小米开源工业级目标说话人语音识别大模型 CocktailASR-1

小米技术宣布正式发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，旨在解决多人同时说话时语音识别率大幅下降的“鸡尾酒会”难题。该模型采用端到端 LLM 架构，以目标说话人的一段参考音频作为声纹提示，可在复杂多人语音环境中精准提取并仅转录目标用户语音。

在多个主流多说话人测试集上，该模型均达到 SOTA，大幅领先现有方案。其单人识别性能比肩标准 ASR 模型，可无缝兼顾单人场景，并具备拒识非目标说话人干扰语音的能力，目标不在场时输出空文本，有效避免误触发。

此外，该模型支持思维链推理模式，为识别结果提供可解释推理过程。模型已在 GitHub 和 HuggingFace 开源。