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

小米发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1，用于解决多人同时说话时识别率大幅下降的鸡尾酒会问题。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，可在复杂环境中精准提取并仅转录目标用户的语音。官方称其在多个主流多说话人测试集上达到 SOTA，单人识别性能比肩标准 ASR 模型，还支持拒识非目标说话人干扰语音和思维链推理模式。