小米开源 CocktailASR-1：在嘈杂人群里只「听清一个人」，会议纪要更准了

发生了什么

小米近日正式开源了工业级「目标说话人」语音识别大模型 CocktailASR-1（Apache 2.0 协议，代码和权重已在 GitHub、HuggingFace 放出，可商用）。

它的本事很直观：你给它一段目标人的参考音频（比如同事张三说的一句话），再给它一段好多人同时说话的录音，它只把张三的话转成文字，别人的声音、混响、背景噪声统统过滤掉。如果参考的那个人根本不在场，它直接返回空文本，不会张冠李戴。

这是冲着困扰语音识别几十年的「鸡尾酒会难题」去的——人天生能在嘈杂饭局里只听清对面那个人，但机器一直做不好。

对我有什么用

在模拟多说话人测试里，CocktailASR-1 的字错率（WER）低到 2.90%（LibriSpeechMix 2mix）；而同赛道知名通用模型在类似混合场景里字错率能冲到 76%–121%（超过 100% 意味着它不仅没听对，还把别人的话也写进去了）。在真实会议录音（AMI、AliMeeting 远场中文会议）里也大幅领先现有方案。

它的两个实用细节很加分：

• 负样本拒识：参考的人不在场就输出空文本，防止智能音箱、车载助手被旁人声音误唤醒；
• 思维链：能先展示「怎么认出这个人」的推理过程，方便调试和看懂结果。

我可以怎么做

• 你不一定自己部署。但它代表的趋势是：以后会议纪要、采访整理、课堂/讲座录音，能精准区分「谁说了什么」，不再是糊成一团。
• 开发者可以把它接进自己的工具：把会议录音 + 每位发言者的几秒参考音丢进去，直接产出按人分好的文字稿。
• 对车载语音、智能音箱也是利好——更不容易被别人声音带偏。

温馨提醒

• 它是语音识别模型，不是「会议总结 AI」，只负责把指定人的话转成文字；要总结还得接一步大模型。
• 需要你提供目标人的参考音频（1–4 秒即可），没有参考音它无从锁定。
• 开源可商用，但部署需要基础 Python 环境（torch、transformers 等），纯小白建议等现成产品集成。