摘要：
在嘈杂的会议或车厢里，人类能轻松锁定某个人的声音，而机器长期做不到——这就是语音识别领域著名的“鸡尾酒会问题”。2026年9月11日，小米开源了Xiaom... 在嘈杂的会议或车厢里，人类能轻松锁定某个人的声音，而机器长期做不到——这就是语音识别领域著名的“鸡尾酒会问题”。2026年9月11日，小米开源了Xiaomi-CocktailASR-1，一款目标说话人语音识别大模型，试图用端到端方案直接解决这一难题，Apache 2.0协议，可自由商用。
端到端架构：跳过“先分离再识别”
传统方案处理多人混聊，需要先做语音分离，再分别识别，流程繁琐且误差会级联放大。CocktailASR-1反其道而行：以Data2Vec音频编码器（0.6B参数）提取声学特征，经Adapter对齐后交给Qwen3-8B语言模型解码，直接完成从波形到目标人文字的映射。用户只需提供1–4秒的目标说话人参考音频，模型就能在多人混杂录音中只转录那个人的发言；目标人不在场时，直接输出空文本，避免误触发。
硬核数据：多人场景WER 4.11%
在LibriMix 2mix测试集上，CocktailASR-1的词错误率仅4.11%，而通用语音模型Qwen3-ASR高达68.75%，差距超过16倍。在更接近真实会议的AliMeeting数据集上，其WER约21.81%，同样大幅领先。单人场景下，它也没有“偏科”，LibriMix 2mix WER约1.73%，与主流通用ASR基本持平。模型还支持思维链推理，启用后LibriMix 2mix WER可从4.11%进一步降至3.87%，代价是推理时延增加。
负样本拒识与多语种
对非目标说话人的干扰，模型具备强拒识能力。即使参考音频对应的人不在当前对话中，也会返回空文本。正样本有小概率被误判为空，但误拒率仅0.01%–0.73%，对正常使用影响极小。模型支持中文、英文等多语种，并可通过参考音频传递情感信息，实现情感可控的语音识别。
应用场景：会议、车载、客服、播客
多人会议记录中，它能精准锁定发言目标，自动分离不同说话人内容；车载语音助手在车内多人交谈时仅识别目标乘客指令，避免误触发；客服录音质检可从客服与多位客户的通话中提取特定客户发言；播客与访谈剪辑能从多嘉宾长音频中快速提取指定嘉宾片段。对于关注AI工具导航的开发者，这款开源模型可加入自建语音识别方案；而在AI办公软件推荐中，会议记录与客服质检正是语音转写的高频落地场景。
开源与获取
模型权重与推理代码已发布在GitHub与HuggingFace（Ease3/Xiaomi-CocktailASR-1），采用Apache 2.0协议，无按量计费或授权费用。运行环境需Python 3.10+、PyTorch与Transformers，通过trust_remote_code加载模型定义即可。