一个人说得清，几个人就抓瞎

所谓鸡尾酒会难题，指的是这样一种情况：现有的语音识别技术已经能以较高精度识别一个人说的话，可一旦说话人数变成两人甚至多人、声音彼此重叠，识别率就会出现断崖式下跌。

人类在嘈杂的饭局上能自动锁定对面朋友的声音，把周围噪音当成背景过滤掉，机器长期以来却很难做到这一点。会议纪要、车载语音、多人访谈这类场景，恰恰全是多人同时开口的场合。

Xiaomi-CocktailASR-1 的做法是把问题直接换了个解法。模型采用端到端的 LLM 架构，不再走”先分离声音、再识别内容”的两段式老路，而是把目标说话人的一段参考音频作为声纹提示丢给模型，让它在多人重叠的语音流里，精准提取并只转录这个人的话。

换句话说，只要先给模型听一段”要听谁”的样本，它就能在混乱的音频中锁定这个人，其余人的声音被自动过滤。

多个主流测试集达到最优，单人场景也不掉队

小米方面表示，该模型基于大规模多说话人数据训练，在 AliMeeting、AMI、LibriMix 等多个主流多说话人测试集上均达到最优性能，大幅领先现有方案。

更关键的一点是它不需要两套系统。Xiaomi-CocktailASR-1 在单说话人场景下的识别表现，可以与主流单人语音识别模型相媲美。这意味着同一个模型既能应付多人混说，也能无缝处理单人说话，不必在不同模型之间来回切换。

目标不在场，就输出空文本

在实际落地中，误触发往往比识别不准更让人头疼。会议室里旁边有人随口一句，语音助手就自作主张开始记录，这类问题在车载和智能音箱场景里尤其常见。

Xiaomi-CocktailASR-1 具备负样本拒识能力：当音频中并不存在目标说话人时，模型会输出空文本，而不是硬凑一句识别结果出来。这一设计能显著降低非目标语音带来的误识别和误触发风险。

此外，该模型还支持思维链推理模式，能够为识别结果提供具备可解释性的推理过程。对于需要调试语音系统、或者需要判断识别结果是否可信的场景，这项能力比单纯输出一串文字更有价值。

权重和推理代码一并开源

目前，Xiaomi-CocktailASR-1 的模型权重与推理代码已经开放，托管在 GitHub 与 Hugging Face 两个平台上。

对国内开发者而言，”工业级””目标说话人””多说话人最优”这几个标签叠在一起还直接开源，意味着语音交互、会议记录、助听设备、车载座舱等方向的团队，可以跳过从零训练的成本，直接在现有产品里试用。

多人同时说话时只听一个人的声音，这件事听上去简单，做起来极难。小米这次不仅做出来了，还把它交到了所有开发者手里。