小米语音模型：几个人同时说话，只转写指定的人
语音 / 开源模型 · 8.5/10 · 建议看方法与演示
Xiaomi-CocktailASR-1 处理的是一个很具体的问题：给它一小段目标说话人的录音，再输入多人混合语音，让它只转写这个人的话。模型把参考录音和待识别音频一起编码，直接生成文字，省去单独分离人声再做识别的步骤；目标人物没有说话时，它还需要学会输出空文本。
这类能力适合用来研究嘈杂会议、穿戴设备等场景。论文在 AliMeeting-Far 上报告的目标说话人词错误率为 20.63%，对照的既有方法为 27.5%；代码仓库和权重页面均已公开。但不同数据集上的优势并不一致，不能笼统写成“解决了多人语音识别”。
还有一个容易忽略的统计口径：论文的部分单人语音比较使用“非空输出错误率”，会排除模型没有输出文字的样本，必须结合误拒绝率一起看。能拒绝非目标声音，也不代表它已经具备防冒用的身份认证能力。论文 9 月 10 日提交，本期作为补看收录。