文本，从而有效避免设备误触发。

Xiaomi-CocktailASR-1还引入了思维链推理模式，能够为每一次识别结果提供可解释的推理过程。这一设计不仅提升了模型输出的透明度，也为开发者调试和优化系统提供了更清晰的依据，在工业级应用中具有重要实用价值。

此次开源举措意味着全球开发者均可基于该模型进行二次开发与场景适配。业内分析认为，目标说话人识别技术在智能家居、会议记录、辅助听力设备以及公共安全等领域拥有广阔的应用前景。小米将核心模型开源，有望推动整个行业在多说话人语音处理方向的技术进步与生态建设。

把任意网站变成干净 JSON

现成爬虫与 AI 智能体

试用 Apify