小米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。该模型针对语音识别中的“鸡尾酒会”难题研发，采用端到端大语言模型架构，可在多人同时发声的复杂声学环境下，完成定向语音的提取与转写。
PChome 9月11日消息，小米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。该模型针对语音识别中的“鸡尾酒会”难题研发，采用端到端大语言模型架构，可在多人同时发声的复杂声学环境下，完成定向语音的提取与转写。
据小米技术团队公布的信息，这款模型仅需目标说话人的一段参考音频作为声纹匹配依据，即可从混杂的多人语音流中精准锁定目标声源，最终仅输出目标用户的语音转写内容。在多个主流多说话人语音测试集上，该模型的各项指标均达到当前最优水平，表现大幅领先现有同类方案。
除多说话人场景的核心能力外，模型的单人语音识别性能与通用标准语音识别模型持平，可无缝适配单人发声的常规使用场景，无需根据环境切换识别模式。针对非目标说话人的干扰语音，模型具备主动拒识能力，若目标说话人不在场，模型将直接输出空文本，有效降低语音交互的误触发概率。此外，该模型还支持思维链推理模式，能够为识别结果提供可解释的推理过程。
目前，Xiaomi-CocktailASR-1的模型权重与推理代码已正式开放开源，开发者可直接获取并体验这套面向复杂声学场景的语音识别方案。
