小米技术团队近日宣布，一款名为Xiaomi-CocktailASR-1的工业级目标说话人语音识别大模型正式发布，并同步开源。该模型聚焦于破解语音识别领域长期存在的“鸡尾酒会”难题——当多人同时说话时，传统技术难以精准分离并识别特定目标说话人的语音内容。
据介绍，Xiaomi-CocktailASR-1采用端到端大语言模型（LLM）架构，通过引入目标说话人的参考音频作为声纹特征，可在复杂声学环境中精准定位并转录特定用户语音。实验数据显示，该模型在多个国际主流多说话人测试集上均达到当前最优水平（SOTA），识别准确率较现有方案提升显著，尤其在嘈杂场景下表现突出。
技术团队强调，该模型不仅具备多说话人场景下的精准识别能力，其单人语音识别性能亦可媲美传统标准语音识别（ASR）模型。更值得关注的是，模型内置了抗干扰机制——当目标说话人未发声时，系统会自动输出空文本，避免因环境噪音或其他说话人语音导致误触发。通过引入思维链推理模式，模型还能为识别结果提供可追溯的逻辑推导过程，增强结果的可解释性。
开源社区对这一成果表示期待。行业分析师指出，Xiaomi-CocktailASR-1的发布或将推动语音交互技术在会议记录、智能客服、车载语音等场景的落地应用，其开源特性也将为相关领域研究提供重要参考。
