TY  - UNPB
TI  - Xiaomi-CocktailASR-1 Technical Report
UR  - https://arxiv.org/abs/2609.11274
DO  - 10.48550/arXiv.2609.11274
DA  - 2026-09-10
AU  - Zhang, Yiru
AU  - Su, Hang
AU  - Fan, Lichun
AU  - Zeng, Ying
AU  - Liu, Chang
AU  - Wang, Yifeng
AU  - Liang, Yuquan
AU  - Li, Tao
AU  - Li, Lian
AU  - Yang, Wenhao
AU  - Luan, Jian
AU  - Zou, Cong
AU  - Qu, Heng
KW  - Juju Radar
KW  - 待阅读
KW  - 补看
KW  - 语音 / 开源模型
N1  - 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。
ER  -