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

📋总体概括

小米于9月11日发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，主打解决多人同时说话时识别率骤降的「鸡尾酒会」难题。模型采用端到端 LLM 架构，以目标说话人参考音频作声纹提示，在多人嘈杂环境中只转录目标用户语音，并称在多个主流多说话人测试集上达到 SOTA。同时其单人识别性能比肩标准 ASR 模型，可拒识非目标说话人、目标不在场时输出空文本以防误触发，还支持思维链推理提供可解释过程，代码已在 GitHub 开源。