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。

Xiaomi-CocktailASR-1 旨在解决“鸡尾酒会”难题。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，可在多人同时说话的复杂环境中，精准提取并仅转录目标用户的语音。在多个主流多说话人测试集上均达到SOTA，大幅领先现有方案。

同时，其单人识别性能比肩标准ASR模型，可无缝兼顾单人说话场景；具备拒识非目标说话人干扰语音的能力，目标不在场时输出空文本，有效避免误触发；此外还支持思维链推理模式，为识别结果提供可解释推理过程。

模型权重与推理代码已开源，一起体验“鸡尾酒会”场景下的全能型解决方案，让AI只“听”你的声音。
GitHub 链接：http://t.cn/AX0FWwXG