企业官网建设流程全解析

【导语：在 ASR 模型面临多人同时讲话场景难题时，小米开源了 CocktailASR - 1 模型。它采用目标说话人语音识别技术，在多场景测试中表现出色，还具备负样本拒识和思维链推理等特性，意义重大。】

创新思路：从根本改变 ASR 任务输入

人类听觉能轻松从嘈杂人群中剥离人声，但 ASR 模型在多人同时讲话场景难题待解。小米的 CocktailASR - 1 没有做“更好的降噪”，而是从根本上改变任务的输入，采用目标说话人语音识别，先给模型参考音频定位目标说话人，再让其只转录该人的语音，过滤其他人说话内容、混响和背景噪音。

端到端架构：单模型搞定多场景

CocktailASR - 1 是端到端 LLM 架构，即 D2V2 音频编码器 -> Adapter -> LLM 解码，所有权重放在一个 checkpoint 里。输入格式是参考音频和目标音频拼接，中间插一秒静音分隔，为 16kHz 单声道。它无需针对不同场景切换模型，单人或多人场景都能应对。

测试领先：精度远超同赛道竞品

基准测试结果显示，CocktailASR - 1 表现优异。在多说话人模拟测试中，LibriMix 2mix 的 WER 只有 4.11%，LibriSpeechMix 2mix 更是低至 2.90%；在 LibriMix 3mix 测试中，Qwen3 - ASR、Gemini、StepAudio 全军覆没，而 CocktailASR - 1 为 12.29%。在真实会议录制测试中，AMI SDM 的 WER 是 21.81%，AliMeeting Far 是 20.63%，大幅领先已有方案。单人场景下，在 LibriSpeech 等数据集上也全面领先。

附加特性：负样本拒识与思维链推理

该模型具备负样本拒识能力，当参考音频对应的人不参与当前对话时，输出空文本。在 LibriSpeech 负样本上拒识率达 79.59%，Aishell 上是 75.35%，小米自有的中文测试集上是 68.54%，而 Qwen3 - ASR 和 StepAudio 无此能力。同时，它还具备思维链推理功能，可在输出答案前展示推理过程，对调试和可解释性有意义，且对精度影响不大。

编辑观点：小米 CocktailASR - 1 模型在技术上创新突破，多场景测试表现亮眼且有实用特性，从“所有声音”到“一个声音”的转向为行业发展提供新思路。