小米 CocktailASR：从多人语音中识别指定的人

Xiaomi-CocktailASR-1 Technical Report

参考声音与混合音频一起编码，直接转写目标说话人，并学习拒绝非目标声音。评测需同时看词错误率和误拒绝率；本期补看。

首次公开：2026-09-10 · 收录：2026-09-13

相关期次：2026-09-13 精选

阅读笔记

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。

重要度：8.5/10。指定说话人直接转写与拒绝训练值得补读；需同时看识别与误拒绝指标。
本期为补看。原文：https://arxiv.org/abs/2609.11274
本期资料：https://www.asteronline.cn/juju-radar/2026-09-13/
AI辅助整理，未独立复现实验。

笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。